RAGの実案件に取り組んできた今までの知見をまとめてみた | DevelopersIO
はじめに 新規事業部 生成AIチーム 山本です。 ChatGPT（OpenAI API）をはじめとしたAIの言語モデル（Large Language Model：以下、LLM）を使用して、チャットボットを構築するケースが増えています。通常、LLMが学習したときのデータに含まれている内容以外に関する質問には回答ができません。そのため、例えば社内システムに関するチャットボットを作成しようとしても、素のLLMでは質問に対してわからないという回答や異なる知識に基づいた回答が（当然ながら）得られてしまいます。 この問題を解決する方法として、Retrieval Augmented Generation（以下、RAG）という手法がよく使用されます。RAGでは、ユーザからの質問に回答するために必要そうな内容が書かれた文章を検索し、その文章をLLMへの入力（プロンプト）に付け加えて渡すことで、ユーザが欲しい
RAGの性能を改善するための8つの戦略 | Fintan
近年、OpenAIのGPT-4やGoogleのGemini、MetaのLLaMAをはじめとする大規模言語モデル（Large Language Model：LLM）の能力が大幅に向上し、自然言語処理において優れた結果を収めています[1][2][3]。これらのLLMは、膨大な量のテキストデータで学習されており、さまざまな自然言語処理タスクにおいて、タスクに固有なデータを用いてモデルをファインチューニングすることなく、より正確で自然なテキスト生成や、複雑な質問への回答が可能となっています。 LLM-jp-eval[4]およびMT-bench-jp[5]を用いた日本語LLMの評価結果。Nejumi LLMリーダーボード Neoより取得。 大規模言語モデルは近年急速な進歩を遂げていますが、これらの進歩にもかかわらず、裏付けのない情報や矛盾した内容を生成する点においては依然として課題があります。たとえ
【2024年】チャットボットのおすすめ10ツール（全101製品）を徹底比較！満足度や機能での絞り込みも
【2024年】チャットボットのおすすめ10ツール（全101製品）を徹底比較！満足度や機能での絞り込みも チャットボットとは、ユーザーとテキストベースで会話を行うプログラムのことです。チャットボットは、メッセンジャーアプリやウェブサイト上で動作し、ユーザーからの質問や要求に自動で応答します。 チャットボットの主な機能は、ユーザーの入力を解析し、適切な情報を提供することです。あらかじめ用意された知識ベースや、外部のデータソースと連携することで、ユーザーのニーズに合った回答を返すことができます。 また、チャットボットはユーザーとの対話を通じて、ユーザーの行動や嗜好に関するデータを収集することも可能です。収集したデータを分析することで、ユーザーのニーズをより深く理解し、一人ひとりに合わせたサービスの提供につなげることができます。 近年、チャットボットは様々な業界で活用され、顧客サポートや販売促進、
RAGの課題と精度改善のための発展的なアプローチまとめ | Hakky Handbook
はじめに 本記事では、RAG (Retrieval-Augmented Generation) の精度改善に焦点を当てて、一般的に行われている RAG の問題点と、それらを解決するために LangChain が提案した発展的な RAG の概要について紹介します。 また、本記事はlanghchain の開発ブログを参考にしています。 RAG とは RAG（Retrieval-Augmented Generation）は、情報の検索（Retrieval）と生成（Generation）を組み合わせることで、よりコンテキストに基づいた回答を可能にするためのアーキテクチャです。 RAG のアーキテクチャは、通常 2 つの主要なコンポーネントで構成されます。 Retriever Retriever は、大規模なテキストデータベースやウェブ上の情報を検索して、入力された質問やクエリに関連するコンテ
Linear - それは魔法のプロダクトマネジメントツール
アジャイル開発やスクラム開発を支援するためのマネジメントツールとして、みなさまはどんなツールをお使いでしょうか。GitHub (GitHub Project)、 Jira、Zenhub、Pivotal などなど... 優れたツールは数多あるなか、Awarefy では Linear （リニア）を導入し、日々の開発タスクにはじまり、採用関連タスク、経営にまつわる Issue などをこのツールで管理しています。 Linear – A better way to build productsLinear streamlines issues, sprints, and product roadmaps. It’s the new standard for modern software development.LinearAwarefy が Linear を導入したのは 2023年3月のことで、お
これからのプロジェクトマネジメントに大事なのは「結果にコミットしない」こと クリエイティブな仕事に求められる“アジャイル思考”
不確実さが増す世界のプロジェクトマネジメントとはとういうものか 倉貫義人氏：そんな不確実さが増す世界のプロジェクトマネジメントはどういうものなのか。（スライドを示して）プロジェクトがうまくいかない（理由）というのは、このあたりを見てもらうと胃が痛くなりそうな言葉がいっぱい書いてあると思います。想定よりコストがかかるとか、作ったものを直せないとか。 （スライドを示して）これに対してどうすればいいかというと、「こうすればうまくいくのかな？」と考えがちですよね。「遅いからプレッシャーをかけようか」とか「少し遅れているので人を増やそうかな」とか「一気に作ったほうがいいんじゃないの？」とか「属人性を排除しましょう」とかと言いがちですよね。 これらはけっこう言いがちですが、全部失敗するやつです。これを全部やってみたら困ったことにプロジェクトが大変なことになるので、ぜひやってみたらいいと思います。 （会
イマーシブ・フォート東京のマーケティング手法分析
