top of page

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、効率的に改善・保守する方法を習得。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。

デモ集会

お気軽にお問い合わせ・ご相談ください

Overview

ゼロから始めるRAG：開発・改善・運用まで

​こんな方におすすめ

ゼロからRAGを体系的に学びたいエンジニア

PoCでChatGPT APIやLangChainを触ったことがあるが、全体像がつかめない、構成理解に不安がある方に向けて、RAGの構成・開発・改善・保守までを一気通貫で学べます。ネットなどから部分的な知識をつぎはぎしている状態から一歩脱却することを目標とします。


実装だけでなく、背景も理解したい方

ただ動かすだけではなく、なぜベクトルDBを使うのか、ReRankerで何が改善されるのかなど、各コンポーネントの役割や精度改善の論理を論文ベースの手法や最新技術から「納得」しながら学びます。なぜその手法が有効なのか理解することで、実務に反映する際に学んだ技術を有効的に活用できるようになるのです。


AI導入をリードしたい方

実務での活用を前提に、再現性や継続運用の観点も含めてRAGを設計できるようになり、ハンズオン＋性能改善＋評価の一連フローで、応用力のある生成AIスキルが身につきます。

​活用事例​

社内に蓄積されたさまざまな業務ナレッジを、効率的に活用できるのがRAGの特長です。
従来は手作業で行っていた情報検索を自動化し、応答のスピードや品質の向上につなげることができます。

【社内情報を活用したFAQシステム】

RAGを使い、社内文書やFAQから関連情報を迅速に引き出し、社員の問い合わせ対応を自動化するシステムを構築。


【業務支援特化型アプリの開発】

企業のデータや資料を基に、営業支援ツールや顧客サポート向けのAIアプリを開発。RAGで業務効率を大幅に向上させる。


【高度なAIアプリケーションの開発】

RAG技術を使い、質問応答や情報抽出ができる高度なAIアプリケーション（例：DeepSeek R1やOllamaのような）を開発。データ処理や情報検索のスキルを磨く。


​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

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／数学

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


iLectの３つの受講形式

Enterprise.png

Enterprise

一社単独開催講座
人材教育コンサルティング

Project workshop.png

Project
Workshop

​受講推薦　

仮想プロジェクト伴走支援​

Academy.png

iLect Academy

メンタリング付き e-learning

解決したい課題や受講人数、予算に合わせた受講形式をご提案いたします。お気軽にご相談ください。

​Curriculum

ゼロから始めるRAG：開発・改善・運用まで

  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


bottom of page