RAG の “R” を Swift で覗いてみる 〜「意味から探す」検索の仕組み〜

DroidKaigi & iOSDC After Talks Night 2026 での登壇資料です
https://yumemi.connpass.com/event/402647/

#droidkaigi_iosdc_after_26

Transcript

1. RAG の “R” を Swift 覗いてみる 〜「意味から探す」検索の仕組み 〜 DroidKaigi & iOSDC After Talks Night 2026 で 菅 直之（Nao-RandD）
2. 自己紹介 • 名前 ：菅 直之（Naoyuki Kan） • 所属 ：株式会社ヤプリ • X ：Nao-RandD（ナオランド） • 趣味 ：ランニング 🏃
3. 文 RAG をざっくりこんな感じで 捉えてないですか？ の意味からも検索できて・・・ データをいい感じに LLM に渡せる何か・・・ なんかセマンティック検索?みたいなのできて・・・ データがベクトル化されてて・・・
4. RAG とはそもそも何か？ 🤔
5. RAG ＝ Retrieval-Augmented Generation
6. RAG の全体像 Retrieve 質問に関連する情報を探す Augment 情報を LLM の入力に加える Generate 入力を元に回答を生成する
7. 文 RAG の全体像 Retrieve 👈 ココの一部の話 の意味からも検索できて・・・ Augment データをいい感じに LLM に渡せる何か・・・ データがベクトル化されてて・・・ Generate なんかセマンティック検索? みたいなのできて・・・
8. 􂦔 􀌳 R でやってること ユーザー質問 Retrieve キーワード検索 Augment 一致した候補 セマンティック検索 (意味検索) 意味が近い候補 関連度を評価して順位付け Generate LLMへ 属性検索 条件に合う候補 その他の手法
9. 今回の発表のゴール RAG の「R」の構成を学び完全に理解する • Rの中にある複数の手法のひとつ、セマンティック検索を覗く • なぜ他の手法も必要なのか学ぶ
10. 􂦔 􀌳 ユーザー質問 キーワード検索 セマンティック検索 (意味検索) 属性検索 一致した候補 意味が近い候補 条件に合う候補 関連度を評価して順位付け LLMへ その他の手法
11. 􂦔 􀌳 ユーザー質問 キーワード検索 セマンティック検索 (意味検索) 属性検索 一致した候補 意味が近い候補 条件に合う候補 関連度を評価して順位付け LLMへ その他の手法
12. セマンティック検索（意味検索）を のぞいてみる
13. 意味で検索する流れ 以下の流れ 質問 → Embedding model → 近い文章を探す Embedding model とは？ 単語や文をベクトル化してそれぞれの 意味の近さを測れるようにした機械学習モデル
14. Embedding Model をざっくり 料理の位置を数値で表す例 • １軸（サンドイッチらしさ）で表す 出典: Google Machine Learning Crash Course, Figure 3（CC BY 4.0）
15. Embedding Model をざっくり 料理の位置を数値で表す例 • デザートらしさを加えて、2軸で表す 出典: Google Machine Learning Crash Course, Figure 4（CC BY 4.0）
16. Embedding Model をざっくり 料理の位置を数値で表す例 • 液体かを加えて、３軸で表す 出典: Google Machine Learning Crash Course, Figure 5（CC BY 4.0）
17. Embedding Model をざっくり 座標は機械学習でチューニングする 予測の誤差を減らすように、Embedding Model を更新 それによって、単語・文章の距離から意味の近さを測れるモデルになる 注：実際の軸は「サンドイッチらしさ」というような、人間が理解しやすいものとなることは基本ない
18. Swift で セマンティック検索を試す
19. Swift でセマンティック検索 Natural Language を用いる • 自然言語テキストを分析して、言語固有のメタデータを推測できるフレームワーク Natural Language：https://developer.apple.com/jp/documentation/naturallanguage
20. Swift でセマンティック検索 データをベクトル化して検索できるようにする let memos = [ "明日15時からチームの打ち合わせがある", "来週月曜は顧客とのミーティング", "夕方スーパーで牛乳を買う" ] guard let model = NLContextualEmbedding( language: .japanese) else { return } try model.load() // 登録時：原文をベクトル化して保持する let indexed = try memos.map { text in (text: text, vector: try embed(text, using: model)) } ・・・
