数千万ドキュメント規模の巨大エンタープライズRAG：検索速度と精度を両立させるハイエラキー型インデックス

はじめに

こんにちは、NKKTech Global 技術チームです。

企業のDXが進むにつれ、RAG（Retrieval-Augmented Generation）が扱う対象は、特定の部署のマニュアルから「全社的な巨大公文書ストレージ」へと拡大しています。数千万件ものドキュメントを対象にする場合、以下の2つの大きな壁にぶつかります。

これらの課題を解決する、階層的なアプローチを用いた「ハイエラキー型インデックス」の設計手法を解説します。

多くのRAG実装では、ドキュメントを一定の長さで分割（チャンク化）し、すべてを同じベクトル空間に展開します。しかし、1,000万件を超えるチャンクが存在する場合、クエリに対して「数学的には近いが、文脈的には無関係な回答」が大量にヒットしてしまいます。

これを避けるには、**「まずどのあたりを探すべきか」という大まかな絞り込み（Global）と、「その中の詳細な情報はどこか」という深い探索（Local）**を分ける必要があります。

NKKTech Globalが推奨する階層型インデックスの構造は、大きく分けて以下の3つのレイヤーで構成されます。

ドキュメント全体、あるいはフォルダ単位、プロジェクト単位の「サマリ（要約）」をベクトル化し、上位のインデックスとして保持します。

各ドキュメントを、意味的なまとまり（章、節、段落など）で比較的大きく分割したものです。

親チャンクをさらに細かく分割した、数行単位の小さな断片です。

階層構造を活かすために、以下の2つの技術を組み合わせます。

巨大規模では、ベクトル検索だけでは「製品番号」や「固有名詞」を正確に拾えません。キーワード検索（BM25）で候補を絞り、ベクトル検索で意味的な類似度を補完するハイブリッド構成が必須です。

初期検索（Retrieval）で得られた上位50〜100件の候補を、より高性能なモデル（BGE-Reranker等）で再評価します。

数千万件のデータをベクトルデータベース（Pinecone, Milvus, Weaviate, OpenSearch等）に保持すると、コストが指数関数的に増大します。

ドキュメントの数が1,000万件を超えた時、RAGはもはや単なる「チャットボットの付録」ではなく、高度な検索エンジニアリングの領域となります。ハイエラキー型インデックスを導入することで、巨大なデータの中に眠る「真の正解」を、ミリ秒単位で引き出すことが可能になります。

NKKTech Globalでは、グローバル企業の膨大なナレッジベースをAI化するための、スケーラブルなRAGアーキテクチャ設計・構築を得意としています。

数千万件規模のドキュメント検索、RAGの精度改善、あるいはスケーラブルなAIインフラの構築に関するご相談は、下記よりお気軽にお問い合わせください。

著者：NKKTech Global 技術チーム
私たちは、高度なエンジニアリング力で、データの海から価値ある洞察を引き出すグローバルパートナーです。