Author: Yu Shioji (塩地 優) Article type: Article(研究) Article number: 240021 2024年3月1日に、東京・お台場のヴィーナスフォート跡地に開業したイマーシブ・フォート東京は、世界初のイマーシブ(没入)体験に特化したテーマパークです。運営母体が、USJをV字回復させたことで知られる、森岡氏率いる株式会社刀ということもあって、特にマーケティング面でどのような取り組みがされているのか、興味を持たれるところだと思います。一般にマーケティング手法というのは、表に出てくることは多くないのですが、イマーシブ・フォート東京の場合は後述のように、思うように集客ができていない可能性が高く、このため、様々な手法が見える形で表出しています。ここでは、まず業績面の推計を行い、それをもとにして、なぜ、どのような手法が用いられているのか、分析していき
「AI事業者ガイドライン（第1.0版）」を取りまとめました （METI/経済産業省）
経済産業省と総務省は、生成AIの普及を始めとする近年の技術の急激な変化等に対応すべく、有識者等と議論を重ね、関連する既存のガイドライン（注）を統合・アップデートし、「AI事業者ガイドライン（第1.0版）」を取りまとめました。 （注）AI開発ガイドライン（平成29年、総務省）、AI利活用ガイドライン（令和元年、総務省）、AI原則実践のためのガバナンスガイドラインVer1.1（令和4年、経済産業省） 概要 AI戦略会議（座長：松尾豊 東京大学大学院工学研究科教授）で取りまとめられた「AIに関する暫定的な論点整理」（令和5年5月26日（金曜日））において、近年の生成AIの普及を踏まえ、既存のガイドラインに関して必要な改訂などを検討する必要性が示されました。それを受けて経済産業省及び総務省では、既存のガイドラインを統合・アップデートし、広範なAI事業者向けの統一的で分かりやすいガイドラインの検討を
コンパウンドスタートアップを支える技術戦略
HQ はこれまでリモートワーク環境整備プラットフォーム「リモート HQ」を運営してきましたが、この度より包括的な福利厚生サービス「カフェテリア HQ」の提供を開始しました: この二つのプロダクトは部分的に非常に似た機能を共有しますが、福利厚生領域に存在する異なる課題をそれぞれ解決することを目的とした、完全に独立したプロダクトです。 HQ はリモート HQ で創業した当初から、将来的なカフェテリアプラン領域への参入を事業成長の方向性の一つとして掲げ、準備を進めてきました。 つまり HQ はコンパウンドスタートアップの一つです。 コンパウンドスタートアップとは 創業時から単一プロダクトではなく、複数プロダクトを意図的に提供 部署でサービスを区切るのではなく、データを中心にサービスを統合する プロダクト間の連携の良さそのものがプロダクトである 複数のプロダクトを管理、ローンチするケイパビリティを
ここがポイント！RAGを活用した生成AIボットの検索精度向上について - Qiita
こんにちは。Supership プロダクト統括部の @ps010 です。 普段は広告・マーケティング領域で、分析業務や広告セグメントの作成を担当しています。 はじめに 今年は、自然言語の生成AIに注目が集まりましたね。私の所属チームでもLLMを用いた生産性向上に取り組んでますが、個人的には、QAボットに使われる RAG に関心があります。少し前まで夫がカスタマーサポート勤務だったのですが、人手不足のせいか残業が多かったので、QAボットで効率化できないものか？と思い、興味を持ち始めました。 RAGを調べると、簡単にはよい回答が得られないようなので、今回は、RAGのサンプルを作って、どこが精度向上のポイントになるのか解明していきたいと思います。 記事の目的 この記事は、RAGの仕組みと改善ポイントの把握を目的とします。サンプルデータを用いて改善案の実験を行い、ベースラインと結果を比較します。記
LLMのプロンプト技術まとめ - Qiita
現在，34個掲載(一部執筆途中) よかったらData Science wikiのGPTsも見て下さい！ はじめに 今回はすぐに使えそうなプロンプトの工夫やフレームワークについて有名なものをまとめました．LMの出力の精度向上に役立てられればと思います． 論文があるものについてはarXivに最初に投稿された順番で掲載しています． 論文で精度向上が確認されているのは英語での検証がほとんどであるため，日本語で改善されるかは分かりません． 全てのLLM(GPT-4,Llama2,...)で精度が改善するとは限りません． ※記事に誤り等ありましたらご指摘いただけますと幸いです． 以下の記事では敵対的プロンプト技術をまとめています！ 目次 Zero-shot prompting Few-shot prompting 2021年〜 Generated Knowledge Prompting 2022年〜
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
GitHub - langchain-ai/langchain: 🦜🔗 Build context-aware reasoning applications
Amazon.co.jp: 実践 生成AIの教科書 ――実績豊富な活用事例とノウハウで学ぶ: 株式会社日立製作所 Generative AIセンター: 本
Helper metaprompt (experimental)
Advance RAG control flow with Mistral and LangChain: Corrective RAG, Self-RAG, Adaptive RAG
awesome-ai-agents/assets/landscape-latest.png at main · e2b-dev/awesome-ai-agents
生成AI(ChatGPT) 業務改革ソリューション｜SIGNATE
GitHub - practical-tutorials/project-based-learning: Curated list of project-based tutorials
生成AIによるプロダクトと生産性向上の舞台裏@2024.04.16
GPT 回答精度を上げるアプローチ
