メむンコンテンツぞスキップ
芋出し画像

AIを育おるずは、モデルを孊習させるこずではない。Agentic RAGずいう考え方

    「Claude Codeに300冊の本を読み蟌たせお、知識化したした」

    最近、こうした話を芋かけるこずがありたす。

    最初に聞くず、以前は

    「300冊でファむンチュヌニングしたのだろうか」

    ず思うかもしれたせん。

    しかし、おそらく倚くの堎合は違いたす。

    モデルそのものを再孊習しおいるのではなく、

    AIが300冊の本を必芁なずきに調べられる環境を䜜っおいる。

    ずいう方が実態に近いはずです。

    そしお、この考え方をさらに発展させたものが、いわゆるAgentic RAGです。


    AIに知識を䞎えるファむンチュヌニング、ではない

    生成AIが登堎した圓初、

    「自瀟の知識をAIに芚えさせたい」

    ずいう話になるず、よく出おきたのがFine-tuningでした。

    考え方ずしおはシンプルです。

    知識
    ↓
    å­Šç¿’
    ↓
    モデルの重みを倉曎
    ↓
    賢くなったAI

    人間でいえば、「脳そのものに知識を定着させる」ようなむメヌゞです。

    しかし珟圚の生成AI掻甚では、必ずしもモデルそのものを倉曎する必芁はありたせん。

    むしろ、

    Model
    ×
    Knowledge
    ×
    Context
    ×
    Retrieval
    ×
    Tools

    ずいう、モデルの呚蟺環境を蚭蚈するこずの方が重芁になっおいたす。


    RAGは「カンニングできるAI」

    代衚的なのがRAGです。

    Retrieval-Augmented Generation。

    日本語では「怜玢拡匵生成」ず蚳されたす。

    䟋えば300冊の本をRAG化する堎合、

    300冊
    ↓
    テキスト化
    ↓
    现かく分割
    ↓
    Embedding
    ↓
    Vector Database

    ずいう圢で保存したす。

    ナヌザヌから質問が来たら、

    質問
    ↓
    関連する文章を怜玢
    ↓
    関連床の高い文章を取埗
    ↓
    LLMに枡す
    ↓
    回答

    ずなりたす。

    ぀たりモデル自䜓は300冊を芚えおいたせん。

    必芁なずきだけ、本を開いおいたす。

    少し乱暎に蚀えば、

    RAGずは「カンニングできるAI」です。

    詊隓䞭に教科曞を持ち蟌めるようなものです。


    しかし、普通のRAGには匱点がある

    䟋えば、

    「むノベヌションが起こる組織の特城は」

    ず質問したずしたす。

    普通のRAGなら、

    「むノベヌションが起こる組織の特城」

    ずいう文章に近い文曞を探したす。

    そしお、関連床の高いチャンクを10件皋床取埗しおAIぞ枡したす。

    これは䟿利です。

    䞀方で、人間が本圓に調査するずきは、もう少し耇雑なこずをしたす。

    䟋えば、

    「組織構造の問題では」

    「心理的安党性も関係するのでは」

    「探玢ず深化ずいう議論もあったはず」

    「リヌダヌシップの本も調べよう」

    ず考えたす。

    ぀たり、

    人間は䞀回怜玢しお終わりたせん。

    怜玢結果を芋お、次に䜕を調べるかを倉えたす。

    ここにAgentic RAGがありたす。


    Agentic RAGずは䜕か

    Agentic RAGでは、AI自身が、

    䜕を怜玢すべきかを考えたす。

    䟋えば、

    「むノベヌションを生み出す組織には、どんな共通点がある」

    ずいう質問が来たずしたす。

    AIはたず問題を分解したす。

    むノベヌション
    ├─ 組織構造
    ├─ 心理的安党性
    ├─ リヌダヌシップ
    ├─ むンセンティブ
    ├─ 探玢ず深化
    └─ 意思決定

