変更要約: 各節に図（figure）を追加＝cert-figure-retrofit。AI-300 第5章を新規作成（ドメイン5「生成 AI の最適化」: RAG 最適化=類似度しきい値/チャンクサイズ/検索戦略/埋め込みモデルの選択・ファインチューニング/ハイブリッド検索/関連性メトリクス・A/B テスト、高度なファインチューニング=手法/合成データ/監視・最適化/開発から本番までのライフサイクル管理）
5.1RAG の性能と精度の最適化
類似度しきい値・チャンクサイズ・検索戦略の調整による検索性能の最適化、ドメイン固有の精度向上のための埋め込みモデルの選択とファインチューニング、セマンティック検索とキーワード検索を組み合わせたハイブリッド検索、そして関連性メトリクスと A/B テストによる RAG の評価と改善を理解します。
RAG（検索拡張生成）は、外部の根拠を検索して回答に取り込み、ハルシネーションを抑える代表的な手法です。RAG の品質は検索（retrieval）の質に強く依存するため、検索の最適化が AI-300 の重点になります。
5.1.1検索性能の最適化
検索の最適化では、類似度しきい値（どれだけ近い根拠を採用するか）、チャンクサイズ（文書を分割する単位＝大きすぎるとノイズ、小さすぎると文脈不足）、検索戦略（上位 k 件・再ランク付けなど）を調整します。さらに 埋め込みモデルの選択が精度を左右し、ドメイン固有の用語が多い場合は 埋め込みモデルのファインチューニングで関連性を高めます。これらを評価しながら反復的に調整します。
5.1.2ハイブリッド検索と A/B テスト
ハイブリッド検索は、意味の近さで探す セマンティック（ベクトル）検索と、語の一致で探す キーワード検索を組み合わせて、双方の弱点を補い再現率と精度を高めます。改善の効果は 関連性メトリクス（検索結果が適切か）と A/B テスト（複数の構成を本番に近い条件で比較）で定量的に検証します。「測って→調整して→再び測る」の反復が RAG 最適化の基本です。