グラウンディング
グラウンディング(grounding)とは、言語モデルの回答を、検索結果、文書、データベースなど、確認できる特定の情報源に結びつけることです。主張が学習データだけでなく、与えられた根拠に基づくようにします。
別名: grounded generation
執筆 Divya Sharma · 2026年11月15日確認 · レビューの方法
モデルはそれ自体では、学習中に覚えたパターンから答えます。その知識はナレッジカットオフで止まっており、間違っていたり作り話だったりすることがあります。グラウンディングは、回答時に関連する資料をモデルに与え、それに基づいて返答するよう求めるもので、多くの場合は引用を伴います。
なぜ重要か
Google Cloud のドキュメントは、グラウンディングをモデルの出力を検証可能な情報源に結びつける能力と定義し、その利点としてハルシネーションの削減と監査可能性の提供を挙げています。開発者にとって、グラウンディングがあるからこそ、ユーザーはリンクをたどって主張の出どころを確認できるのです。
どう行うか
- ウェブ検索:アプリケーションが検索を実行し、結果をモデルに渡します。 - 自社のデータ:検索拡張生成のように、ナレッジベースやベクトルデータベースから文章を取り出しま す。 - 構造化された情報源:データベースへのクエリや API 呼び出しで正確な数値を得ます。
そのうえでプロンプトで、与えた情報源だけに基づいて答え、情報源に答えがない場合はそう伝えるようモデルに指示します。
RAG との違い
RAG は、取り出してから生成するという、モデルをグラウンディングする方法の 1 つです。グラウンディングは、取り出す方法にかかわらず、出力を根拠までたどれるようにするという、より広い目標です。
限界
グラウンディングは誤りを減らしますが、なくしはしません。検索が間違った文章を返せば、モデルはそれを忠実に繰り返すかもしれません。また、モデルが与えられた事実と自分の思い込みを混ぜたり、回答の主張を裏付けない情報源を引用したりすることもあります。引用を確認し、ゴールデンデータセットで回答をテストすれば、どちらも見つけやすくなります。
関連用語
- 検索拡張生成(RAG)
- 検索拡張生成(retrieval-augmented generation、RAG)とは、システムがまず文書の集まりから質問に関連する文章を検索し、その文章を言語モデルに渡して、それに基づいて回答させるパターンです。
- ハルシネーション(AI)
- ハルシネーション(hallucination)とは、流暢で自信ありげに聞こえるものの、誤っている、情報源に裏付けられていない、あるいは作り話である AI モデルの出力です。架空の引用文献、発言、統計、API の関数などがその例です。
- ナレッジベース(AI)
- AI アプリにおけるナレッジベース(knowledge base)とは、ヘルプ記事、規程、製品ドキュメントなど、アシスタントやエージェントが質問に答えるために検索する文書とデータの集まりです。モデルそのものとは別に管理されます。
- ナレッジカットオフ
- ナレッジカットオフ(knowledge cutoff)とは、モデルが情報をほとんど、またはまったく持たなくなる境目の日付です。学習データがおおよそその時点までに集められたためです。それ以降の出来事は、プロンプトで与えない限りわかりません。
- AI 検索エンジン
- AI 検索エンジン(AI search engine)とは、クエリ に対してウェブ検索を行い、言語モデルで結果を読み、リンクの一覧だけでなく、情報源へのリンク付きの文章で回答を返す検索サービスです。