    そしお、それぞれに぀いお怜玢したす。

    Search 1
    組織構造 × innovation
    
    Search 2
    psychological safety × innovation
    
    Search 3
    exploration × exploitation
    
    Search 4
    leadership × innovation

    怜玢結果を読んだ結果、

    「認知バむアスの芖点が足りない」

    ず思えば、さらに怜玢したす。

    Search 5
    cognitive bias × organizational decision making

    ぀たり、

    怜玢
    ↓
    考える
    ↓
    怜玢
    ↓
    考える
    ↓
    怜玢
    ↓
    統合

    ずいうルヌプが発生したす。

    ここが普通のRAGずの倧きな違いです。


    怜玢゚ンゞンから「研究者」ぞ

    普通のRAGを䟋えるなら、

    質問に䌌たペヌゞを持っおくる図曞通怜玢システム

    です。

    Agentic RAGは違いたす。

    䟋えば、

    「なぜプロゞェクトは倱敗するのか」

    ずいう質問が来たずしたす。

    普通のRAGなら、

    質問
    ↓
    類䌌文章を怜玢
    ↓
    10件取埗
    ↓
    回答

    です。

    Agentic RAGなら、

    なぜプロゞェクトは倱敗する
    
    ↓
    
    AI
    「いく぀かの芳点から調べる必芁がある」
    
    ↓
    
    組織論を怜玢
    
    ↓
    
    プロゞェクトマネゞメントを怜玢
    
    ↓
    
    意思決定論を怜玢
    
    ↓
    
    心理孊を怜玢
    
    ↓
    
    結果を比范
    
    ↓
    
    「認知バむアスの情報が䞍足しおいる」
    
    ↓
    
    远加怜玢
    
    ↓
    
    耇数の議論を統合
    
    ↓
    
    回答

    ずなりたす。

    AIは単なる怜玢利甚者ではありたせん。

    調査蚈画そのものを䜜る存圚になりたす。


    Claude Codeで300冊を「知識化する」ずは䜕か

    ここで冒頭の話に戻りたす。

    「Claude Codeに300冊を読み蟌たせお知識化した」

    ずいう話です。

    300冊分の文章を、毎回コンテキストに入れるこずは珟実的ではありたせん。

    おそらく実際には、

    300冊
    ↓
    Markdown / Text化
    ↓
    章ごずに敎理
    ↓
    芁玄
    ↓
    抂念抜出
    ↓
    玢匕化

    などを行っおいるはずです。

    䟋えば、

    /books
      /good-strategy-bad-strategy
        summary.md
        concepts.md
        chapters/
    
      /thinking-fast-and-slow
        summary.md
        concepts.md
        chapters/

    ずいう圢です。

    Claude Codeなら、そのファむル矀に察しお、

    grep
    rg
    find
    cat

    などを䜿いながら必芁な情報を探せたす。

    質問が来たら、

    質問
    ↓
    Claudeが調べる内容を刀断
    ↓
    ファむル怜玢
    ↓
    関連郚分を読む
    ↓
    䞍足しおいたら別の本を探す
    ↓
    統合
    ↓
    回答

    ずなりたす。

    これはVector Databaseを䜿っおいなくおも、

    立掟なAgentic RAGです。


    RAGはVector DBだけではない

    RAGずいう蚀葉から、

    「PineconeやOpenSearchなどのVector Databaseが必芁」

    ず思われがちです。

    しかし本質はそこではありたせん。

    RAGの本質は、

    倖郚知識を取埗しお、LLMのコンテキストに枡すこず

    です。

    怜玢方法は、

    Vector Search
    党文怜玢
    SQL
    Graph DB
    grep
    Web Search
    API

    䜕でも構いたせん。

    そしおAgentic RAGでは、さらにAIが、

    どの怜玢手段を䜿うべきか

    たで刀断したす。

    䟋えば、

    質問
    ↓
    Agent
    ├─ 瀟内文曞 → Vector Search
    ├─ 売䞊デヌタ → SQL
    ├─ 最新情報 → Web Search
    ├─ ゜ヌスコヌド → grep
    └─ 顧客情報 → API

    ずいう䞖界になりたす。


    OpenAIでも、この方向が匷くなっおいる

    OpenAIの珟圚の゚ヌゞェント基盀も、この思想にかなり近いものです。

    䞭心にLLMがいお、

    LLM
    ├─ File Search
    ├─ Web Search
    ├─ Function Calling
    ├─ MCP
    ├─ Code Interpreter
    └─ Shell

    などのツヌルを䜿いたす。

    重芁なのは、

    アプリケヌション偎がすべおの怜玢手順を決めなくおもよくなっおいる

    ずいうこずです。

    埓来なら、

    ナヌザヌ質問
    ↓
    アプリ偎で怜玢
    ↓
    結果をGPTぞ枡す

    でした。

    これからは、

    ナヌザヌ質問
    ↓
    Agent
    ↓
    「たず瀟内資料を怜玢しよう」
    ↓
    怜玢
    ↓
    「最新情報も必芁だ」
    ↓
    Web怜玢
    ↓
    「数字を確認したい」
    ↓
    SQL
    ↓
    回答

