おはようございます。1月15日SHIPの朝礼を始めます。

エントランスの縁起物・神田明神の熊手が新年であらためられています。昨年一年お守りいただいた熊手は納めさせていただきました。

さて2023年9月にローンチした住まい相談チャットくんもそうですが、その後さまざまなAIチャットボットやAIサービスがでてきています。多くのサービスに共通するのがRAGです。直接関わっていない人でも10分ほどですが、都知事選で「AIあんの」を披露した安野さんの動画がみておいてください。

内容目次
https://www.sbbit.jp/movie/14746

この動画は、AIエンジニアの安野氏が RAG（Retrieval-Augmented Generation：検索拡張生成） について解説したものです。

Geminiに要約してもらいました。AIサービスに直接関係のない人でもここに出てくる言葉は理解しておいてください。
～～～　
動画の内容を要約すると以下のようになります。

生成AIの課題：「ハルシネーション」
ChatGPTなどの生成AIは、もっともらしい嘘を出力してしまう「ハルシネーション」という問題を抱えています。
これは、生成AIが学習データに基づいて確率的に文章を生成するため、事実とは異なる情報を出力してしまう可能性があるからです。

RAGによる解決
RAGは、生成AIが外部の知識ソース（データベースや検索エンジンなど）を参照することで、ハルシネーションを抑制し、より正確な情報を出力できるようにする技術です。
生成AIは、ユーザーからの質問に対して、まず関連する情報を外部の知識ソースから検索します。
そして、検索結果を「コンテキスト」として利用し、質問への回答を生成します。

RAGの仕組み
RAGは、以下の3つの要素から構成されます。
検索エンジン: 質問に関連する情報を検索します。
埋め込みモデル: テキストをベクトルに変換します。
LLM（大規模言語モデル）: ベクトル化された情報に基づいて回答を生成します。

RAGのメリット
ハルシネーションのリスクを軽減できます。
最新の情報や専門的な知識を利用できます。
生成AIの出力の信頼性を向上させることができます。

RAGの応用例
カスタマーサポート
情報検索
教育
翻訳

Ragとファインチューニングの違い

Rag: 外部の知識ソースを利用してLLMの能力を拡張する手法
ファインチューニング: LLM自体を特定のタスクに最適化する手法
～～～～
絵にするとこのようになります。資料として使ってください。

AIサービスの重要な要素であるRAGについて、学んで、理解して、人に伝えられるようになってください。

以上で朝礼を終わります。