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)
Download and listen anywhere
Download your favorite episodes and enjoy them, wherever you are! Sign up or log in now to access offline listening.
Description
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。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RAG プロジェクトをパイロットから本番へ進めたい...
show moreThis episode includes AI-generated content.
Information
| Author | Mirko Peters M365, Azure & AI |
| Organization | m365 FM |
| Website | - |
| Tags |
Copyright 2026 - Spreaker Inc. an iHeartMedia Company
Comments