21. Swift でセマンティック検索 データをベクトル化して検索できるようにする let memos = [ "明日15時からチームの打ち合わせがある", "来週月曜は顧客とのミーティング", "夕方スーパーで牛乳を買う" ] guard let model = NLContextualEmbedding( language: .japanese) else { return } try model.load() // 登録時：原文をベクトル化して保持する let indexed = try memos.map { text in (text: text, vector: try embed(text, using: model)) } ・・・ func embed(_ text: String, using model: NLContextualEmbedding) throws -> [Double] { // ここでAppleのモデルが単語片ごとのベクトルを作る let result = try model.embeddingResult( for: text, language: .japanese ) // 単語片のベクトルを成分ごとに平均し、文のベクトルにする ・・・
22. Swift でセマンティック検索 検索ワードもベクトル化して検索する let query = "会議の予定" // 検索時：質問も同じモデルでベクトル化する let queryVector = try embed(query, using: model) // 全候補との距離を計算し、近い順に並べる let hits = try indexed.map { item in ( text: item.text, distance: try cosineDistance(queryVector, item.vector) ) }.sorted { $0.distance < $1.distance } print("質問: \(query)") for (rank, hit) in hits.enumerated() { print( "\(rank + 1)位: \(hit.text) / 距離 " + } ) String(format: "%.6f", hit.distance)
23. Swift でセマンティック検索 検索ワードもベクトル化して検索する 質問：会議の予定 let query = "会議の予定" // 検索時：質問も同じモデルでベクトル化する let queryVector = try embed(query, using: model) // 全候補との距離を計算し、近い順に並べる 「会議」という単語が文になくても、 let hits = try indexed.map { item in ( text: item.text, 打ち合わせとミーティングが上位 distance: try cosineDistance(queryVector, item.vector) ) }.sorted { $0.distance < $1.distance } print("質問: \(query)") 1位：明日15時からチームの打ち合わせがある 距離* 0.383151 2位：来週月曜は顧客とのミーティング 距離 0.398008 3位：夕方スーパーで牛乳を買う 距離 0.439022 for (rank, hit) in hits.enumerated() { print( "\(rank + 1)位: \(hit.text) / 距離 " + } ) String(format: "%.6f", hit.distance) ＊macOS 26.6.2の実測値。距離が近いほど意味が近い（ 関連度が高い）可能性がある
24. Swift でセマンティック検索 人名などが入ると意味の近さだけでは測りづらい 質問：田中さんの予定 1位：田中さんは15時からミーティング 距離 0.391871 2位：佐藤さんは14時からミーティング 距離 0.404021 3位：田中さんは明日の朝に歯医者へ行く 距離 0.404178 この場合、「田中さん」でキーワード検索した結果の方が 関連度が高い可能性がある
25. 􂦔 􀌳 ユーザー質問 キーワード検索 セマンティック検索 (意味検索) 属性検索 一致した候補 意味が近い候補 条件に合う候補 関連度を評価して順位付け LLMへ その他の手法
26. 􂦔 􀌳 ユーザー質問 キーワード検索 セマンティック検索 (意味検索) 属性検索 一致した候補 意味が近い候補 条件に合う候補 その他の手法 RAG の「R（Retrieve）」において セマンティック検索は手段のひとつ 関連度を評価して順位付け 要件に応じて組み合わせ、取りこぼしや誤候補を補う LLMへ
27. まとめ • RAG は R(情報を探す) → A(情報を付与する) → G(生成する) を段階的に行う • セマンティック検索は「R（情報を探す）」で抽出するための複数手段のひとつ • iOS であれば R に必要な検索機能の多くを Core Spotlight で実現できる（iOS 18以上） Building a search interface for your app： https://developer.apple.com/documentation/corespotlight/building-a-search-interface-for-your-app
28. ご清聴ありがとうございました