日立グループは2023年、データサイエンティストやAIの研究者、広範なスペシャリストをGenerative AIセンターへ集結。全社での生成AI活用を推進し、そこで得た知見を顧客へ提供しています。本書ではそうしたナレッジをいち早く紹介。一般的なデスクワークからコールセンター、システム開発、社会インフラの維持・管理、データサイエンスまで、国内屈指の実績に裏付けられたAI活用のノウハウを惜しみなく開示します。 ■対象読者 (1)生成AIによって業績をアップしたい経営企画部、DX推進部、情報システム部の方々 (2)生成AIをソフトウェア開発に活用したいシステムエンジニア (3)生成AIを業務でフル活用したい一般の業務担当者、データサイエンティスト (4)プロンプトエンジニアリングやRAGなど、生成AIの活用テクニックを学びたいエンジニア ■本書の構成 本書は1章から3章までを「基礎知識編」、4章以降を「ユースケース編」とし、以下の流れで解説します。 ・1章 生成AIとは？：生成AIとは何かをご説明します。また、各企業での典型的な取り組みや、日立グループの取り組みもご紹介します。 ・2章 生成AI活用に必要なこと：生成AIの活用に必要な、生成AIの関連サービス、システム／環境、利用ガイドライン、デジタル人材についてご紹介します。 ・3章　生成AIプロジェクトの進め方：企業内で生成AIプロジェクトをどう進めて行くのか、基本的なプロセスと各ステップでの作業をご紹介します。 ・4章～8章　生成AI活用ユースケース：企業における代表的なユースケースをご紹介します。 (1)社内での一般利用（4章） (2)システム開発の生産性向上（5章） (3)コールセンターでの活用（6章） (4)社会インフラの維持・管理での活用（7章） (5)データサイエンティストによる活用（8章）

【Azure×OpenAIでChatGPTシステムを構築！】 本書はLLM（大規模言語モデル）に興味があるITエンジニアを対象に、AzureからOpenAIモデルにアクセスできる「Azure OpenAI Service」を使い、ChatGPTを利用した社内AIシステムの開発と導入を実現してもらうのが目的です。 前半では、生成AIとChatGPTモデルの基本的な概念とその仕組みを解説します。また、Azure OpenAI Serviceの概要と具体的な利用方法を解説し、プロンプトエンジニアリングについても紹介します。後半ではChatGPTを利用する社内システムの開発手法について、実際にAzure OpenAI Serviceを使いながら学んでいきます。RAGを利用した社内文章検索システムの実装を経て、LLMを組み込んだアプリケーション（Copilot）の構築へとステップアップしていきます。また、ガバナンス実現に必要な共通基盤化と責任あるAIについても解説しています。 ■目次 ●第1部 Microsoft AzureでのChatGPT活用 ・第1章 生成AIとChatGPT ・第2章 プロンプトエンジニアリング ・第3章 Azure OpenAI Service ●第2部 RAGによる社内文章検索の実装 ・第4章 RAGの概要と設計 　　4.1 ChatGPTの問題点と解決手法 　　4.2 Retrieval-Augmented Generationとは 　　4.3 検索システム 　　4.4 Azure AI Search 　　4.5 オーケストレータ 　　4.6 Azure OpenAI on your data 　　4.7 Azure Machine Learningプロンプトフロー 　　4.8 大規模言語モデル 　　4.9 Azure OpenAI API 　　4.10 まとめ ・第5章 RAGの実装と評価 　　5.1 アーキテクチャ 　　5.2 社内文章検索の実装例 　　5.3 会話履歴の保持 　　5.4 検索機能 　　5.5 データインジェストの自動化 　　5.6 RAGの評価と改善 　　5.7 検索精度の評価 　　5.8 生成精度の評価 　　5.9 まとめ ●第3部 Copilot stackによるLLMアプリケーションの実装 ・第6章 