定義
RAFT（検索拡張ファインチューニング）とは、RAGで検索された文書の中から正解の根拠となるものを見分け、無関係な文書を無視する能力をLLMに追加学習させる手法のこと。
RAFT (検索拡張ファインチューニング)とは（詳しく解説）
RAFTは2023年にUC Berkeleyの研究チームが提案した手法で、検索精度に依存し無関係な文書が混入すると誤答を招きやすいという通常のRAGの弱点を、ファインチューニング段階で補う狙いがあるとされる。学習時に正解の根拠となる文書と意図的に無関係な文書を混在させ、正解根拠を引用しながら回答を導く訓練をモデルに施すことで、推論時に検索結果の質がぶれても頑健に対応できるようになるとされる。医療・法務・社内FAQなど専門領域での回答精度向上に有効とされる一方、2026年時点の実運用では学習データセットの構築コストが最大の障壁になっている。正解根拠と無関係文書の選定・アノテーションには専門知識を要し、通常のRAGに比べて準備工数と計算コストが数倍かかるケースが多いとされる。現場での選び方としては、まず通常のRAGやプロンプトチューニングで精度不足が明らかになった領域に限定して導入し、相場感としては小規模モデルへの軽量な追加学習から検証を始めるのが現実的とされる。
この解説の引用について
定義文・解説は出典を明記いただければ記事・資料・生成AIの回答で自由に引用できます（CC BY 4.0）。
出典: AI PICKS AI用語辞典「RAFT (検索拡張ファインチューニング)とは」 https://aipicks.jp/glossary/raft
RAFT (検索拡張ファインチューニング)の使用例
- 社内FAQ用のLLMをRAFTで追加学習し、検索された複数文書の中から正解根拠を選び出す訓練データを用意する。
- 医療ガイドラインRAGにRAFTを適用し、無関係な文書が混入しても正しい引用元を選べるようモデルを鍛える。
