引言：コンピュータに意思決定をさせる？#
近年、「人工知能」という言葉をよく耳にします。特にチャットボットや自動翻訳ツールについて話すときに。しかし、コンピュータが人間のように複雑な意思決定を行えるかどうか考えたことはありますか？例えば、企業がどの都市に新しい工場を建設すべきか、または商業者がコストを削減するために在庫をどのように調整すべきか。このような問題は通常、大量のデータを分析し、具体的な状況に基づいて決定を下す必要があります。
今日、多くの大規模言語モデル（LLM）は、天気がどうかを尋ねたり、記事の要点をまとめたりするのが得意です。しかし、深い思考や多段階の意思決定を必要とする問題に直面すると、彼らは力不足になります。ほとんどの場合、彼らは取得した情報に基づいて直接答えを出すことしかできず、人間のように「次にどの分析ステップを考えるべきか」を「考える」ことができません。これが、今日私たちが話す PlanRAG 技術です。この技術の設計目標は、これらのモデルが質問に答えるだけでなく、賢い意思決定者のように段階的にデータ分析を行えるようにすることです。
PlanRAG の革新は、単に言語モデルを使用して質問に答えるのではなく、モデルが質問に答える前に「計画」を立てることを学ぶことです。これは、私たちが決定を下す前に「次にどのデータを調べるべきか」を考えるのと同じです。この計画を先に立て、次に情報を取得する思考方法により、モデルは複雑な意思決定の問題に直面したときにより良い対応ができるようになります。
次に、PlanRAG がどのように機能するのか、そしてそれが私たちにもたらす実際の応用について詳しく探っていきます。
PlanRAG とは？#
想像してみてください、あなたが工場の生産プロセスを計画するという複雑な問題を解決しなければならないとします。あなたは盲目的に操作を始めるのではなく、まずステップを計画し、どの情報が必要かを明確にし、その後データを収集し、最後に分析結果に基づいて決定を下します。PlanRAG はこのようなシステムの一種ですが、大規模言語モデル（LLM）に適用され、複雑な問題を解決する際に「先に計画し、次に実行する」ことを可能にします。
通常、大規模言語モデルは「検索強化生成（RAG）」と呼ばれる技術を使用して、外部から関連データを直接取得し、回答を生成します。しかし、PlanRAG は従来の方法をさらに進めています。単に情報を検索して生成するのではなく、まずモデルが全体の問題に対して初期計画を立て、どの情報とステップが必要かを明確にし、その後計画に基づいて質問をし、データを取得します。取得したデータが問題を解決するのに十分でない場合、モデルは計画を再調整し、データを引き続き検索し、決定を下すまで続けます。
例えば、シミュレーションビジネス環境のゲームで、あなたが商人を演じて、どの都市に商業拠点を設置して利益を最大化するかを決定する必要があると想像してみてください。PlanRAG の最初のステップは、この問題のために計画を作成することです。例えば、どの貿易ノードからデータを取得するかを特定し、その後、これらのノードの利益データを収集するためのクエリを生成します。次に、モデルはこれらのデータに基づいてどのノードが最も有利かを分析し、最終的な選択を行います。
PlanRAG の特異性は、単にデータを検索するのではなく、繰り返し考え、戦略を調整し、最適な解決策を見つけるまで続けることです。この計画と検索を組み合わせた方法は、モデルの複雑な意思決定におけるパフォーマンスを大幅に向上させます。
重要な問題：意思決定 QA（Decision QA）#
多くの実際のシナリオでは、意思決定は必ずしも簡単ではありません。企業管理、物流計画、日常生活の複雑な選択において、最適な解決策を見つけるためには通常、大量のデータ分析が必要です。意思決定 QA（Decision QA）は、PlanRAG 論文で提案された概念で、このような複雑な意思決定問題を解決するためのものです。
例えば、あなたが「ヴィクトリア 3」や「欧陸風雲 4」のようなシミュレーション経営ゲームをプレイしていると想像してみてください。ゲーム内で、あなたは商人をどの都市に派遣して貿易利益を増やすべきか、または工場でリソースを最も合理的に配分してコストを削減する方法を決定する必要があります。これらの決定を下すためには、各都市の経済発展状況、貿易流量、さらには他国の影響など、さまざまなデータを理解する必要があります。
意思決定 QA は、このような問題を解決するために使用されます。モデルは「商人をどこに派遣すべきか？」のような単純な質問に答えるだけでなく、各都市の経済状況や隣接国の影響など、背後にあるデータやルールを考慮する必要があります。これは一般的な QA システムとは異なり、通常のシステムは問題に基づいて回答を検索するだけですが、意思決定 QA はモデルが深く考え、データ分析を行う必要があります。
