～ RAGの全体像とメリット、RAGシステムのアーキテクチャと要素技術、構築プロセスのデモ、RAGの精度改善と評価手法、RAG導入の実践ポイント ～
・RAGシステムの構築から、精度改善と評価手法までを修得し、RAGによる社内ナレッジ活用の効果を向上させるための講座！
・RAGの基礎から、構築プロセスや事例を、デモを通して実践的に修得し、実務で使えるRAGシステム構築に活かそう！
・講義内で使用するコードは講義後に配布いたしますので、復習時にご活用いただけます
・ＷＥＢ会議システムの使い方がご不明の方は弊社でご説明いたしますのでお気軽にご相談ください。
生成AIを業務で活用する上で最大の壁は「社内の情報を知らない」ことです。ChatGPTに自社製品のメンテナンス手順を聞いても、もっともらしい嘘が返ってくる――これでは現場では使えません。
RAG（検索拡張生成）は、自社の技術文書や製品マニュアルをAIに参照させることで、正確かつ出典付きの回答を可能にする技術です。
本講座では、製品マニュアルへのQAシステムを題材に、RAGの基礎理論から実際のシステム構築プロセスをライブデモで体感いただきます。さらに「作って終わり」ではなく、精度評価と改善サイクルの回し方、PoC設計やコスト試算といった企業導入の実務まで一気通貫でお伝えします。技術文書が多く、属人化した知見の共有に課題を感じている製造業の方に、明日から動き出せる実践知をお届けします。
| 開催日時 |
|
|---|---|
| 開催場所 | オンラインセミナー |
| カテゴリー | オンラインセミナー、ソフト・データ・画像・デザイン、品質・生産管理・ コスト・安全 |
| 受講対象者 |
・製造業において技術文書・製品マニュアルの活用や社内ナレッジの検索に課題を感じている方 ・自社の業務にRAG（検索拡張生成）技術の導入を検討しているエンジニア・技術者・DX推進担当者 ・生成AI（LLM）の基礎から学び直し、RAGシステムの設計判断ができるようになりたい方 ・AI活用のPoC企画や技術選定に関わる立場の方 |
| 予備知識 | ・特に必要な専門知識はありません。生成AI（ChatGPT等）を使ったことがある程度の経験があれば十分です。プログラミングの知識も不要です（ライブデモは講師が実演し、受講者はコードを書く必要はありません） |
| 修得知識 |
・RAGの仕組みと構成要素（チャンキング・エンベディング・ベクトル検索・生成）を体系的に理解し、自社の技術文書に対してどのような構成でRAGシステムを設計すべきか判断できるようになる ・RAGの精度を定量的に評価する手法（RAGAS等）を理解し、改善すべきポイントを特定して精度向上のサイクルを回す方法を習得できる ・企業へのRAG導入に必要なPoC設計・技術選定・コスト試算・セキュリティ要件の整理ができ、社内でのPoC提案を具体的に進められるようになる |
| プログラム |
１．生成AIの基礎とRAGが求められる背景 （１）．LLM（大規模言語モデル）の仕組みと現在の到達点 ａ．Transformerアーキテクチャとトークン予測の基本概念 ｂ．主要LLMの比較と特徴（GPTー4o ／ Claude ／ Gemini ／ Llama） ｃ．日本企業における生成AI活用の現状と導入率 （２）．LLMの3つの限界とRAGの必要性 ａ．ハルシネーション（もっともらしい誤回答）の実例と危険性 ｂ．知識の鮮度問題 — 学習データのカットオフと自社情報の不在 ｃ．ファインチューニング・RAG・エージェントの使い分け判断基準 （３）．RAGの全体像とメリット ａ．RAG（検索拡張生成）のアーキテクチャ概要と処理フロー ｂ．RAGによるハルシネーション抑制と出典明示の仕組み ｃ．製造業におけるRAGのユースケース（技術文書QA・設計基準検索・不具合事例検索） （４）．【デモ】製品マニュアルを使ったRAGの効果体験 ａ．素のLLMに技術的な質問をした場合の回答（不正確な例） ｂ．RAGシステムに同じ質問をした場合の回答（出典ページ付きの正確な回答）
