M365.FM · 日本語
Embeddingsだけでは足りない理由:BM25・Reranker・セマンティックキャッシュによるHybrid RAG
ベクターデータベースを構築し、ドキュメントを取り込み、予算も使った。それでも Copilot のハルシネーションは止まらない。原因はモデルではなく検索戦略にあることがほとんどです。Embeddings が返すのは「似ているもの」であって「正しいもの」ではありません。このエピソードでは、BM25、ベクター検索、セマンティック再ランキングを組み合わせたハイブリッド RAG アーキテクチャで、企業に必要な精度を実現する方法を解説します。
▶ Embeddingsだけでは足りない理由:BM25・Reranker・セマンティックキャッシュによるHybrid RAG(AI吹き替え)
このエピソードで学べること:
- Top-K の罠:数学的な類似性がビジネス上の関連性と異なる理由と、純粋なベクター検索が製品コード、SKU、社内プロジェクト名で失敗する理由
- ハイブリッドという標準:BM25 キーワード検索とベクター検索を組み合わせて再現率を 17% 高め、専門用語も確実に見つける方法
- Azure AI Search の L2 Reranker によるセマンティックランキング:Bing 由来のクロスアテンションモデルが正解を 8 位から 1 位へ引き上げる仕組み
- 精度を手頃なコストで:セマンティックキャッシュで LLM 呼び出しを 60~80% 削減し、Reranker は複雑なクエリにだけ使う
- ガバナンスのギャップと 2026 年のロードマップ:エージェント型 RAG、GraphRAG、そして最初の一歩としての検索監査
このエピソードは、Microsoft MVP Mirko Peters による M365 Show のアニメーション動画をAIで吹き替えた日本語版です。