はじめに タイトルの問いに対して、結論から言うとベクトル検索が完全に不要になった、ということはないです。一方、「各文書を分割→ベクトル化→並列に配置して検索」のような従来RAGのアーキテクチャだと対応できないユースケースは多々あります。 本記事では、従来のベクトル型RAGの特徴を振り返り、技術的課題を再認識するとともに、最新のRAGアーキテクチャの利点を踏まえて、これらとベクトル検索をいかに共存させるかを再検討します。 RAG（Retrieval-Augmented Generation） RAGの定義 そもそもRAGとは、外部にあるデータを抽出し、ユーザーの入力と合わせてLLMに入力する仕組みです。コストの重い「学習」というプロセスを経ずにLLMへ知識を追加できることが最大のメリットとなります。（ベクトル検索＝RAGではない） 外部データの表現 キーワード検索 生のテキストからキーワード
先日、Claude Codeの開発者でありAnthropicのエンジニアでもあるBoris Cherny氏が、「初期のClaude CodeではRAG＋ローカルベクターDBを使っていたが、最終的にAgentic Searchの方が圧倒的に良いと分かった」 という発言がありました 私はBoris氏のこの投稿を見たとき「やっぱ、そうだよな」と思いました。なぜなら私もRAGで検索システムを作った際に似たようなことを考えていたからです。この記事ではこの騒動の背景を整理しつつ、なぜClaude CodeがRAGを捨ててAgentic Searchを選んだのかを説明します。 Boris Cherny氏について Boris Cherny氏はAnthropicのエンジニアであり、Claude Codeの創設者 でもあります。また『Programming TypeScript』の著者でもあり、複数の技術系ポ
NotebookLMを議事録管理や思考整理にフル活用している方は多いかと思います。しかし、スライド作成機能を使っていて、こんな悩みを感じたことはありませんか？ 「スライドのガチャ要素」：作るたびに構成が変わってしまう。 「デザインのばらつき」：ブランドカラーを統一したいのに、毎回トーンが変わる。 今回は、Geminiの「Gem」を活用して、デザイン性を固定しつつ「編集可能なスライド」を作る応用テクニックを紹介します！ 例えばこんな感じのスライドです↓もちろん編集可能です！ NotebookLMで編集可能なスライドを作ったことがないよ。って方はこちらの記事に詳しく書いています。 結論：Gemini(Gem)でデザイン用のプロンプトを作成する。今回大事なポイント2つです。 デザインのプロンプト Gemの作成 好きなデザインのカスタム指示（プロンプト）をGemで作成しておけば、次作るときもデザイ
NotebookLMに追加された「スライド資料」作成機能が話題です。 NotebookLMはとにかく一発で非常にクオリティの高いプレゼンテーションスライドを出してくるので、いろんな人が「もうこのままでプレゼンできる」と言ってしまうレベルです。ボタン一発でこんなふうに。 これだけ見るとぜんぜん悪くないですよね。プレゼン屋の目線で見ても悪くない。 ただ、次にこちらも見てみてください。 こちらもまったく同じソースを使ってNotebookLMで一発で出したスライドなのですが、後者の方は意図してこのスライドデザインになるよう指定したものです。 この記事ではこのようにNotebookLMでスライド生成するときのデザインの指定方法をご紹介していこうと思います。 NotebookLMの使い方NotebookLMを使ったことがある方はご存じだと思いますが、他の生成AIとの大きな違いがユーザが最初に文書データ
D.M.です。今回は RPA にて PDF を OCR で読み取る検証をしたお話です。 TL;DR ・実用性は AI OCR しか勝たん。 ・AI OCR は Google vs Microsoft の構図。 両者精度高。 ・Google も Microsoft も API に無料枠があり Python などのプログラムで連携できる。 ・Microsoft は有料の RPA 連携機能が超絶楽勝なのでコードを書かない前提ならこっちも選択肢。非エンジニアでも楽々自動化できる。 ※関連記事 AI OCR でクレカ読み取りをやっています。 スマホNativeアプリでクレジットカード番号の読み取り機能の技術検証結果まとめ https://recruit.gmo.jp/engineer/jisedai/blog/technical_review_ocr_solutions_on_auto_detect
