ゼロから始めるRAG
ゼロから始めるRAG：開発・改善・運用まで
Overview
- DL4E - ディープラーニング基礎講座とは
活用事例
具体的な応用先として、社内に蓄積されたあらゆる業務分野の文章ナレッジを効率的に活用することが挙げられます。たとえば、サポートデスクではFAQやマニュアルを基にチャットボット・オペレーター支援ツールを開発することができ、従来の手作業による情報検索を効率化し、応答品質を向上させることが可能です。
【社内情報を活用したFAQシステム】
RAGを使い、社内文書やFAQから関連情報を迅速に引き出し、社員の問い合わせ対応を自動化するシステムを構築。
【業務特化型アプリの開発】
企業のデータや資料を基に、営業支援ツールや顧客サポート向けのAIアプリを開発。RAGで業務効率を大幅に向上させる。
【高度なAIアプリケーションの開発】
RAG技術を使い、質問応答や情報抽出ができる高度なAIアプリケーション（例：DeepSeek R1やOllamaのような）を開発。データ処理や情報検索のスキルを磨く。
講座概要
最新のAI技術を活用して
業務プロセスを自動化
RAGの基本構造の理解から、実装、改善、運用、保守までを体系的に学ぶ講座です。OpenAI APIやLangChainを活用し、社内外の情報を効率的に活用する質疑応答システムをゼロから構築。初心者でも安心して学べるハンズオン形式で、実務に直結するRAG開発スキルを習得します。
カテゴリ | エンジニア力 |
講座名 | ゼロから始めるRAG：開発・改善・運用まで |
講座時間 | 8時間 |
プログラミングスキル／数学 | プログラミングについて勉強したことがある（変数、関数、配列、if, for文） なんらかのプログラムを作ったことがある（演習含む） |
数学 | 高校卒業程度の数学に関する知識 |
Curriculum
- DL4E - ディープラーニング基礎講座とは
Step 01：イントロダクション
RAGとは？
RAG（Retrieval-Augmented Generation）の基本概念と、なぜRAGを使うのかを理解する。従来手法（プロンプト法・ファインチューニング）との比較を通じて、RAGの利点を学ぶ。
Step 02：RAGの構造
RAGの回答生成フロー
RAGを構成するStoreフェーズ、Retrievalフェーズ、Generationフェーズの仕組みを理解する。 - Storeフェーズ：テキストデータをベクトル変換（Embedding）し、ベクトルデータベース（Vector DB）に保存する。
Retrievalフェーズ：質問文（クエリ）をもとに、類似度検索（Similarity Search）で関連情報を抽出す
Generationフェーズ：抽出した情報をLLMに渡し（Augmentation）、回答を生成する。
OpenAI APIの利用
OpenAI APIの概要と準備
OpenAI APIの基礎知識、APIキーの発行方法、環境変数での管理方法を学ぶ。
APIを用いたRAG実装
OpenAI APIを活用し、LangChainを用いたRAGの実装準備を行う。
LangChainの基本実装
LangChain v0.3を使い、LCEL（LangChain Expression Language）の記法でプロンプトチェーンを構築する。従来のLLMChain記法との違いを理解する。
Step 03：RAGの実装
RAGの実装
LangChainとLCELを用いて、RAGの基本的な質疑応答システムを構築する。
通常の質疑応答とRAGの比較
LLM単体による質疑応答とRAGを比較し、RAGの構造と利点を理解する。
Step 04：RAGの性能改善
自らの力で RAG の性能を改善できるようになる。
Step 03：RAGの運用
LLMOps
RAG の評価方法や継続的な保守手法を学び 実務に活かせるようになる。