AIオーケストレーション 　　6.1 Copilot stackとは 　　6.2 AIオーケストレーションとエージェント 　　6.3 独自Copilot開発のアーキテクチャと実装 　　6.4 まとめ ・第7章 基盤モデルとAIインフラストラクチャ 　　7.1 基盤モデルとAIインフラストラクチャとは 　　7.2 ホスティングされたモデルの場合 　　7.3 公開モデルの場合 　　7.4 まとめ ・第8章 Copilotフロントエンド 　　8.1 ユーザーエクスペリエンスの基礎 　　8.2 LLMの不確実な応答への対処 　　8.3 UX向上のための参考資料 　　8.4 まとめ ●第4部 ガバナンスと責任あるAI ・第9章 ガバナンス ・第10章 責任あるAI ■著者プロフィール 永田 祥平：日本マイクロソフト株式会社 クラウドソリューションアーキテクト。主にエンタープライズのお客様を対象に、Azureビッグデータ分析基盤や機械学習基盤の導入・活用支援を行う。 伊藤 駿汰：日本マイクロソフト株式会社 クラウドソリューションアーキテクト／株式会社Omamori 取締役。AI/ML開発と利活用の技術支援、機械学習基盤やMLOps基盤の構築および活用の技術支援を行う。 宮田 大士：日本マイクロソフト株式会社 クラウドソリューションアーキテクト。現職では、幅広い業界のお客様へのAIの導入／活用を支援。 立脇 裕太：日本マイクロソフト株式会社 クラウドソリューションアーキテクト。現在は日本マイクロソフトでビッグデータ、クラウド、機械学習を活用した企業のデータ活用を支援。 花ケ﨑 伸祐：日本マイクロソフト株式会社 パートナーソリューションアーキテクト。現在はパートナーAIソリューションの開発支援に携わる。 蒲生 弘郷：日本マイクロソフト株式会社 クラウドソリューションアーキテクト。現在はソリューションアーキテクトとしてAI導入の技術支援やAzure OpenAI Serviceのエバンジェリスト活動などに従事。 吉田 真吾：株式会社セクションナイン 代表取締役。2023年5月にAzure OpenAI/Azure AI Search/Azure Cosmos DBを活用した人事FAQ 機能をリリース。著書、監訳書多数。

※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。 ※この電子書籍は紙版書籍のページデザインで制作した固定レイアウトです。 ローカルLLMでファインチューニングとRAGを学ぼう！ 本書は、公開されている大規模言語モデル（LLM: Large Language Model）を使ってローカル環境に独自のチャットボットを構築することを目標に、LLM のファインチューニングと RAG (Retrieval Augmented Generation) の基礎と、そのプログラミングについて学ぶものです。 ChatGPTの台頭により、高性能なチャットボットへの期待が急速に高まっています。しかし、そのチャットボットの核となるLLMは基本的に言語モデルであるために、幻覚（誤った情報）を生成してしまいます。とくに、LLMはローカルな情報や最新の情報は持っていないため、それらに関する質問に対しては正しい回答が期待できません。また、ChatGPTのようにLLMが外部のサーバにある場合、自社データや顧客データを入力することには抵抗があると思います。 本書では、そういった課題を解決するために、公開LLMをファインチューニングしたり、公開LLMを使ったRAGを構築したりすることで、よりニーズに沿ったチャットボットを構築します。こういった調整を行って構築したチャットボットは、特定の分野について深く正確に回答してくれるようになります。 <本書のポイント> ・LLMについての基本事項を学べます。 ・LLMのファインチューニングの方法とRAGの構築方法を学べます。 ・解説したプログラムをウェブサイトで配布します。 