ビジネスデータは曖昧ではありません。曖昧なものとして検索するのはやめましょう。

ベクトルRAGは"sales in France"に類似度で答えます。Structured RAGは都市の列をwikipediaの国テーブルにリンクするので、質問は読めるSQLの結合になります。

デモを予約

検索の4つのレベル

AIは"sales in France"にどう答えるか

同じ質問を、4つの検索レベルで。答えを確認できるのは最後の1つだけです。

LLMが質問をSQLに変換

たとえば、CSVに都市の列はあっても国の列はないとします。都市の列にはParisとStrasbourgがありますが、絞り込みに使える国の列がありません。"France"はデータになく、クエリを書けません。

完全に失敗

類似度によるベクトル検索

各都市をベクトル埋め込みに変換して"France"を検索します。ParisとStrasbourgはフランスらしく見えるので返ってきます。Strasbourgの隣にあるドイツの町Kehlも返ってくることがあります。検索のどこにも、都市がどの国にあるかを示すものはありません。

ときどき失敗

LLMが類似ベクトルを使って回答

上の検索で最も近い行をLLMに渡すと、たいてい正しい合計を返します。しかし、どの都市がフランスとして数えられたかは見えません。幻覚を起こしたり間違った情報源を使ったりすることもありますが、信じるしかありません。

成功するがブラックボックス

PrereasonerがSQLクエリを生成

都市の列はキーで国のテーブルにつながります：city → country → currency。"Sales in France"はSQLの結合になり、Kehlは除外され、クエリと一致した行が回答と一緒に返ってきます。

透明性を保って成功

自社の参照テーブル

自社の参照テーブルで解決

自社の参照テーブル

goldやplatinumなどの値を持つtier列は、自社の顧客ランクのテーブルにあります。それをアップロードすれば、"revenue from platinum customers"はキーで結合されます。

真っ向勝負

Structured RAG vs ベクトルRAG

構造化データで	ベクトルRAG	Structured RAG
文字列の列の使われ方	ベクトルに埋め込み	キーで参照テーブルにリンク
検索の仕組み	最近傍の類似度	SQLの結合
"Kehl"（Strasbourg近くのドイツの町）	含まれることがある	結合によって除外
行が返された理由	類似度スコア	SQL内の結合
非公開の参照テーブル	再埋め込み	キーで結合
合計を計算するもの	LLM	データベース

仕組み

型付け、リンク、結合、返却

01 型付け

各列に名前を付ける

Prereasonerが各列の中身を判別します。

02 リンク

外部キー

city → country → currency、または tier → 自社のtierテーブル。各リンクは参照テーブルのキーです。

03 結合

SQLクエリ

質問は、それらのテーブルをまたぐSQLの結合になります。

04 返却

クエリ付き

行と、それを返したSQLが手に入ります。

無料で始める

テキストの列は曖昧ではありません。曖昧なものとして検索するのはやめましょう

自分のCSVで試してください。必要なときに参照テーブルを追加できます。

CSVで試す