変更要約: Generative AI Leader 第3章を新規作成（ドメイン3「出力を改善する手法」: プロンプトエンジニアリング＝良いプロンプト/ゼロショット・フューショット/役割/段階的思考/温度、グラウンディング・RAG・ファインチューニング＝RAG/埋め込み・ベクトル検索/ファインチューニング/関数呼び出し・ツール/評価）。
3.2グラウンディング・RAG・ファインチューニング
自社データに基づいて正確に答えさせるグラウンディングと RAG（検索拡張生成）、意味で検索するための埋め込みとベクトル検索、モデル自体を特定領域に適応させるファインチューニング、外部システムを呼び出す関数呼び出し（ツール）、そして出力品質を測る評価という、出力を改善する代表的な手法の使い分けを理解します。
プロンプトの工夫に加え、外部の知識やシステムと結びつけることで生成 AI はさらに有用になります。ここでは「自社の情報に正しく答えさせたい」「特定領域に適応させたい」といったニーズに対する代表的な手法を整理します。
3.2.1グラウンディングと RAG
グラウンディング は、モデルの回答を信頼できる情報源に根ざさせることです。その代表的な実装が RAG（検索拡張生成） で、質問に関連する自社文書を検索して取り出し、それを文脈としてモデルに渡して回答させます。これにより、最新・社内固有の情報に正確に答えられ、出典も示せ、ハルシネーションを減らせます。RAG の検索は、文書を 埋め込み でベクトル化して保存し、ベクトル検索（意味の近さで検索）で関連箇所を見つける仕組みが一般的です。
3.2.2適応・連携・評価
| 手法 | 何をする | 向く場面 |
|---|---|---|
| RAG / グラウンディング | 自社データを検索して文脈に渡す | 最新・社内情報に正確に答える |
| ファインチューニング | モデル自体を特定領域に追加学習 | 独自の口調・専門タスクを定着 |
| 関数呼び出し（ツール） | 外部システム/APIを呼び出す | 予約・計算・最新データ取得など |
| 評価 | 出力の品質を測定・比較 | 改善や本番化の判断 |
ファインチューニング はモデル自体を特定領域のデータで追加学習し、独自の口調や専門タスクを定着させます（RAG が「外から知識を渡す」のに対し、ファインチューニングは「モデルを作り替える」）。関数呼び出し（ツール） は、モデルに外部システムや API を呼び出させる仕組みで、予約・計算・最新データ取得などエージェント的な動作を可能にします。最後に 評価 で出力の品質を測り、改善や本番化を判断します。「まず RAG/プロンプト、必要ならファインチューニング」という順で検討するのが一般的です。
「ニーズ → 手法」が頻出。例：「自社文書に正確に答える」＝RAG/グラウンディング、「意味で検索」＝埋め込み＋ベクトル検索、「独自の口調や専門タスクを定着」＝ファインチューニング、「外部システムを呼び出す」＝関数呼び出し（ツール）、「品質を測る」＝評価。一般に RAG/プロンプトを先に、必要時のみファインチューニング。
混同に注意：
①RAG（外から知識を渡す）とファインチューニング（モデルを作り替える）は別アプローチ。多くの社内 QA は RAG が手軽。
②埋め込み/ベクトル検索は RAG の検索を支える。
③関数呼び出し（ツール）はエージェントが外部と連携する鍵。
3.2.3この節のまとめ
- グラウンディング/RAG＝自社データを検索して文脈に渡す。埋め込み＋ベクトル検索が支える
- ファインチューニング＝モデルを特定領域に追加学習（RAGとは別アプローチ）
- 関数呼び出し（ツール）で外部連携、評価で品質を測る。まず RAG/プロンプト、必要ならファインチューニング
進捗の記録にはログインが必要です。
理解度チェック
（軽い確認用）Q1. 質問に関連する自社文書を検索して取り出し、それを文脈としてモデルに渡して回答させる手法はどれですか？
Q2. RAG の検索を支える、意味の近さで関連箇所を見つける仕組みはどれですか？
Q3. モデル自体を特定領域のデータで追加学習し、独自の口調や専門タスクを定着させる手法はどれですか？
Q4. モデルに外部システムや API を呼び出させ、予約や最新データ取得などの行動を可能にする仕組みはどれですか？
Q5. 社内 QA を実現したいとき、まず検討すべき手軽なアプローチとして最も適切なものはどれですか？
Q6. RAG とファインチューニングの違いとして正しいものはどれですか？