- iLect Academy -
ゼロから始めるRAG
ゼロから始めるRAG：開発・改善・運用まで
様々な情報をデータベース化し、LLMと組み合わせて
正確かつ根拠のある回答が可能なアプリケーションを構築できる
本講座では、RAG（Retrieval-Augmented Generation）を基礎から学び、実際に業務に活用できるAIアプリケーションの開発スキルを身につけます。
社内情報や外部データを活用した高度な検索技術、AIの精度向上手法を学び、効率的に運用・改善する方法を習得。情報検索システムの理解を深め、業務支援特化型アプリケーションの開発に役立つ実践的な知識を提供します。
Upcoming Session
申込受付中の講座
開催日
講義日：10月27日（月）
【詳細】
メンタリング：2週間後の開催予定
iLect System利用期間：10/24 - 11/23
録画講義動画視聴期間：10/28 - 11/23
申し込み締切
- 一次：10月20日（土）
最終：11月3日まで受付中
料金
- 98,400円
-
GPU付き学習用計算機環境 iLect System 使用料、コンペティション課題、同期型メンター、講義日外のチャットツール、復習用動画を含みます。
-
そのほかの開催日についてもお気軽にご相談ください。
-
1社 1名様 〜 お申込みいただけます。
-
10名以上で受講をご希望の場合は別途お問い合わせください。
Schedule calendar
開催日程詳細
-
画像のDay1, Day2...に合わせて講義動画を配信開始、お好きなタイミングで何度でも視聴可能
-
提供期間中、チャットによる質問対応可能（1両日中に返信）※質問の回数制限等はありません
-
講師・メンターに加えて、受講期間中はオペレーターが常駐しております、システムの操作方法やその他のご質問にも迅速に対応し、受講生の皆さまが安心して学習に集中できる体制を整えております。
Overview
講座概要
本講座のゴール
社内文書やFAQを活用し、実務に使えるチャットボットや検索ツールの開発ができるようになる
LangChainを活用し、再現性・継続運用性のあるRAG構成を設計できるようになる
動かすだけでなく、環境変数やデータの変更にも柔軟に対応できるRAG構成を、LangChainのベストプラクティスに沿って設計・実装できるようになります。
性能改善、評価、保守の手法を含む、PoC止まりで終わらせない生成AIスキルを獲得する
構築手順をなぞるだけでなく「なぜその構成にするのか」まで踏み込んで解説。ハンズオン形式での実装に加え、性能改善・評価までを一連の流れで体験することで、実務で使える設計力が身につきます。
RAG Enterprise 詳細はこちら
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 | iLect Academy 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 | Pythonの基本的な構文は理解している |
数学 | 高校卒業程度の数学に関する知識 |
Curriculum
カリキュラム
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
LangChainとLCELによる実装
LCEL構文でRetriever／Prompt／Model／評価のChainを構築し、質問応答の一連フローを作成する
Structured Outputによるクエリ生成
検索クエリの質を高めるため、複数クエリ生成と型指定（Pydantic）によるstructured outputを実装
multi_query_rag_chainによる多視点検索
多視点検索→Retrieval→生成→出力までを一つのチェーンに統合
Step 04：RAGの性能改善
ReRanker導入による評価改善
MMR（Maximal Marginal Relevance）やスコア順によるReRank実装と効果比較を行う
出力精度の評価
precision／recall／F1-scoreの導入による自動評価と、人手評価との使い分けを理解
Step 05：RAGの運用
評価観点とLLMOpsの考え方
精度維持・監視・バージョン管理・セキュリティなど、業務適用時に考慮すべきLLMOps観点を学ぶ
パイプライン設計と運用設計
プロンプト・Retriever・モデル・ReRanker・評価指標までを一つのパイプラインとして設計する方法を学ぶ
