AIに知識を与える方法 にある。RAG（検索拡張生成）は、質問を受けるたびに社内資料などを検索し、見つけた内容を参照して回答をつくる。ファインチューニングは、用意した学習データでAIモデルに追加の学習をさせ、言い回しや出力の形、特定の作業のやり方を身につけさせる。社内規程やマニュアルのように更新される情報を答えさせたいならRAG、出力の形式や口調をそろえたいならファインチューニングが向いている。
RAGの仕組みとは 」で紹介している。
この記事の要点
✓ RAGは「答えるときに資料を調べる」、ファインチューニングは「前もってモデルに覚えさせる」
✓ RAGは資料を差し替えれば答えも新しくなり、回答の根拠になった資料を示しやすい
✓ ファインチューニングは、出力の形式・口調・特定の作業のやり方をそろえたいときに向く
✓ 社内の規程やマニュアルを答えさせる用途では、まずRAGから検討するのが一般的
✓ どちらも誤りがなくなるわけではない。回答の根拠を確かめられる仕組みが大切
RAGとは？答えるたびに資料を調べる仕組み
RAG（Retrieval-Augmented Generation、検索拡張生成）は、利用者の質問に関係する情報を社内資料などから検索し、見つけた内容を生成AIに渡して回答をつくらせる仕組みである。AIモデルそのものは変えず、答えるときに参照する資料を入れ替えることで、社内の最新のルールや手順に沿った答えを返せる。
ファインチューニングとは？モデルに追加で学習させる方法
ファインチューニングは、すでに学習済みのAIモデルに、目的に合わせた学習データ（質問と望ましい回答の組など）を追加で学習させ、モデルの振る舞いを調整する方法である。決まった形式での出力、特定の口調、分類や要約といった作業のやり方を安定させたいときに使われる。学習させた内容はモデルの中に取り込まれるため、内容を変えたいときは学習をやり直すことになる。
RAGとファインチューニングの違い【比較表】
RAGは質問を受けるたびに社内資料を検索し、見つけた内容を参照して回答する。資料を差し替えれば答えも新しくなる。ファインチューニングは学習データを用意してモデルに追加で学習させ、調整したモデルで回答する。知識を更新するには学習のやり直しが必要になる。 RAG（検索拡張生成） 質問を受ける 資料を検索 参照して回答 資料を差し替えれば、答えも新しくなる ファインチューニング（追加学習） 学習データ 追加で学習 調整後に回答 知識を更新するには、学習のやり直しが必要
図1：RAGとファインチューニングの、AIに知識を与える方法の違い
比較項目
RAG
ファインチューニング
知識の与え方
答えるときに資料を検索して参照する
学習データでモデルを追加学習させる
情報の更新
資料を差し替えれば反映される
学習データを直して学習し直す
回答の根拠
参照した資料を示しやすい
どの学習データにもとづくかを示しにくい
得意なこと
社内規程・マニュアル・製品情報など、資料に書いてある内容を答える
出力の形式・口調・作業のやり方をそろえる
用意するもの
答えの元になる資料（最新版）
質問と望ましい回答の組などの学習データ
閲覧権限の扱い
資料ごとに、検索できる人を分けやすい
モデルに取り込んだ内容は、使う人ごとに分けにくい
いちばん大きな違いは、情報が変わったときの扱いである。規程の改定や製品の仕様変更があっても、RAGなら資料を差し替えれば次の質問から新しい内容で答えられる。ファインチューニングでは、学習データを直して学習し直すまで、古い内容が残る。
RAGとファインチューニング、どちらを選ぶか
｜ RAGが向いているケース
社内規程、業務マニュアル、製品カタログ、過去の問い合わせ対応など、資料に書いてある内容を答えさせたい場合。内容が定期的に更新される場合や、回答の根拠になった資料を利用者が確かめられるようにしたい場合も、RAGが向いている。社内問い合わせのチャットボットは、多くがこの用途にあたる。
｜ ファインチューニングが向いているケース
出力の形式や文体を毎回そろえたい場合、特定の分類や要約の作業を安定してこなさせたい場合。知識そのものよりも「振る舞い」を変えたいときに検討する。学習データの準備、学習、評価をくり返す必要があるため、社内で担うのか、外部の支援を受けるのかもあわせて検討するとよい。
｜ 迷ったときの目安
「AIに何を知っていてほしいか」が課題ならRAG、「AIにどう答えてほしいか」が課題ならファインチューニングを考える。答え方の調整は、ファインチューニングをしなくても、指示文（プロンプト）や回答の方針の設定で足りることも多い。まずRAGと指示文の工夫で試し、それでも足りない点があるときにファインチューニングを検討すると、手戻りが少ない。RAGを作る方法は「RAG構築の方法は3つ 」で比較している。
