大規模言語モデル（LLM）の外部知識活用を担うRAG（検索拡張生成）に、人間の脳の記憶メカニズムを模倣した新手法「HippoRAG」が登場した。Amazon BedrockやグラフデータベースのAmazon Neptune、ベクトル埋め込み技術を組み合わせ、単なる類似度検索を超えた連想的な情報検索が可能になる。この技術をAWSのマネージドサービス群で実装できる点が、エンタープライズ領域での採用を加速させる可能性がある。

海馬に着想を得た二段階の記憶検索

HippoRAGの中核は、脳の海馬が担う記憶のインデックス化と検索プロセスを模倣している点にある。従来のRAGは文書とクエリのベクトル類似度に依存し、複数の情報を横断する推論が困難だった。HippoRAGは第一段階で知識グラフを構築して概念間の関係を永続化し、第二段階でPersonalized PageRankアルゴリズムを用いてクエリに関連する周辺ノードを活性化する。この二段構えにより、直接的なキーワード一致に依存せず、文脈や関連性に基づく検索が実現する。

AWSでの実装が意味するエンプラ対応の完了

今回の実装例では、LLM実行基盤にAmazon Bedrockを、構造化ナレッジの保存先にAmazon Neptuneを使用している。Neptuneは完全マネージドのグラフデータベースで、スケーラビリティやセキュリティが求められるエンタープライズ用途に適応しやすい。また、Neptune AnalyticsのPersonalized PageRank機能により、パーソナライズされたグラフ拡散処理をインフラストラクチャ側で実行できる。これにより、研究段階のアルゴリズムが、運用負荷の高い企業システムに組み込み可能な形で提示された意味は大きい。

RAG競争の軸は精度から想起能力へ

RAG技術をめぐる開発競争は、単純な回答精度から、必要な情報をいかに網羅的かつ関連性高く「想起」できるかという段階に移りつつある。HippoRAGの登場は、Graph RAGやKnowledge Graphを活用した検索強化手法が、ベンチマークだけでなく実際のクラウドサービスを通じて提供され始めたことを示す。ベクトル検索を提供するベンダー各社にとって、グラフ技術や推論アルゴリズムとの融合が次の差別化要因になるとみられる。

複数文書の横断推論に応用広がる

HippoRAGが威力を発揮するのは、法律文書の相互参照、創薬における文献横断、複数システムに分散した社内規定の整合性確認といった分野だ。単一文書の検索では対応しきれない、複数ソースをまたいだパスファインディング（経路推定）が可能になる。Amazon Titan Embeddingsによる埋め込み生成と組み合わせることで、非構造化テキストから構造化グラフへの変換と、そのグラフ上での探索的推論が一本のパイプラインとして動作する点も開発者にとっての利点である。