検索拡張生成を使用したLLMの補完

RAGを使用すると、LLMの使用時に直面する不正確さとハルシネーションを軽減できます。Oracle AI Vector Searchでは、DBMS_VECTOR_CHAIN PL/SQLパッケージまたは一般的なフレームワーク(LangChainなど)を使用して、Oracle Database内でRAGを有効にします。

• 検索拡張生成について
  Oracle AI Vector Searchは、エンタープライズ検索拡張生成(RAG)をサポートし、ベクトルをリレーショナル・データ、グラフ・データ、空間データおよびJSONコレクションと組み合せることができる高度な問合せを可能にします。
• SQL RAGの例
  このシナリオでは、ユーザー問合せに基づいて特定のドキュメント・コンテンツの類似検索を実行できます。ドキュメント・チャンクが取得されると、それらは連結され、取得したチャンクを使用してユーザーの質問に回答するようLLMに依頼するプロンプトが生成されます。
• Oracle AI Vector SearchとLangChainの統合
  LangChainは、大規模言語モデル(LLM)の高度な機能を利用するアプリケーションの構築を支援する、強力で柔軟なオープン・ソース・オーケストレーション・フレームワークです。
• Oracle AI Vector SearchとLlamaIndexの統合
  LlamaIndexは、カスタム・データで大規模言語モデル(LLM)を利用するアプリケーションを作成するプロセスを簡素化するために設計されたオープンソースのデータ・フレームワークです。基本的に、LlamaIndexは、カスタム・データ・ソースとLLM (Cohere CommandモデルやOpenAI GPTモデルなど)の間のブリッジとして機能します。
• RAG結果を向上させるのための再ランク付けの使用
  再ランク付けモデルは、検索結果の初期セットを再評価および並替えするために主に使用されます。これにより、類似検索シナリオと検索拡張生成(RAG)シナリオの両方で検索結果の関連性と品質が向上します。