| 開催日 | 2025年1月29日(水) |
|---|---|
| 開催地 | Web |
☆本講座では、以下のようなキーワードを軸にポイントを徹底解説いたします！
RAGの基礎と生成AI／RAGシステムの構成要素／RAG構築の手順／
RAGシステムのカスタマイズと最適化／実務応用事例／RAGシステムの継続的改善／
RAG導入の法的・倫理的考慮事項／実践ワークショップ／今後の展望とまとめetc。
☆詳細な内容につきましては、以下プログラム項目等をご参照ください！
【テーマ名】
生成AI(Copilot・ChatGPT)の有効活用による高精度なRAG(検索拡張生成)構築の具体的な方法
～チャットボット導入や市場調査・情報分析の効率化等、今後の実務課題解決に向けて～
【講師】
株式会社pipon
代表取締役
北爪聖也 氏
【経歴】
群馬県 桐生市出身、1989年生、宇都宮大学農学部卒
現在、株式会社pipon代表取締役
大学卒業後、2014年大手広告代理店の株式会社ADKホールディングスに入社し、テレビ広告を販売していた。お客様のターゲットである女性の視聴率が高くなるよう膨大な番組を確認して、テレビ局に怒られながら広告枠を移動させていた。残業120時間を超え、朝までの作業もあった。その後、ネット広告の部署に移ると自分がやっていた広告枠の最適化作業をAIがしていることに驚愕した。
AIを学ぶため2017年4月にDATUM STUDIO株式会社へ転職しPython（パイソン）を使った機械学習技術を学んだ後、2019年株式会社piponを創業した。
現在は様々な監査法人や製薬会社など（デロイトトーマツやバイエル薬品）、様々な業界でAIを導入するためのご支援をしている。
【専門および得意な分野・研究】
1.人工知能（AI）と機械学習
2.デジタルマーケティング
3.ビジネスコンサルティング
得意な分野：
1.AIの実務応用
・様々な業界（監査法人、製薬会社など）へのAI導入支援
・機械学習技術を用いたビジネスソリューションの開発
2.データ分析と最適化
・Pythonを使用した機械学習技術
・広告効果の分析と最適化
3.デジタル広告戦略
・テレビ広告の販売と最適化
・ネット広告の戦略立案
4.ビジネス変革
・従来の手法からAIを活用した効率的な手法への移行支援
・新技術導入によるビジネスプロセスの改善
【日時(オンライン配信)】
2025年1月29日(水) 13:00-17:00
【受講料】
●見逃し視聴なし：1名41,800円(税込（消費税10％）、資料付)
＊1社2名以上同時申込の場合、1名につき30,800円
●見逃し視聴あり：1名47,300円(税込（消費税10％）、資料付)
＊1社2名以上同時申込の場合、1名につき36,300円
※詳細な内容やお申込み要領等は、下段「セミナーホームページを見る」をご参照ください。
【セミナーの内容】
■講座のポイント
本講座では、生成AI（Copilot・ChatGPT）を活用した高精度なRAG（検索拡張生成）システムの構築方法を解説します。チャットボット導入や市場調査、情報分析の効率化など、実務における具体的な課題解決に焦点を当てます。RAGの基本概念から実装技術、最適化手法まで、段階的に学びます。また、各業界特有のニーズに合わせたカスタマイズ方法や、AIモデルの選択基準、データ管理のベストプラクティスも紹介。実践的なワークショップを通じて、参加者は即戦力となるスキルを習得できます。最新のAI技術を活用し、ビジネスプロセスを革新する方法を学ぶ絶好の機会です。
■受講後、習得できること
・RAG（検索拡張生成）システムの基本原理と構築方法
・Copilotや ChatGPTなどの生成AIを活用した高精度なRAGシステムの設計と実装技術
・業界特有のニーズに応じたRAGシステムのカスタマイズと最適化手法
・チャットボット開発、市場調査、情報分析などの実務課題におけるRAGの効果的な適用方法
・RAGシステムの性能評価と継続的な改善プロセスの管理手法
■本テーマ関連法規・ガイドラインなど
・個人情報保護法
・RAGシステムで扱うデータに個人情報が含まれる場合、その取り扱いに関する規制
・AI・データの利用に関する契約ガイドライン（経済産業省）
・AIシステム開発や利用に関する契約の指針
・生成AI利活用ガイドライン（デジタル庁）
・生成AIの適切な利用方法や留意点についての指針
■講演中のキーワード
・RAG (Retrieval-Augmented Generation)
・LLM (Large Language Model)
・ベクトルデータベース
・プロンプトエンジニアリング
・ファインチューニング
■プログラム項目
1. RAGの基礎と生成AIの概要
1.1 RAG（検索拡張生成）の定義と重要性
1.2 Copilot、ChatGPTなど主要な生成AIの特徴
1.3 従来のチャットボットとRAGの違い
2. RAGシステムの構成要素
2.1 大規模言語モデル（LLM）の役割
2.2 ベクトルデータベースの概要と選択基準
2.3 埋め込み（Embedding）技術の解説
2.4 検索エンジンとの連携方法
3. 高精度なRAG構築の手順
3.1 データの前処理と最適化
3.2 効果的なプロンプト設計技法
3.3 コンテキスト管理と情報の取り込み方
3.4 応答生成プロセスの最適化
4. RAGシステムのカスタマイズと最適化
4.1 業界特有のニーズに応じたファインチューニング
4.2 ドメイン固有の語彙と知識ベースの統合
4.3 多言語対応とローカライゼーション
4.4 セマンティック検索の導入と改善
5. RAGの実務応用事例
5.1 カスタマーサポート向けチャットボットの構築
5.2 市場調査・競合分析のための情報抽出システム
5.3 社内ナレッジベースと連携した意思決定支援システム
5.4 製品開発のためのアイデア生成ツール
6. RAGシステムの評価と継続的改善
6.1 性能指標の設定と測定方法
6.2 ユーザーフィードバックの収集と分析
6.3 A/Bテストによる最適化
7. RAG導入に関する法的・倫理的考慮事項
7.1 個人情報保護法とGDPRへの対応
7.2 著作権と知的財産権の取り扱い
7.3 AIバイアスの検出と軽減策
8. 実践ワークショップ
8.1 簡易RAGシステムの構築演習
8.2 プロンプト最適化の実践
8.3 性能評価とデバッグ技法
9. 今後の展望とまとめ
9.1 RAG技術の将来動向
9.2 企業におけるRAG導入戦略
9.3 質疑応答セッション
