AI901-Concept#55-3
注: この問題は、同じ前提を持つ一連の問題の一部です。それぞれの問題には異なる解決策が提示されます。
前提
ある企業が社内 FAQ 約 5 万件を対象に、ユーザーの質問に最も関連する FAQ を自動取得する検索システムを Microsoft Foundry SDK と Azure OpenAI で構築しています。キーワード一致では言い換えや概念検索が拾えないため、意味検索が必要です。
解決策
vector index 上で類似検索した上位 10 件を取得し、Azure AI Search の semantic ranker または LLM ベースの再ランカでさらに並び替えてから上位 3 件を最終結果としてユーザーに提示します。
この解決策は目的を満たしますか?
解説
【判定: はい】の理由
ハイブリッド検索 + 再ランキング (re-ranking) は RAG の精度を実用レベルへ引き上げる Microsoft 推奨パターンです。embedding ベース検索は recall が高い反面 precision が劣る傾向があるため、上位 K 件を取った後で semantic ranker や LLM-as-reranker でさらに並び替えることで、最終提示の品質を大幅に改善できます。Azure AI Search は semantic ranker をマネージドで提供し、Foundry の RAG パイプラインから直接呼び出せます。レイテンシとコストの増加は限定的で、検索精度向上のトレードオフとして妥当です。
【「いいえ」が違う理由】
本ソリューションは検索精度向上の標準テクニックで、Foundry / AI Search が公式サポートしています。「目的を満たさない」と判断する根拠はありません。
ハイブリッド検索 + 再ランキング (re-ranking) は RAG の精度を実用レベルへ引き上げる Microsoft 推奨パターンです。embedding ベース検索は recall が高い反面 precision が劣る傾向があるため、上位 K 件を取った後で semantic ranker や LLM-as-reranker でさらに並び替えることで、最終提示の品質を大幅に改善できます。Azure AI Search は semantic ranker をマネージドで提供し、Foundry の RAG パイプラインから直接呼び出せます。レイテンシとコストの増加は限定的で、検索精度向上のトレードオフとして妥当です。
【「いいえ」が違う理由】
本ソリューションは検索精度向上の標準テクニックで、Foundry / AI Search が公式サポートしています。「目的を満たさない」と判断する根拠はありません。
コメント