すべてをグラフ化するのはやめよう:GraphRAGが実際にベクトルRAGを上回る時
Stop graphing everything: When GraphRAG actually beats vector RAG
従来のRetrieval-Augmented Generation (RAG) は、文書をチャンクに分割し、埋め込み、類似したものを検索してモデルに渡す手法だが、複数の文書にまたがる質問や全体的なテーマの把握には限界があった。GraphRAGは、文書内のエンティティと関係性を知識グラフとして構築し、その構造をコンテキストとして利用することで、この問題を解決しようとする。Microsoftの研究論文と4つの独立したベンチマーク研究によると、GraphRAGは特に複数の文書にまたがる質問や全体的な理解を求める質問に対して、ベクトルRAGよりも大幅に優れた性能を発揮する。例えば、包括性や多様性の比較で72%から83%の優位性を示し、マルチホップQAベンチマークではRecall@5が平均73.4%から87.8%に向上した。しかし、GraphRAGは万能ではなく、単純な事実検索ではベクトルRAGと同等かやや劣る場合もある。また、知識グラフの構築にはコストがかかるという課題もある。評価方法についても、LLMによる評価にはバイアスが存在する可能性が指摘されている。結論として、GraphRAGは、質問が複数の情報を結びつける必要がある場合や、広範なコーパスの理解が必要な場合に有効なツールであり、すべての質問に適用するのではなく、質問の種類に応じて適切な手法を選択するか、ハイブリッドアプローチを採用することが推奨される。
- Microsoftの研究論文と4つの独立したベンチマーク研究により、GraphRAGは複数文書にまたがる質問や全体理解を要する質問でベクトルRAGを大幅に上回る性能を示した(包括性・多様性で72%〜83%の優位性)
- マルチホップQAベンチマークにおいて、GraphRAGはRecall@5が平均73.4%から87.8%に向上した
- GraphRAGは単純な事実検索ではベクトルRAGと同等かやや劣る場合があり、知識グラフ構築のコストが課題として指摘された
GraphRAGとベクトルRAGの性能比較に関する知見は、RAGシステムを構築するAIスタートアップやエンタープライズAI市場の投資判断に有用。Microsoftの研究を中心に、複数文書横断的な質問ではGraphRAGがベクトルRAGを大きく上回るという定量的データは、AIインフラ・ナレッジ管理系ベンダーの技術選定動向を占う上で重要な指標となる。