Update README.md (Untranslated "Vector データベース"→ "ベクトルデータベース")

https://github.com/microsoft/generative-ai-for-beginners/blob/main/02-exploring-and-comparing-different-llms/translations/ja-jp/README.md
#PingMSFTDocs

Author: hyoshioka0128

02-exploring-and-comparing-different-llms/translations/ja-jp/README.md

@@ -155,7 +155,7 @@ LLM モデルには、さまざまな種類があり、どのモデルを選択
 LLM は、モデルのトレーニング中に使用したデータだけを使って回答を作るという制約があります。つまり、トレーニング・プロセス後に発生した事実については何も分からず、非公開情報 (企業データなど) も利用できません。
 
 しかし、上記の制約は RAG と呼ぶ手法で対応できます。RAG は、プロンプトの長さ制限を考慮しつつ、外部データ（ドキュメントの一部）をプロンプト内に含めて問い合わせを行う手法です。
-RAG は Vector データベース（[Azure AI Search](https://learn.microsoft.com/azure/search/vector-search-overview?WT.mc_id=academic-105485-yoterada) など）でサポートされており、さまざまな定義済みのデータ・ソースから有用なドキュメントの一部を取得し、プロンプトのコンテキスト（文脈）に含めて、より正確な回答が得られるようになります。
+RAG は ベクトルデータベース（[Azure AI Search](https://learn.microsoft.com/azure/search/vector-search-overview?WT.mc_id=academic-105485-yoterada) など）でサポートされており、さまざまな定義済みのデータ・ソースから有用なドキュメントの一部を取得し、プロンプトのコンテキスト（文脈）に含めて、より正確な回答が得られるようになります。
 
 この技術は、LLM のファイン・チューニングが困難（十分なデータ、時間、リソースがない）な企業にとって非常に有用です。
 そして特定の負荷試験におけるパフォーマンスを向上させたい場合や、回答の捏造リスク、つまり現実の歪曲や、有害なコンテンツのリスクを減らしたい場合に非常に有効です。