最近、従来のベクトルデータベースを支えとするRAGよりも、グラフRAGの利点に注目しています。ベクトルデータベースも素晴らしい機能を提供しますが、
正確なコンテキストを引き出すにはテキスト内に明示的な言及が必要です。それに対する回避策はいくつか存在し、過去の投稿で紹介しました。
例えば、ColBERTやMulti-representationといったモデルは、RAGアプリケーションを構築する際に有効です。グラフRAGは、情報を引き出す際に起こる問題が比較的少ないですが、完璧ではありません。推論が求められる情報検索では、グラフRAGはずば抜けた
性能を発揮します。
情報の適切なコンテキストを提示することで、大規模言語モデル（LLM）ベースのアプリケーションが直面する「幻覚」問題が解消されます。しかし、これによって幻覚が完全になくなるわけではありません。問題が完全に修正できないときは、測定が求められます。つまり、RAGアプリケーションをどのように評価するかがこの投稿の焦点です。
出典 : RAG Isn’t Immune to LLM Hallucination https://towardsdatascience.com/detecting-hallucination-in-rag-ecaf251a6633