AIが「もっと正確に」「もっと誠実に」答えてくれるようになる――そんなプロンプトが、今SNS上で話題になっています。 投稿主は、AI教育分野で知られるみやっち（@miyachi_ai）さん。 Threads（スレッズ）に投稿された「信頼性の高い情報を提示できる高精度なファクトベースAIです」という指示文が、ユーザーの間で急速に拡散中です。 「ChatGPTが知らないことも“自信満々に答える”」問題に一石 みやっち氏は10月11日の投稿で、こう指摘しています。 「ChatGPTって時々、知らないことも自信満々に答えちゃうの。 でもこれを送れば、“分かりません”って正直に言ってくれるようになるよ。」 AIの“ホントっぽい嘘”――つまり、知らないことをもっともらしく答えてしまう現象（通称：ハルシネーション）は、長年の課題です。 その対策として生まれたのが、以下のファクトベースAIプロンプトです。
はじめに こんにちは。Algomatic AI Transformation(AX) のsergicalsix（@sergicalsix）です。 本記事では大規模言語モデル(LLM)を用いたアプリケーションないしAIエージェントの構築において切っても切り離せない「コンテキストエンジニアリング」について2025年10月時点での知見を備忘録としてまとめます。 コンテキストエンジニアリングとは コンテキストエンジニアリングとは、LLM に与える情報(コンテキスト)を制御する技術です。 コンテキストエンジニアリングはよくプロンプトエンジニアリングと対比されます。 プロンプトエンジニアリングとコンテキストエンジニアリング (Effective context engineering for AI agents) プロンプトエンジニアリングはあくまで特定のタスクに特化したエンジニアリング手法であるのに
Copilot に質問するくらいで、これまであまり AI には積極的には関わってこなかったのですが、要望もあり、10日間ほどかけて勉強・整理してみました。しかし、最近の新化や変動が激しいため、このページの内容もすぐに古くなってしまう可能性があります。最新の動向は AI を活用するなどしてウォッチしてみてください。(2025.10.12 杜甫々) サブページ AIの歴史 AI関連用語 基本用語 機械学習 ディープラーニング 生成AI AIエージェント バイブコーディング モデルと入出力 モデル プロンプト トークン マルチモーダル MCP アーキテクチャ パラメータ数 LLM SLM GPU 学習方法・測定方法 教師あり学習 教師なし学習 ファインチューニング 転移学習 RAG AIの課題と未来 AI倫理ガイドライン・法律 ハルシネーション AGI シンギュラリティ AIモデル ChatGP
デジタル庁は10月9日までに、AIが法務でどれほど使えるかを測る「日本の法令に関する多肢選択式QAデータセット」を公開した。同データセットは、法令分野に関する4択問題と回答、問題の背景となる法令の抜粋などを含む。行政機関や企業の法務部門でのAI導入に役立てたい考えだ。 同データセットは、複数の大規模言語モデル（LLM）により作成・検証したもの。含まれる問題が選択式のため、AIの回答を自動で採点・評価しやすいのが特徴だ。政府が持つデータのAI開発での活用を目指し、同庁が実施した「政府等保有データのAI学習データへの変換にかかる調査研究」で利用した。 同データセットの主な利用方法として、AIが法務でどれほど使えるかを測る評価データを想定する。また、同庁のテストによると、同データセットをPreferred NetworksのLLM「PLaMo-100B」の継続事前学習と指示学習に利用することで、
この記事は何 ナレッジセンスでは、エンタープライズ向けにRAGサービスを提供しています。その中で「RAGは簡単に作れるけど、精度を上げるのは難しい」という課題に日々向き合っています。本記事は、2024~2025年に公開された研究や事例をもとに、RAGの回答精度を高める代表的なアプローチを ざっくりまとめたものです。 ざっくりサマリー この記事では、企業の社内データを利用したRAG、特に大企業で「エンタープライズRAG」での実装手法についてざっくり理解します。まず、エンタープライズRAGでのよくある課題をお伝えします。その上で、2025年現在の最新動向を踏まえ、評価手法のような基本戦略から、ちょっと高度なテクニックまで、RAGの精度を向上手法を概観します。 （エンタープライズRAGとは、社内の膨大なデータをLLMが活用可能にするためのソリューションのことです。） RAG、実装は簡単。しかし、
はじめに はじめまして。株式会社neoAIの研究開発組織 (neoAI Research) の山本勇太です。 昨今、RAG（Retrieval-Augmented Generation）の実用化が急速に進展しています。RAGは、入力クエリをもとに検索器（Retriever）が文書データから関連文書群を取得し、それに基づき大規模言語モデル（LLM）などの生成器（Generator）が回答を作成する手法です。 LLMは多様な組織から頻繁に新しいモデルが公開されており、RAGの実用上優れているモデル選定のニーズは高いです。したがって、RAGにおけるGenerator選定のための、実用上の能力評価は重要な課題であると言えます。 RAGを実際の現場で使う際は、Genaratorには、Retrieverが取得した関連文書から根拠を正確に抽出する能力だけでなく、複数の関連文書からの根拠の取得及び統合・多