２．RAGシステムのアーキテクチャと要素技術 （１）．Indexing（前処理）— 文書をAIが検索できる状態にする ａ．ドキュメントの取り込みとテキスト抽出（PDF・Word・HTML対応） ｂ．チャンキング（文書分割）の戦略と技術文書に適した分割方法 ｃ．チャンクサイズが検索精度に与える影響（小さすぎ・大きすぎのトレードオフ） ｄ．エンベディング（ベクトル化）の仕組みと日本語対応モデルの選定 （２）．Retrieval（検索）— 質問に関連する文書を正確に見つける ａ．セマンティック検索・キーワード検索・ハイブリッド検索の違いと使い分け ｂ．ベクトルデータベースの比較と企業導入時の選定基準 ｃ．リランキングによる検索精度の向上手法 （３）．Generation（生成）— 検索結果をもとにLLMが回答を生成する ａ．プロンプト設計の実践（System Prompt・コンテキスト・ユーザー質問の構成） ｂ．コンテキストウィンドウの制約と情報の取捨選択 （４）．技術選定の判断軸 ａ．3つのアーキテクチャパターン（Naive RAG・Advanced RAG・Modular RAG） ｂ．主要フレームワークの比較（LangChain ／ LlamaIndex ／ Dify等） ｃ．クラウドサービスのRAG機能（AWS Bedrock ／ Azure AI Search ／ GCP Vertex AI） ｄ．コスト試算の考え方と稟議に使える費用構造の整理
３．【ライブデモ】製品マニュアルQAシステムの構築プロセス （１）．技術文書の読み込みとチャンキングの実演 ａ．PDF形式の製品マニュアルからのテキスト抽出 ｂ．チャンクサイズを変えた場合の分割結果の比較 （２）．エンベディングとベクトルデータベースの構築 ａ．文書チャンクのベクトル化と類似度検索の実行 ｂ．エンベディング結果の可視化（トピック別クラスタの確認） （３）．RAGチェーンの構築と質問応答の実行 ａ．LangChainを用いたRAGパイプラインの構築 ｂ．技術文書への質問と出典付き回答の生成 ｃ．プロンプト改善による回答品質の変化（出典表示フォーマットの制御） ｄ．RAGの限界の確認（文書にない情報への質問時の適切な挙動）
４．RAGの精度改善と評価手法 （１）．技術文書RAGにおける典型的な失敗パターンと対策 ａ．検索ミス・コンテキスト不足・型番の表記揺れへの対処 ｂ．チャンキング最適化（Semantic Chunking・ParentーChild Chunk） ｃ．検索精度向上テクニック（Query Rewriting・HyDE・MultiーQuery Retrieval） （２）．RAGの評価フレームワークと品質管理 ａ．RAG評価の4軸（Faithfulness・Answer Relevancy・Context Precision・Context Recall） ｂ．RAGASによる定量評価の実践方法 ｃ．評価データセットの作り方と運用サイクル （３）．【デモ】改善サイクルの実演 ａ．リランキング追加による検索精度のBefore／After ｂ．RAGASスコアの実行と読み解き方 ｃ．改善→再評価のサイクルによるスコア向上の確認
５．企業におけるRAG導入の実践ポイントと最新動向 （１）．RAG導入プロセスの設計（PoC → Pilot → Production） ａ．成功するPoCの設計条件と評価基準の事前合意 ｂ．製造業特有のデータ準備課題（スキャンPDF・CAD図面・版管理の属人化） ｃ．セキュリティ・ガバナンス要件（アクセス制御・ログ監査・オンプレ vs クラウド） ｄ．コスト構造の試算とROI計算のフレームワーク （２）．RAGの最新動向と進化の方向性 ａ．Agentic RAG — 検索から判断・実行まで自律的に行うAIエージェント ｂ．Graph RAG — ナレッジグラフを活用した関係性ベースの検索 ｃ．コンテキストウィンドウ拡大時代における RAGの役割と今後の展望 （３）．まとめとアクションプラン ａ．本講座の3つのTakeaway ｂ．明日から始める3ステップ（対象文書の洗い出し・配布コードでの試行・PoC提案） |
| キーワード | LLM Transformer ハルシネーション RAG チャンキング エンベディング ベクトルデータベース セマンティック検索 ハイブリッド検索 リランキング プロンプト設計 LangChain RAGAS Agentic RAG Graph RAG |
| タグ | AI・機械学習、データ分析 |
| 受講料 |
一般 (1名)：49,500円(税込)
同時複数申込の場合(1名)：44,000円(税込) |
| 会場 |
オンラインセミナー本セミナーは、Web会議システムを使用したオンラインセミナーとして開催します。 |
営業時間 月~金：9:00～17:00 / 定休日：土日・祝日
