Google はこのほど、Gemini API のファイル検索機能に重大なアップグレードを実施したことを発表しました。これは開発者にさらに充実したマルチモーダル検索強化生成（RAG）能力を提供することを目的としています。今回のアップデートは、従来のテキスト検索の制限を打破し、AI の理解の次元を画像や複雑なドキュメントの深い統合へと拡張するもので、企業向け AI アプリケーションにおいて情報検索の正確性が重要な一歩を踏み出したことを示しています。

技術的な面では、新バージョンのファイル検索機能は Gemini Embedding2 モデルに基づいて構築されています。以前のように単純にテキストベクトルで検索するのではなく、アップグレードされたシステムは統一されたマルチモーダル埋め込み機能を持ち、PDF や文書、さまざまな画像の中の視覚情報を同時に認識および処理できます。これにより、開発者は複雑なベクトルデータベースやドキュメント分割システムを構築する必要がなくなり、Gemini API 内部でデータのアップロードから情報検索に至る完全な RAG ワークフローを実現できます。

image.png

実際の応用場面では、この進歩は従来の RAG システムが非テキストコンテンツを処理できないという課題を解決します。これまで、ドキュメント内の図表、デザイン図、製品スクリーンショットは AI の「盲点」として扱われ、回答に重要な文脈が欠けてしまうことがありました。しかし現在では、Gemini API はこれらの視覚要素をネイティブに理解できるようになりました。例えば、企業が技術アーキテクチャ図や販売トレンド表を含む PDF をアップロードすると、AI は図表のデータと文章説明を組み合わせて正確な推論を行うことができ、カスタマーサポートロボットやドキュメント分析システムの実用性を大幅に向上させます。

さらに大規模な知識ベースの管理効率を最適化するために、Google はカスタムメタデータフィルタリング機能も導入しました。開発者は部門、日時、分類などの次元に基づいてファイルにタグを追加でき、検索時に事前に設定された条件で不要な情報をフィルタリングすることで、AI が出力する回答がより焦点を持つようになります。

また、ユーザーが最も関心を持つ情報の追跡に関する問題に対し、Gemini API はページ単位の参照をサポートしています。AI が答えを生成する際には、情報がドキュメントのどのページから来たのかを明確に表示し、全体のファイルを指すだけではなく、特定のページを指します。この透明性の向上により、ユーザーは内容の正確性を迅速に確認でき、深い読み込みにも便利になります。

現在、この強化されたファイル検索機能は世界中の開発者に公開されています。ユーザーは Google AI Studio または Google Cloud プラットフォームを通じてアクセスし、マルチモーダル RAG の開発の利便性と効率の向上を体験できます。