定義

拡張モデルとは、元のトレーニングデータを超えた外部の動的または独自の知識ソースによって強化または補完された人工知能システム、または基盤モデル（LLMなど）を指します。モデルは、事前学習中に学習したパターンだけに頼るのではなく、リアルタイムまたは特定のコンテキストを積極的に検索、処理、組み込むことで、より正確で、関連性が高く、根拠のある出力を生成します。

なぜ重要か

従来のモデルは、知識のカットオフやハルシネーション（もっともらしいが誤った情報を生成すること）に悩まされています。拡張はこれらの制限に直接対処します。モデルを検証可能で最新の外部データに根付かせることで、企業は信頼性が高く、コンテキストを認識し、特定の運用ニーズに関連するAIを展開できます。

仕組み

中核的なメカニズムは、多くの場合、検索拡張生成（RAG）を伴います。ユーザーがクエリを送信すると、システムはまず専門の知識ベース（内部ドキュメント、データベース、ライブAPIなど）に問い合わせます。次に、検索された関連情報スニペットがプロンプトのコンテキストの一部としてコア言語モデルに渡されます。モデルはこの提供されたコンテキストを使用して回答を構成し、本質的に固有の知識を「拡張」します。

一般的なユースケース

• エンタープライズQ&A： 従業員が内部ポリシー文書や技術マニュアルを高い精度で照会できるようにします。
• リアルタイムデータ分析： カスタマーサービスエージェントに最新の在庫状況や市場動向を提供します。
• ドメイン固有のチャットボット： 特定のテキストに対する正確性が最も重要となる法律や医療などの分野に特化したアシスタントを作成します。

主な利点

• ハルシネーションの低減： 回答を検証可能な情報源に根付かせることで、事実誤認のリスクが大幅に低減します。
• 適時性： モデルは数分前に更新されたデータにアクセスし利用できるため、静的なトレーニングデータの限界を克服します。
• ドメイン特化性： 一般的なモデルが狭く独自のビジネスドメイン内で専門的なタスクを実行できるようにします。

課題

• 検索の品質： システム全体の有効性は、検索されたドキュメントの品質と関連性に大きく依存します。
• レイテンシ： 多段階のプロセス（クエリ、検索、生成）は、応答時間にわずかな増加をもたらす可能性があります。
• インフラストラクチャの複雑性： 強力なベクトルデータベースと検索パイプラインを実装および維持するには、専門的なエンジニアリングが必要です。

関連概念

ベクトルデータベース、検索拡張生成（RAG）、ファインチューニング、ナレッジグラフ統合