はじめに
近年、急速に発展を遂げる AI 技術の中で、特に注目を集めているのが RAG（Retrieval Augmented Generation） です。
RAG は、大規模言語モデルをカスタマイズすることで、特定の領域に特化した、より精度の高い回答を生成できるため、様々な分野での活用が期待されています。
しかし、RAG を0から構築しようとすると、複雑なシステム設計や膨大なデータの設計など、多くのハードルが立ちはだかります。
そこで、Google Cloud が提供する Agent Builder が注目を集めています。
Agent Builder を利用すれば、コーディング不要 でRAG 環境を簡単に構築可能です。
Agent Builder とは
Google Cloud の Agent Builder は、自然言語をベースに、AI を利用したアプリケーションを素早く構築できるサービスです。
データの用意は必要ですが、実際にRAGを利用したアプリケーションが完成するまでざっくり２STEPです。
今回はサンプルとして、Qiitaの記事をいくつかダウンロードし、学習させてみました。
STEP1: データストアの作成
RAGの検索対象となるデータを一元管理するためのデータストアを作成します。
STEP1-1: データソースの選択
データソースの種類を選択します。
データソースの種類は多岐にわたり、今後も増えていく見込みです。
2025年1月現在は、以下の種類のデータソースが選択可能です。
今回はCloud Storageに配置したファイルをデータソースとして使用したいので、「Cloud Storage」を選択します。
STEP1-2: インポートするデータの設定 (Cloud Storage の場合)
インポートするデータの形式を指定します。
今回はHTMLファイルを使用しましたので、HTMLを選択します。
HTML以外にもJSONやPDFなど、様々な形式のデータに対応しています。
2025年1月現在はプレビュー機能ですが、データストアとの同期頻度をカスタマイズできるようになりました。
これにより、データソースの更新頻度に合わせて、最適な同期タイミングを設定し、データの整合性を保つことが可能になります。
注意点
インポートするフォルダまたはファイルが指定できますが、フォルダを指定する場合は、そのフォルダの直下に検索対象のファイルを配置する必要があります。
フォルダ内に階層構造があり、その中のファイルを全てインポートする、という事は現在出来ませんのでご注意ください。
STEP1-3: 構成の設定
データソースのリージョンを選択し、データストア名を設定します。
選択肢は現在 global（グローバル）, us（米国の複数のリージョン）, en（EUの複数のリージョン）のみです。
コンプライアンスや規制上の理由が無い場合は、global（グローバル）を選択することが無難です。
STEP2: アプリの作成
データストアを作成したら、そのデータソースを使用するアプリを作成します。
STEP2-1: アプリの種類
アプリの種類を選択します。
2025年1月現在、以下の種類のアプリが作成可能です。
今回はRAGを構築したいため、「ドキュメント検索」を選択します。
STEP2-2: 構成の設定（ドキュメント検索を指定する場合）
ドキュメント検索アプリの構成を設定します。
Enterpriseエディションや、高度なLLM機能は「高度な機能」と呼ばれます。
それぞれの設定については後述します。
アプリのロケーションについてはデータストアと同様、コンプライアンスや規制上の理由が無ければglobal（グローバル）を選択します。
STEP2-3: データストアの選択
データストアを選択します。
STEP1で作成したデータストアを選択し、作成を押下するとアプリケーションが自動的に作成されます。
高度な設定を使用しない場合
検索にヒットしたドキュメントが表示されます。
どの部分がヒットしたのかも、タイトルの下に表示されていますが、断片的な情報です。
高度なLLM機能 がONの場合
検索にヒットしたドキュメントとともに、その要約が生成AIの回答として表示されます。
Enterprise Edition がONの場合
検索にヒットしたドキュメントのうち、関連性の高い文章がタイトルの下に表示されます。
しかし、精度はあまり高くないような印象です。
出力結果
どちらの機能もONに設定すれば、検索結果の要約も、関連性が高い文章も取得可能です。
ただし、高度な設定のON/OFFは利用料金に関わるため、自身の用途に合った設定をお勧めします。
料金 | Vertex AI Agent Builder | Google Cloud