ソースグラウンディング（ソースグラウンディング）
LLMの出力を検証可能な外部情報源に紐づけ、事実に基づいた回答を生成させる技術。ハルシネーション（事実と異なる内容の生成）を抑制するため、モデルの回答を実在するドキュメント・データベース・APIの情報に「接地」させることを目的とする。
ソースグラウンディングとは
ソースグラウンディング（Source Grounding）は、LLMの生成内容を外部の信頼できる情報源に「接地（ground）」させる技術の総称である。LLMが持つパラメトリック知識（学習済みの重みに埋め込まれた情報）だけでなく、検索や参照によって得られるノンパラメトリック知識を活用することで、回答の事実性と検証可能性を向上させる。
Google Cloud の Vertex AI、Amazon Bedrock の Knowledge Bases、Azure OpenAI の On Your Data など、クラウドLLMサービスはいずれもグラウンディング機能を標準搭載している。
パラメトリック知識 vs ノンパラメトリック知識
| 特性 | パラメトリック知識 | ノンパラメトリック知識 |
|---|---|---|
| 格納場所 | モデルの重み（パラメータ） | 外部データベース・ドキュメント |
| 更新方法 | 再学習（Fine-tuning） | ドキュメント更新（即時反映） |
| 鮮度 | 学習カットオフ日まで | リアルタイム可能 |
| 検証可能性 | 困難（ブラックボックス） | 容易（ソース参照可能） |
| ハルシネーション | 発生しやすい | 抑制可能 |
| コスト | 推論のみ | 推論 + 検索コスト |
グラウンディングの実装パターン
パターン1: 検索グラウンディング（Search Grounding）
Google検索やBing検索を使って最新のWeb情報にグラウンディングする方式。Google Gemini APIの「Google Search Grounding」やOpenAIの「Web Browsing」が代表例。
- 利点: 最新情報にアクセス可能、事前のデータ準備不要
- 欠点: 検索品質に依存、社内機密情報には使えない
- コスト: 検索API呼び出し分（$5〜$15/1,000クエリ程度）
パターン2: ドキュメントグラウンディング（Document Grounding）
社内文書・マニュアル・ナレッジベースをベクトルDBに格納し、RAGパイプラインでグラウンディングする方式。エンタープライズ用途の主流。
- 利点: 社内情報に対応、情報源の管理が可能
- 欠点: ベクトルDB構築・維持のコストと運用負荷
- コスト: ベクトルDB + 埋め込みモデル + 検索インフラ
パターン3: データベースグラウンディング（Database Grounding）
構造化データ（SQL DB、スプレッドシート等）に対してText-to-SQLやAPIコールでグラウンディングする方式。正確な数値データが必要な業務（財務、在庫管理等）に最適。
- 利点: 数値の正確性が高い、構造化クエリで厳密な回答
- 欠点: Text-to-SQL の精度問題、スキーマ理解のプロンプト設計
- コスト: DB接続 + クエリ実行コスト
パターン4: マルチモーダルグラウンディング
画像・動画・音声などのマルチモーダルデータにグラウンディングする方式。Google Gemini 1.5 ProやGPT-4oのビジョン機能で画像内のテキストや図表を参照し、回答に活用する。
クラウドサービスのグラウンディング機能比較
| サービス | 機能名 | 対応ソース | API料金 |
|---|---|---|---|
| Google Vertex AI | Grounding with Google Search | Google検索, 独自データストア | 検索$35/1,000クエリ |
| Amazon Bedrock | Knowledge Bases | S3, Web Crawler, Confluence | 検索$0.035/1,000チャンク |
| Azure OpenAI | On Your Data | Azure AI Search, Blob Storage | AI Search料金に準拠 |
| Cohere | Grounded Generation | Web検索, 独自ドキュメント | Enterprise契約に含む |
グラウンディングの評価
Groundedness Score（接地性スコア）
生成された回答のうち、提供されたソースで裏付けられる主張の割合。Azure AI Content Safetyなどのサービスが自動評価機能を提供。
計算式：
Groundedness = (ソースで裏付けられた主張の数) / (全主張の数) × 100
実用上の目標値
- 医療・法務: 95%以上（誤情報のリスクが高い）
- カスタマーサポート: 85%以上
- 一般的なQ&A: 75%以上
- クリエイティブ用途: 測定対象外（創造性が目的）
FAQ
Q1: グラウンディングとRAGは同じもの？
A1: RAGはグラウンディングの実装手法の一つ。グラウンディングは「LLMの出力を外部情報に基づかせる」という広い概念で、RAG以外にもTool Use（API呼び出し）やFine-tuning with Citationなどの手法を含む。
Q2: グラウンディングを導入するとレイテンシはどれくらい増える？
A2: 検索グラウンディングで200〜500ms、ドキュメントグラウンディング（ベクトル検索）で50〜200msの追加レイテンシが一般的。ストリーミング出力と組み合わせれば、体感上の遅延は最小限に抑えられる。
Q3: グラウンディングなしのLLMはもう使わない方がいい？
A3: 用途による。コード生成、翻訳、要約、クリエイティブライティングなど、モデルのパラメトリック知識で十分なタスクにはグラウンディング不要。事実確認が重要なQ&A、リサーチ、レポート生成ではグラウンディング必須。