RAGの種類

前回、RAGの種類をとりあえず書き出したものの、自分でも何がなんだかわからない記事になった。そこでそんな状態をちゃんとわかりやすくして！とGPT4に依頼してまとめてもらった。
特に複数の生成AIの出力を総括してまとめていくには、こういうステップの処理が必要です。
今回はわかりやすい。

RAG（Retrieval-Augmented Generation）は、情報検索とテキスト生成を組み合わせた技術です。以下に、RAGの種類を定義とともにわかりやすくまとめます。

基本技術に基づいたRAGの分類

1. Knowledge-Based RAG (KB-RAG)

   • 定義: 事前に定義された知識グラフやデータベースから情報を取得し、生成するタイプのRAG。

   • 特徴: 定義済みの知識に基づいて正確な情報を提供。

2. Graph RAG (Graph-RAG)

   • 定義: ノードとエッジを用いて情報を表現し、グラフ構造からデータを取得して生成するRAG。

   • 特徴: エンティティ間の関係性を活用。

3. Document-Based RAG (Doc-RAG)

   • 定義: 大量の文書データベースから情報を取得し、必要な情報を基にテキストを生成するRAG。

   • 特徴: 広範な文書から関連情報を抽出。

4. Web RAG (Web-RAG)

   • 定義: インターネット上の情報源からリアルタイムでデータを取得し、それを基に生成するRAG。

   • 特徴: 最新情報の取得が可能。

検索方法に基づいたRAGの分類

1. Vector DB RAG

   • 定義: 文章をベクトルに変換し、ベクトルデータベースに保存して類似度検索を行うRAG。

   • 特徴: 高精度の類似度検索が可能。

2. GNN-RAG

   • 定義: グラフニューラルネットワーク（GNN）を使用して知識グラフから関連データを取得するRAG。

   • 特徴: 高度なグラフ構造解析能力。

出力形式に基づいたRAGの分類

1. Text-on-Graph (ToG) RAG

   • 定義: テキストをグラフ構造にマッピングし、検索と生成を行うRAG。

   • 特徴: グラフ構造に基づいた検索とテキスト生成。

2. Retrieval-on-Graph (RoG) RAG

   • 定義: グラフ構造を利用して検索を行い、その結果を基に生成を行うRAG。

   • 特徴: グラフ構造からの効率的な情報取得。

応用分野に基づいたRAGの分類

1. Domain-Specific RAG

   • 定義: 特定の分野（医療、法律、金融など）に特化したデータソースから情報を取得し、その分野に適した生成を行うRAG。

   • 特徴: 分野特化型の情報生成。

2. Real-Time RAG

   • 定義: リアルタイムのデータ（ニュース、ソーシャルメディアの投稿など）から情報を取得し、その瞬間に適した生成を行うRAG。

   • 特徴: 即時性が高い情報取得。

高度な技術に基づいたRAGの分類

1. Hybrid RAG

   • 定義: 複数のデータソース（知識ベースと文書データベースなど）を組み合わせて情報を取得し、生成するRAG。

   • 特徴: 多様な情報源を活用した多角的な情報生成。

2. Multi-hop RAG

   • 定義: 複数のステップを経て情報を取得し、複雑な質問に対応するRAG。

   • 特徴: 複数の情報源を連携して詳細な回答を生成。

3. Personalized RAG

   • 定義: ユーザーの過去の行動や好みに基づいて情報を取得し、パーソナライズされた生成を行うRAG。

   • 特徴: 個人化された情報生成。

これらの分類により、RAGの種類と特徴を明確に理解できます。各RAGは特定の応用や技術に適しており、用途に応じて選択することが重要です。

ちなみに日本語の得意なclaudeでまとめさせるとこんな感じ、パーソナライゼーションRAGの分類ができてないのがちょっといけてない。日本語は得意だけど要点をつかむ。勘所をつかむという点ではやはりGPT4に軍配が上がる。