前の記事からの続きです。

FAISS削除とNumPy計算の導入

前の記事でLangChainのFAISSを活用したRAGシステムを構築したと書きましたが、勉強も兼ねて中身を見ているうちに、FAISSを使う理由がなかったことに気づきました。 この規模では単純なNumPy計算で類似度検索を行うほうが効率的だったため、変更することにしました。

まず、FAISSの役割をNumPyが同じように実行できるのか、という疑問がありました。そこで小さな実験を1つ行いました。

実験: FAISS vs NumPy 類似度検索速度比較

もちろんFAISSは速いのですが、下の結果を見ると差は0.005秒程度で、まったく問題にならない水準です。そのため、あえてFAISSを使う必要はないと判断しました。

性能比較結果（Top-5検索）

方法	所要時間	速度順位
FAISS	0.002095 秒	1位
NumPy (Pure Python)	0.007358 秒	2位
Scikit-learn (Brute Force)	0.023916 秒	3位

詳細結果

[A] FAISS

• 所要時間: 0.002095 秒
• インデックス: [0, 160, 2260, 1256, 307]
• 距離値 (L2): [0.0, 0.364, 0.397, 0.413, 0.415]

[B] Scikit-learn (Brute Force)

• 所要時間: 0.023916 秒
• インデックス: [0, 160, 2260, 1256, 307]
• 距離値 (L2): [0.0, 0.603, 0.630, 0.643, 0.644]

[C] NumPy (Pure Python)

• 所要時間: 0.007358 秒
• インデックス: [0, 160, 2260, 1256, 307]
• 距離値 (Squared L2): [0.0, 0.364, 0.397, 0.413, 0.415]

GitHub Actions時間短縮

ワークフロー実行時間

ほぼ1分近く短縮されたため、良い選択だったと思います。

おわりに

残りの作業は、前の記事で話した次の4つに加えて、使いながら修正していくことです。

1. 初期環境変数設定なしで使えるようにする。
2. 他の人も使える形で構築する。
3. 構築したLeetCode問題を成長する木の形で可視化する。問題を解くと木が成長し、解いた問題は光る葉になり、難易度ごとに別の色で表現する。
4. グラフネットワーク可視化。