意思決定 QA の難しさは、それが単なる選択問題ではなく、データ、ルール、背景情報を深く理解する必要がある複雑な意思決定プロセスであることです。PlanRAG は、計画、検索、反復調整を通じて、モデルがこれらの複雑なシナリオでより良い選択を行うのを助けます。
PlanRAG の核心ステップ#
PlanRAG が独特なのは、大規模言語モデルが単純なデータクエリに依存するのではなく、一歩一歩の計画と反復を通じて複雑な意思決定問題を解決することです。全体のプロセスは、計画、データ検索、再計画の 3 つの重要なステップに分けられます。
1. 計画：モデルが計画を生成する方法#
複雑な問題に直面したとき、通常は決定を下すために必要な情報を明確にする必要があります。PlanRAG のモデルも同様で、問題に基づいて計画を生成し、どのデータを検索する必要があるかをリストアップします。このステップは、買い物リストを作成するのと似ています。あなたは直接スーパーに行くのではなく、まず何を買うべきかを考えます。
例えば、モデルが企業にどの市場に拡張すべきかを決定するのを助ける必要がある場合、まず各市場の競争状況と潜在的な利益を調べる計画を立てるかもしれません。
2. データ検索：計画に基づいて質問し、データを取得する#
明確な計画ができたら、モデルは次にその計画に基づいてデータベースに質問し、関連データを検索します。これは、買い物リストを持ってスーパーに行き、必要な商品を見つけるのと同じです。このプロセスでは、モデルは適切なクエリを生成し、意思決定に役立つ情報を取得します。
例えば、商人をどこに配置すれば最も利益が得られるかを決定する例では、モデルは各市場の取引流量と潜在的な利益を調べ、商人をどの位置に配置すれば最大の利益が得られるかを確認します。
3. 再計画：分析後に計画をさらに調整する#
時には、最初の計画が完璧ではなく、取得したデータが問題を完全に解決できない場合があります。このような場合、PlanRAG モデルは立ち止まり、取得したデータを再評価し、計画を調整する必要があるかどうかを決定します。これは、買い物リストに必需品を忘れたことに気づき、戻って追加して探し続けるのと似ています。
この再計画のプロセスは非常に重要です。なぜなら、モデルが複雑な問題に直面したときに、柔軟に分析方法を調整し、最適な解決策を見つけることができるからです。
他の方法との比較：なぜ PlanRAG が優れているのか？#
PlanRAG の利点を理解するために、まずそれが他の一般的な方法とどのように異なるかを見てみましょう。従来の方法、例えば反復検索強化生成（Iterative RAG）は、モデルが情報を何度も検索し、その検索結果に基づいて回答を生成することに依存しています。この方法は、単純な知識 QA 問題を処理する際に非常に効果的です。なぜなら、問題に直接関連する情報を見つけることに焦点を当てているからです。
しかし、問題は、複雑な意思決定シナリオに直面したとき、例えば複数のデータポイントに基づいて一連の分析と判断を行う必要がある場合、従来の方法はしばしば力不足になります。Iterative RAG は、計画やデータ推論を含む複数のステップを必要とするタスクを処理するのが得意ではありません。例えば、ゲームシナリオで最適な貿易ノードを選択する際、モデルはノードに関連するすべての情報を見つけるだけでなく、それらの情報を総合的に分析して正しい決定を下す必要があります。しかし、既存の方法では、このプロセスで単一の情報片しか見つけられず、全体の分析と計画を無視しがちです。
PlanRAG の突破口は、モデルに「まず計画を立てる」ことを要求する点にあります。モデルは、どのデータを検索し、どのように分析するかを計画することで、無駄に情報を検索することを避けることができます。そして、計画、検索、調整を繰り返すことで、モデルは自らの意思決定プロセスを徐々に改善することができます。これは、PlanRAG がより体系的で効率的であり、特に複数のデータ片を深く理解する必要がある複雑なタスクにおいて優れていることを意味します。
実験を通じて、PlanRAG は「意思決定 QA」において Iterative RAG よりも顕著な改善を示しました。「位置決定」シナリオでは、PlanRAG は 15.8% の精度向上を達成し、「建設」シナリオでも 7.4% の向上を示しました。これらの数字は、複雑なタスクにおけるその優位性を示しています。具体的には、PlanRAG は重要なデータを見つけるだけでなく、全体の意思決定プロセスを合理的に計画することで、意思決定の精度を大幅に向上させます。
簡単に言えば、PlanRAG はより詳細な意思決定者のようなもので、単に質問をするだけでなく、自分が何を質問すべきかを考え、回答に基づいて方向を修正し続けるため、複雑な意思決定シナリオでより良いパフォーマンスを発揮します。