※この商品はタブレットなど大きいディスプレイを備えた端末で読むことに適しています。また、文字だけを拡大することや、文字列のハイライト、検索、辞書の参照、引用などの機能が使用できません。 ◆LLMによる情報抽出のノウハウを体系化した一冊！◆ 　大規模言語モデル（LLM）が普及し、サービス価値やユーザ体験が変革の時を迎えています。これまで扱いが難しかった非構造化データの解析に対して、LLMは極めて高い性能を発揮します。そこで我々は、誰もが、どのような非構造化データであっても容易に分析できるように、一連のノウハウを体系的にまとめました。 　本書ではまず非構造化データの特徴を述べ、情報抽出の重要さを説明します。次にLLMの特徴や性能向上のための技術を解説します。LLMは一見万能に見えますが、セキュリティの懸念、LLMが不得手とするタスク、処理速度、運用コスト、精度評価のむずかしさなど、適用時の注意点についてもふれます。そして、LLMによる情報抽出の汎用的な手法から、個々のタスクに特化した手法までを説明します。ただし、そのままのLLMでは各タスクに対する精度や処理速度が不十分なことがあります。タスクに対する精度を上げるために、画像の回転補正やマーカー付与、クレンジングやコンテキストの取捨選択といった前処理や、推論速度を高速化するための画像圧縮や複数画像の結合にLLMの出力を安定させ、後続の処理で使いやすくするためのバリデーションやリカバリといった後処理の技術についても解説します。 　なお本書では、GoogleのGeminiを活用した情報抽出の手法を、詳細なプロンプトとともに解説しています。プログラミングに精通していない方でも、掲載しているプロンプトをコピー＆ペーストするだけで、Geminiをはじめとする各種LLMで簡単に情報抽出を再現することが可能です。また、より高精度かつ発展的な推論を実現するために不可欠な前処理手法については、Pythonのサンプルコードを併記しました。これらはGoogle Colab環境でそのまま動作させることができ、すぐに実践に活かせるものとなっています。 ■目次 第1章 情報抽出の概要 ・1-1 構造化データ ・1-2 非構造化データ ・1-3 情報抽出の代表例 ・1-4 ルールベースによる情報抽出 ・1-5 LLMによる情報抽出 第2章 LLMことはじめ ・2-1 LLMとは何者か？ ・2-2 マルチモーダルモデルの発展 ・2-3 モデルの分類と代表例 第3章 情報抽出タスクの精度改善 ・3-1 入力を整える前処理 ・3-2 出力を安定させる後処理 ・3-3 パラメータ設定の見直し ・3-4 プロンプトエンジニアリング ・3-5 複数ステップによる推論 ・3-6 モデルのファインチューニング 第4章 LLM活用における注意点 ・4-1 タスクやコンテキストに起因する問題 ・4-2 モデルの構造に起因する問題 ・4-3 運用上の注意点 ・4-4 精度評価の難しさ ・4-5 セキュリティとデータ保護 第5章 テキストデータからの情報抽出 ・5-1 代表的な前処理 ・5-2 適用事例 ・5-3 苦手なタスク 第6章 画像データからの情報抽出 ・6-1 代表的な前処理 ・6-2 適用事例 ・6-3 苦手なタスク 第7章 音声／動画データからの情報抽出 ・7-1 音声データ ・7-2 動画データ 付録 ・A-1 Pythonの使い方 ・A-2 Geminiの使い方 ■著者プロフィール ●中田 百科（なかだ　ひゃっか）：株式会社リクルート・慶應義塾大学理工学研究科後期博士課程3年。2016年3月東京大学大学院理学系研究科修士課程修了。メーカーの研究職に勤めたのち、株式会社リクルートにてデータサイエンス業務に従事。光学文字認識、画像認識、プロンプトエンジニアリング、量子計算、数理最適化の研究を行なっている。また、大学受験予備校/大学での講義や試験作成といった教育活動にも長年携わっている。統計検定1級最優秀成績賞の受賞者。著書に『Pythonによるアニーリングマシン入門』（共立出版）がある。 ●桐生 佳介（きりゅう　けいすけ）：株式会社リクルート　機械学習エンジニア。2013年3月、早稲田大学社会科学部卒。国内金融系SIerにてシステムエンジニア、R&Dエンジニアとして勤務したのち、株式会社リクルートにてデータサイエンス業務に従事。自然言語処理分野を専門とし、継続事前学習、ファインチューニング、性能評価、推論最適化など、大規模言語モデル（LLM）の周辺技術について幅広く研究・開発に取り組む。また、これらの知見を活かし、LLMを用いたレコメンドシステムなどのビジネス実装を牽引している。