はじめに／目次 第1章　大規模言語モデル 1.1 言語モデルとは 1.2 言語モデルとチャットボット 1.3 日本語特化のLLM 1.4 LLMの利用 1.5 この章で使用した主なプログラム 第2章　ファインチューニング：言語モデルの追加学習 2.1 基本的な学習の処理 2.2 Trainerの利用 2.3 訓練データをDatasetへ 2.4 collator 2.5 保存されたモデルからの文生成 2.6 Early Stoppingの導入 2.7 この章で使用した主なプログラム 第3章　Instruction Tuning：指示に基づくファインチューニング 3.1 Instruction Tuningとは 3.2 Instruction Tuningの学習データ 3.3 Instruction Tuningの学習データの作成 3.4 Instruction Tuningの実行 3.5 Instruction Tuningモデルによる文生成 3.6 この章で使用した主なプログラム 第4章　大規模言語モデルのファインチューニング 4.1 LoRA：低ランク行列によるファインチューニング 4.2 PEFT：効率的にファインチューニングするためのライブラリ 4.3 LoRAモデルによる文生成 4.4 QLoRA：LoRAに量子化を利用する ① 量子化とは ② bitsandbytesの利用 4.5 Prompt Tuning：プロンプトの効率的なチューニング法 4.6 この章で使用した主なプログラム 第5章　RAG：検索を併用した文生成 5.1 RAGとは 5.2 FAISSによるデータベースの構築 ① パッセージの作成 ② パッセージのベクトル化 ③ ベクトルデータベースの構築 5.3 RetrievalQAとOpenAIのLLMによるRAGの構築 5.4 RetrievalQAと公開LLMによるRAGの構築 ① プロンプトの作成 ② HuggingFacePipelineを利用したLLMの設定 ③ プロンプトの変更 5.5 RAGの各種パーツの変更 ① WikipediaRetrieverクラスの利用 ② Wikipediaからの自前データベースの作成 ③ Document LoaderとDocument transformersによるデータベースの作成 ④ キーワードデータベースの検索 ⑤ 量子化モデルの利用 5.6 HyDE：仮想的文書作成による検索法 5.7 RAGの性能向上のために検討するべき要素 5.8 この章で使用した主なプログラム 第6章　ChainlitによるGUIのチャットボット 6.1 インストール 6.2 Chainlitの基本プログラム 6.3 OpenAIのLLMを使ったチャットボットのGUI 6.4 公開LLMを使ったチャットボットのGUI 6.5 RAGを利用したチャットボットのGUI 6.6 Chainlitのサーバでの稼働 6.7 この章で使用した主なプログラム あとがき／索引／奥付

生成AIの登場で変容するビジネス現場を業界別に解説 NRI（野村総合研究所）グループのAIエキスパートチームによる決定版！ いかなる未来を想定し、いかに活用すればよいのか？ 「本書は、生成AIの歴史、主要技術、発展を支える技術的基盤、規制とリスク、各業界での活用状況、そして未来展望を解説し、この分野における深い理解と潜在力の活用に向けた洞察を提供します」――「はじめに」より OpenAI／ChatGPT／自然言語処理／敵対的生成ネットワーク（GAN）／トランスフォーマー／大規模言語モデル（LLM）／NVIDIA／検索拡張生成（RAG）／ファインチューニング／量子コンピュータ／ディープフェイク／グラウンディング／ステーブルディフュージョン／マルチモーダル／クッキーレス／Midjourney／ソブリンクラウド／プロンプトエンジニアリング／シンギュラリティ／汎用人工知能（AGI）･･････ほか ◆主な内容 第１章　生成ＡＩの概要と歴史 第２章　生成ＡＩの主なテクノロジー 第３章　生成ＡＩを進化させる技術動向 第４章　生成ＡＩの課題と社会的影響 第５章　生成ＡＩのビジネス活用のはじまり（業界別） 　５．１　製造業界（自動車・電子電機・医薬品など） 　５．２　金融業界 　５．３　流通小売業界 　５．４　広告業界 　５．５　エンターテインメント業界 　５．６　行政 第６章　生成ＡＩのもたらす未来