RAGとファインチューニングを組み合わせる方法
2つは対立するものではなく、組み合わせることもできる。たとえば、ファインチューニングで社内文書らしい書き方や決まった出力の形を身につけさせたモデルに、RAGで最新の資料を参照させる、という使い方である。ただし、組み合わせるほど作るもの・保守するものが増える。必要になってから足すくらいの順番で考えるとよい。
「資料を学習させる」はどちらの意味か
AIチャットボットの案内では、資料を登録して検索・参照させることを「学習させる」と表現する場合がある。この場合は、モデルの追加学習（ファインチューニング）ではなくRAGを指していることが多い。製品を比べるときは、「資料はモデルの学習に使われるのか、検索のために登録されるだけなのか」を確認しておくと、データの扱いや更新の方法を正しく理解できる。
RAGで社内資料に答えるAI：chai+の場合
chai+ は、デフィデ株式会社が提供する法人向けのRAGである。登録した社内資料を検索して回答し、公式ページでは次のように案内している。
根拠の提示： 回答には、参照した資料名と該当箇所を示す検索の精度： 資料をハッシュタグで分類して検索範囲を絞り込める。社内の略語や製品名は辞書登録できるデータの扱い： 登録した資料や入力データは、AIモデルの学習に利用されない。データはAWSの日本国内リージョンのみに保存される資料の権限： 元の資料に設定したアクセス権限が、検索・回答でも引き継がれる
検索の仕組みは「特許で読み解くAI検索技術「トリプル検索」とは？ 」で解説している。外部の生成AIエンジンをAPI経由で利用しているため、推論処理の際にはデータが一時的に海外のサーバーへ送信される（推論目的のみに使われ、学習や二次利用はされない）。詳しくはchai+のセキュリティ・トラストページ で公開している。
まとめ：知識を与えるならRAG、振る舞いを変えるならファインチューニング
RAGは答えるたびに資料を検索して参照する方法、ファインチューニングはモデルに追加で学習させる方法である。社内規程やマニュアルのように更新される情報を答えさせたい場合や、回答の根拠を示したい場合はRAG、出力の形式や口調、作業のやり方をそろえたい場合はファインチューニングが向く。まずRAGと指示文の工夫で試し、足りない点が見えてからファインチューニングや組み合わせを検討するとよい。
RAGとファインチューニングに関するよくある質問
Q. RAGとファインチューニングの違いは何ですか？ A. AIに知識を与える方法が違います。RAGは質問を受けるたびに社内資料などを検索し、見つけた内容を参照して回答します。ファインチューニングは学習データでAIモデルに追加の学習をさせ、出力の形式や口調、作業のやり方を身につけさせます。
Q. 社内の資料をAIに答えさせたい場合は、どちらを選べばよいですか？ A. まずRAGを検討するのが一般的です。資料を差し替えれば答えも新しくなり、回答の根拠になった資料を示しやすいためです。出力の形式や口調をそろえたい場合に、ファインチューニングを検討します。
Q. ファインチューニングをすれば、AIの誤った回答はなくなりますか？ A. なくなるとは限りません。RAGでも誤りが起きることはあります。どちらの方法でも、回答の根拠を利用者が確かめられるようにすることと、答えられない質問を担当者へ引き継ぐ流れを用意しておくことが大切です。
Q. RAGとファインチューニングは組み合わせられますか？ A. 組み合わせられます。ファインチューニングで出力の形や書き方を整えたモデルに、RAGで最新の資料を参照させる使い方です。ただし作るもの・保守するものが増えるため、RAGと指示文の工夫で足りない点が見えてから検討すると手戻りが少なくなります。
Q. 社内の資料が更新されたら、AIの答えはどうなりますか？ A. RAGなら、登録している資料を新しい版に差し替えれば、次の質問から新しい内容で答えます。ファインチューニングでは、学習データを直して学習し直すまで、古い内容が残ります。
Q. 「資料を学習させる」と書かれたAIチャットボットは、ファインチューニングをしているのですか？ A. 資料を登録して検索・参照させることを「学習」と表現している場合があり、その多くはRAGを指しています。資料がモデルの学習に使われるのか、検索のために登録されるだけなのかは、提供元に確認してください。chai+のRAGでは、登録した資料は検索・参照に使われ、AIモデルの学習に利用されることはありません。
［無料相談を申し込む
提供：デフィデ株式会社｜戦略 AI コンサルティング
media
