（11/20）AIエージェント時代の RAG・LLM の環境構築・実践活用方法～基礎および精度改善手法・社内DXの進め方まで～（10/13 目次追加・更新）

NTTテクノクロス株式会社 フューチャーネットワーク事業部 アシスタントマネージャー 山口 佳輝 氏

セミナーポイント

　生成AIの活用が急速に広がる中、近年はAIエージェントが大きな注目を集めています。その一方で、生成AI、特にLLM(大規模言語モデル)の活用が広がり始めた頃から重要な技術として注目されてきた「RAG」は、AIエージェントほど目立つキーワードではなくなりつつあります。
　しかし、社内外の知識や情報を取得してLLMの処理に活用するRAGは、これまでの代表的なユースケースであったチャットボットだけでなく、AIエージェントにおいても重要な役割を担う技術です。
　そこで本セミナーでは、AIエージェント時代である今だからこそRAGを見つめ直します。
LLMとRAGの基礎からチャットボットとAIエージェントの違い、RAGの構築方法および精度改善のポイントを説明します。また、各社のセキュリティ事情も考慮し、ローカルLLMの環境構築方法もお伝えします。汎用のクラウド生成AIでも利用できるように構成例についても取り上げます。
　さらに、そこからLLMとRAGを活用した社内DXの進め方までご紹介します。

○受講対象：
　・社内・或いは部署内の情報を、生成AIを用いて有効活用したいとお考えの方
　・社内情報検索システムの構築を検討している方
　・LLMやRAG、AIエージェントを用いた社内DX推進を検討中の方
　・LLMやRAGを運用している、あるいは携わっているが、今後の改善方針に悩んでいる方
　など

○受講後、習得できること：
　・LLM 及び RAGに関する基礎知識
　・RAGの種類や構成、精度改善手法の基礎知識
　・LLM + RAGを用いた社内DXの進め方

セミナー内容

★以下、目次内容を追加・更新致しました（10月13日）

1. はじめに
2. LLMとRAGの基礎
　1) LLM
　　a) LLMとは / LLMのできる事 / 得意分野 / LLM利用の注意点 / LLMの仕組みと利用方法
　　b) LLMのユースケース: チャットボットとAIエージェント
　　　- それぞれの仕組み / ユースケース例
　　　- メリット / デメリットと注意点
　　c) ローカルLLM と クラウドLLM
　　　- 違いとメリット / デメリット，各モデルの例
　　　- それぞれの利用に必要なコンポーネント
　　　- ローカルLLMを使う際に意識すべきこと（パラメータサイズ等）
　2) RAG
　　a) RAGとは / RAGの仕組み概要
　　b) RAGの重要性
　　c) RAGの種類とユースケース
　　d) チャットボット用RAGとAIエージェント用RAG

3. 実践活用に向けて
　　a) LLM×RAGの最新事情
　（コンテキスト長の増加とチャンクサイズ / Agentic RAGとデータ多様化 / セキュリティ強化とメタデータ）
　　b) やりたい事と実現方法の選び方 / LLM×RAGの選択肢
　　c) LLMとRAGの構成について
　　　- クラウドとローカル （選択肢とメリット）
　　　- クラウドとローカル構成案
　　　- 実現ツール
　　d) LLM×RAGのベストプラクティス（ハイブリッド検索/検索結果の可視化/リランキング）

4. ローカルLLMとRAGの構築手順
　　a) 実現する事などの概要
　　b) ベストプラクティスに対応したローカルLLMとRAGの構築方法と動作例（チャットボット型）
　　　- アプリ / ローカルLLMの構築, アプリ / RAG設定
　　　- 動作例（ブラウザ/API）
　　　- 一部処理の改善（ベストプラクティス要素の追加）
　　　- 動作例（効果確認)
　　c) ベストプラクティスに対応したローカルLLMとRAGの構築方法と動作例（AIエージェント型）
　　　- AIエージェントのおさらいと利用ツールの制約
　　　- アプリ設定
　　　- 動作確認（ブラウザ / API）

5. LLM×RAGの精度改善手法と精度評価
　　a) 精度評価
　　　- 精度評価方法と進め方
　　　- 自動評価と人手による評価
　　b) LLM×RAGの精度改善手法
　　　- 全体概要
　　　　・精度改善の観点について
　　　- 質問文や運用の改善
　　　　・プロンプトエンジニアリング
　　　　・プロンプトテンプレート
　　　　・ノウハウの共有 / 運用の改善
　　　- パラメータ改善
　　　　・LLMへの推論パラメータの変更 / RAパラメータ（チャンクサイズやオーバーラップなど）の変更
　　　- ドキュメント改善
　　　　・markdownやHTML化とその際の注意点
　　　- 仕組みの改善
　　　　・Agentic RAGとデータ構造の持ち方改善
　　　　　・Agentic RAGの考え方, 多様なデータの持ち方（セマンティックチャンキングなど）の紹介
　　　　・ワークフローと主流な改善方法
　　　　　・Query Rewariting/RAG Fusion/HyDE / ルーティング（Self-Route/Adaptive RAG)/Self-RAG/CRAG
　　　- [参考] モデルの改善
　　　　[参考] ・モデルのファインチューニングとユースケース, RAG2.0

6. LLMとRAGを用いた社内DXの進め方
　　a) チャットボット / AIエージェントの進め方全体概要
　　　- 進め方の概要と考え方
　　b) 各フェーズの進め方 / 意識すべきこと
　　　- 各フェーズ（仕様検討 / 実装 / 評価 / 改善）で実施すべきこと
　　　- AIエージェントならではの気を付けるべきポイント

7. おわりに

Appendix
　　a) 構築例の注意点の補完（構築の更なる拡張）
　　　- 構築手順
　　　- 動作確認

＜質疑応答＞

出典：株式会社情報機構（https://johokiko.co.jp/seminar_chemical/AD2611N1.php）。掲載は情報機構との提携によります。