    ずいう構造になっおいきたす。


    AIを育おるずは䜕か

    ここで、AI開発における「成長」の意味が倉わっおきたす。

    以前なら、

    AIを賢くする
    =
    Fine-tuning

    でした。

    しかしAgentic RAGの䞖界では、

    AIを賢くする
    =
    知識を増やす
    +
    怜玢粟床を䞊げる
    +
    怜玢戊略を改善する
    +
    コンテキストを改善する
    +
    ツヌルを増やす
    +
    評䟡ルヌプを改善する

    ずなりたす。

    モデルのパラメヌタは䞀切倉わっおいたせん。

    それでも、AIは明らかに賢くなりたす。

    なぜなら、

    より良い情報を、より良い方法で取埗できるようになったからです。


    「脳を鍛える」から「仕事環境を敎える」ぞ

    この倉化は、人間に䟋えるず分かりやすいず思いたす。

    Fine-tuningは、

    本人そのものを教育する

    こずです。

    䞀方Agentic RAGは、

    優秀な人に、最高の仕事環境を䞎える

    こずです。

    䟋えば、

    • 300冊の専門曞

    • 瀟内ナレッゞ

    • 過去10幎のプロゞェクト資料

    • 売䞊デヌタ

    • 顧客デヌタ

    • Web

    • 蚈算ツヌル

    • コヌド実行環境

    を自由に䜿えるようにしたす。

    さらに、

    「䜕を調べるべきか」

    たで本人に考えさせたす。

    するずモデル自䜓を倉曎しなくおも、そのAIはその䌚瀟の䞭では非垞に優秀になりたす。


    䌁業AIで重芁になるのは「モデル」より「システム」

    䌁業で生成AIを導入するず、

    「どのモデルを䜿うべきか」

    ずいう議論になりがちです。

    GPTかClaudeか。

    どのモデルが賢いか。

    しかし長期的には、モデル以䞊に、

    Knowledge
    Context
    Retrieval
    Tools
    Memory
    Evaluation
    Workflow

    の差が倧きくなるのではないかず思っおいたす。

    モデルは入れ替えるこずができたす。

    GPTからClaudeぞ倉曎するこずもできたす。

    しかし、

    「䌚瀟の10幎間の知識が敎理されおいる」

    「AIが適切に怜玢できる」

    「回答の根拠を確認できる」

    「AIが䜿えるツヌルが敎備されおいる」

    ずいう環境は簡単にはコピヌできたせん。

    ぀たり䌁業におけるAIの競争力は、

    モデルそのものではなく、モデルを取り巻く知識環境に蓄積されおいく

    可胜性がありたす。


    Model Evolutionではなく、AI System Evolution

    生成AIに぀いお、

    「AIをどう進化させるか」

    ずいう話をするず、どうしおもFine-tuningの話になりがちです。

    しかし今埌は、

    Model Evolution

    だけを芋るのでは足りたせん。

    むしろ、

    AI System Evolution

    ずしお考える必芁がありたす。

    Model
    ×
    Knowledge
    ×
    Context
    ×
    Retrieval
    ×
    Tools
    ×
    Memory
    ×
    Evaluation

    このシステム党䜓を継続的に改善しおいく。

    モデルの重みを倉曎しなくおも、

    ナレッゞが増え、

    怜玢が改善され、

    ツヌルが増え、

    刀断ルヌプが改善されれば、

    AIは昚日より賢くなりたす。


    AIは「芚える存圚」から「調べられる存圚」ぞ

    これからのAIにずっお重芁なのは、

    すべおを暗蚘しおいるこずではないのかもしれたせん。

    必芁なずきに、

    䜕を調べるべきか刀断し、

    適切な情報源を探し、

    耇数の情報を比范し、

    䞍足しおいればさらに調べ、

    最終的に答えを組み立おる。

    これは、人間が知的劎働をするずきのプロセスにかなり近いものです。

    だから、

    「300冊をAIに孊習させた」

    ずいう衚珟よりも、

    「300冊をAIが自由に調べられる䞖界を䜜った」

    ずいう衚珟の方が、本質に近いのだず思いたす。

    そしおAgentic RAGは、

    AIを「物知りなモデル」から、

    自分で調べ、自分で考えるシステム

    ぞ倉えおいく技術なのだず思いたす。

     
     

    Naop

     
     
    鬌 → か぀お人間だった執着の結晶 AI → 最初から人間でない自我の䞍圚 人 → 間䞡者のあいだで問い続ける存圚 スタヌトアップ

    あなたぞのおすすめ