最新ビジネス用語辞典

なぜAIで使われるのか

生成AIに社内規程やマニュアルを参照させる場合、利用者の質問と同じ言葉が文書に書かれているとは限りません。ベクトルデータベースは、文書を埋め込み（embedding）に変換し、質問の意味に近い文書断片を探します。

通常の検索との違い

方式	得意なこと	注意点
キーワード検索	商品名、規程番号、固有名詞を正確に探す	言い換えに弱い
ベクトル検索	意味が近い文書やFAQを探す	似ているが違う情報を拾うことがある
ハイブリッド検索	キーワードと意味検索を組み合わせる	重み付けの調整が必要

RAGでの流れ

1. 文書を一定の長さに分割する。
2. 各断片を埋め込みモデルでベクトル化する。
3. 質問もベクトル化し、近い断片を検索する。
4. 検索結果をLLMに渡し、根拠付きで回答させる。
5. 回答、根拠、検索ログを評価する。

導入時に確認すること

• 文書の更新頻度と、再インデックスのタイミング
• 権限のない文書が検索結果に出ないアクセス制御
• 個人情報や機密情報を埋め込みに含める場合の扱い
• 検索精度、回答根拠、誤検索の検証方法
• キーワード検索、全文検索、既存ナレッジ基盤との役割分担

ベクトルデータベースを入れるだけで回答精度が上がるわけではありません。文書の粒度、メタデータ、権限、評価用の質問セットまで含めて設計します。

参考情報

• Google Machine Learning Glossary
• RAG original paper

最終確認日: 2026年7月28日