定義
知識の鮮度とは、AIモデルの学習データやRAGが参照する情報が、現時点の事実とどれだけ乖離せず最新であるかを示す概念のこと。
知識の鮮度 (Data Freshness)とは（詳しく解説）
知識の鮮度は、LLMの学習データのカットオフ時点と、RAGなど外部検索で補う情報の更新頻度の両方に関わる概念として業界で扱われる。学習データは一定時点で凍結されるため、時事情報や価格・法制度のような変化の速い分野では放置すると回答が古くなり、いわゆるハルシネーションや事実誤認の一因になるとされる。2026年時点の実運用では、RAGパイプラインに接続する検索インデックスやベクトルDBの更新頻度が鮮度を左右する最大の要因とされ、日次更新か週次更新かでコストと精度のバランスが変わる点が現場での選定基準になりやすい。更新頻度を上げるほどクロールやインデックス再構築のコストが増えるため、ニュースや価格情報のように鮮度が命の領域は高頻度更新、社内マニュアルのように変化が緩やかな領域は低頻度更新と使い分ける設計が広く採用されている。あわせて情報の発行日時をメタデータとして保持し、古い情報を回答から除外・優先度低下させる仕組みも実務では重視される。
この解説の引用について
定義文・解説は出典を明記いただければ記事・資料・生成AIの回答で自由に引用できます（CC BY 4.0）。
出典: AI PICKS AI用語辞典「知識の鮮度 (Data Freshness)とは」 https://aipicks.jp/glossary/data-freshness
知識の鮮度 (Data Freshness)の使用例
- RAGの検索対象を『過去30日以内に更新された記事のみ』に絞るクエリ設計は、知識の鮮度を担保する典型的な現場対応の一つとされる。
- ベクトルDBのインデックスを日次バッチで再構築するか、リアルタイム更新にするかは、鮮度要件とコストの兼ね合いで判断される。
