生成AIの弱点を補う「RAG(検索拡張生成)」、防災や護岸工事への応用:“土木×AI”で起きる建設現場のパラダイムシフト(42)(1/2 ページ)
今回は、土木分野で導入が進む「RAG(検索拡張生成)」の仕組みと最新事例を紹介します。一般的な生成AIでは不十分な専門知識を補い、根拠のある回答を生成するRAG。土木分野の最新論文から、防災計画の改定支援や港湾工事の作業量算定、技術継承など、実務への応用可能性を探ります。
「RAG(Retrieval Augmented Generation:検索拡張生成)」※1の利用が広がっています。生成AIは、一般的な会話や資料作成ではかなり高い水準の結果を出せるようになっていますが、専門的な分野では必ずしも十分な学習をしているとは限りません。一方で、専門的な知見の生成では、精度や根拠、信頼性が重要となります。そこで、専門的な資料やデータなどを検索し、根拠をたどれる形で知見を生成するRAGが注目されています。
※1 古閑俊廣(BFT)「ビジネスパーソンのためのIT用語基礎解説:ハルシネーションを抑える「RAG」の仕組みや効果を学ぼう」『@IT』2026年2月2日公開
★連載バックナンバー:
本連載では、土木学会 構造工学でのAI活用に関する研究小委員会で副委員長を務める阿部雅人氏が、AIと土木の最新研究をもとに、今後の課題や将来像について考えていきます。
専門的知見を補う「RAG」の仕組み
下図は、RAGの基本的な構成です※2。質問(クエリ)に対して最も近い記述を検索できるように、資料を小さく分割します。分割した単位は「chunk(チャンク)」と呼ばれます。チャンクやクエリはベクトル化(エンベディング)され、そのベクトルの類似度から関連情報を検索して回答を生成します。AIに読み込ませるデータは、Markdown(マークダウン、拡張子は.md)という形式のファイルに変換するのが一般的です。
※2 「大規模言語モデルの動向と利活用に向けた検討」杉崎光一,全邦釘,阿部雅人/AI・データサイエンス論文集5巻3号p220-230/「科学技術情報発信・流通総合システム(J-STAGE)」/2024年
RAGで精度の高い回答を得るには、チャンクの設計が重要と知られています。チャンクの範囲が広すぎず狭すぎず、回答に適した知見が過不足なく含まれる分割になっていると良いわけです。
文献3では、地域防災計画に対する質疑応答が可能なRAGを構築しています※3。下図のように、目次の階層を考慮して計画をチャンク化(チャンキングとも言います)しています。地域防災計画は、細分化された項目ごとに内容が整理されているため、このようなチャンク化が有効と考えられます。また、技術的な資料では、重要な知見が図表で示されることも多いため、文献4では図表抽出に着目して検討しています※4。
Copyright © ITmedia, Inc. All Rights Reserved.