はじめに：なぜAIの「使い分け」が重要なのか？「AIって便利だけど、結局ChatGPTだけで良くない？」 そう思っている方も多いかもしれません。ですが、少し想像してみてください。最高の料理を作りたい時、包丁一本だけで全ての作業をこなすでしょうか？ 野菜を切るための「包丁」、煮込むための「鍋」、炒めるための「フライパン」。それぞれの工程に最適な道具があるように、私たちの「考える」という知的生産のプロセスにも、各ステップに最適なAIツールが存在します。 この記事では、複雑に見えるAIツールを料理の道具のように使い分け、漠然としたアイデアを「価値ある知的資産」へと育て上げるための一連の流れ（ワークフロー）を、世界一わかりやすく解説します。 各AIの棲み分けとDIKWモデル知的生産フローの全体像この流れをマスターすれば、あなたは単なるAIの利用者から、AIを自在に操り、独自の思考を生み出す「デジタ
こんにちは、クラウドサインで CRE（Customer Reliability Engineer）をしている藤谷です。 CRE チームでは、お客様からの技術的な問い合わせに回答する際、誤った情報をお伝えしないよう、チーム内で回答案をレビューする仕組みを運用しています。ただ、従来は人力でのレビューだったため、時間がかかったり、レビュアーによって観点に差が出たりする課題がありました。 そこで今回、AI を活用した「CRE HelpDesk Reviewer」というレビュー支援ツールを開発しました。 これは、先日 kunihikot さんが構築したクラウドサインについてなんでも教えてくれる社内ナレッジ検索システム「Deborah」の基盤・仕組みを活用して実装したものです。 Deborah は、Dify × Amazon Bedrock × AI を使った社内ナレッジ検索システムで、esa（社内ナ
本記事では、RAGの性能を高めるために「あえてノイズを注入する」手法について、ざっくり理解します。株式会社ナレッジセンスは、エンタープライズ企業向けにRAGを提供しているスタートアップです。 この記事は何 OpenAIがリリースした「Deep Research」[1]という機能が話題です。その中で、「AIが、全然関係ない思考を挟んでいる」という、興味深い報告がされています。[2] そして面白いのは、OpenAIが意図的にそうしている可能性が指摘されていることです。 そこで、この記事では、上記の根拠として挙げられている論文[3]について、日本語で簡単にまとめます。 今回も「そもそもRAGとは？」については、知っている前提で進みます。確認する場合はこちらの記事もご参考下さい。 本題 ざっくりサマリー この論文は、RAGシステムにおいて、ノイズ（=無関係な文書）が与える影響を分析したものです。サ
導入 こんにちは、株式会社ナレッジセンスの須藤英寿です。 今回は、RAGの認知の階層を分析して、ハルシネーションを防ぐ手法「LFD」について紹介します。 サマリー 以前の我々のブログでLLMに無関係な文書を渡すことでRAGの性能が向上する、という突拍子もない論文を紹介したことがありました。 今回紹介する論文では、その無関係な文書がLLM内部でどのような役割を担っているのかを分析し、原因を突き止めました。さらにそこから一歩踏み込み、無関係な文書を渡すことなく、同等の性能を向上させる手法「LFD」を発見しました。 課題意識 RAGのハルシネーション RAGはユーザーの知りたい情報を検索して、検索結果をLLMに渡すことで、LLMの知らない情報も回答できるようにする為の技術です。しかし、LLMは自身の知る知識と検索結果を明確に区別できないために、たとえ正確に情報を検索できたとしても、正しい情報を回
OpenAI が公開している GPT-5 Prompting Guide を読みました。エージェントやコーディング支援に LLM を活用する上で、参考になる点が多かったので自分なりに整理しておきます。GPT-5 の内容とはなりますが、他の推論が強化された LLM でも参考になると思います。 cookbook.openai.com GPT-5 プロンプトガイドの要点 思考(reasoning)の最適化 ツール利用の明示 思考の再利用 コーディングにおける最適化 指示によく従わせるための工夫 Structured Output コーディングエージェントに応用する実践アクション Context の最適化：思考過程をテキストに書き出させる コンテキストを支援するツールを利用する プロンプトの粒度/視点を調整する GPT-5 プロンプトガイドの要点 プロンプトガイドを読むと、全体を通じて、GPT-5
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
