RAG（検索拡張生成）の技術パイプライン

RAGは、①文書のチャンク分割とベクトル化（事前準備）、②ユーザーの質問に基づく関連チャンクの検索（Retrieval）、③抽出文書をプロンプトのコンテキストに注入してLLMが回答生成（Generation）という一連のパイプラインで構築されます。 ア：誤りです。モデルの重みを更新する事前学習やファインチューニングとは異なり、RAGはモデルの重みを変更せずに入力プロンプトに関連情報を動的に注入する手法です。 イ：誤りです。長大な文書をそのまま入れるとコンテキスト長制限やノイズ増加を招くため、チャンク分割とベクトル類似度検索が必須となります。 ウ：誤りです。検索結果の生文書をそのまま返すのではなく、LLMが検索された情報を読み解いて自然な回答文章を生成します。 エ：正解です。チャンク分割、ベクトル検索（Retrieval）、プロンプト注入による回答生成（Generation）というRAGの標準的パイプラインを正確に説明しています。

社内独自データや最新情報をLLMに参照させて回答精度を高める「RAG（Retrieval-Augmented Generation：検索拡張生成）」の仕組みに関する記述として、最も適切なものを1つ選択してください。

出典生成AIパスポートオリジナル模擬試験
ア
社内文書をモデルの事前学習用データセットに混入させ、数ヶ月の計算時間をかけて基盤モデルの数千億パラメータをゼロから再学習させる技術のことである。
イ
社内文書を小さな断片（チャンク）に分割することなく巨大ファイル全体をそのままプロンプトに貼り付けるため、ベクトル埋め込み（Embedding）や類似度検索は一切不要である。
ウ
RAGパイプラインを導入すれば、LLMによる文章生成ステップを完全に省略して、全文検索エンジンの検索結果生ログのみを直接ユーザー画面に返却できる。
エ
社内文書等の外部知識を適切なサイズ（チャンク）に分割してベクトル化し、ユーザーの質問ベクトルとの類似度検索（コサイン類似度等）で関連チャンクを抽出し、それらをLLMのプロンプトに文脈情報として付与して回答を生成させる技術である。