急速に進化する今日のデジタル環境において人工知能、特に生成 AI は、自然言語によるリクエストに基づいて新しいオリジナルコンテンツを作成する能力で業界に革命を起こし始めています。
このビデオでは、生成 AIとは何か、どのように機能するのか、そしてなぜ重要なのかを探ります。
生成 AIの核心は創造です。従来の AI とは異なり生成 AIはオリジナルのデータセットを模倣した新しいデータを作成することを目的としており、リアルな画像、テキスト、サウンドから研究で使用される複雑なシミュレーションまであらゆるものを作成します。
生成 AIの特徴をもう少し掘り下げてみましょう。ほとんどの機械学習を含む従来の AI アプリケーションは、入力データに基づいて予測や決定を行うように設計されています。
画像内の物体を認識したり、言語を翻訳したり、次に見るべき映画を推薦したりすることもあります。
しかし、生成 AIは単なる反応的なものではなく創造的なものです。大量のデータから学習したパターンを使って人間が作成したコンテンツとますます見分けがつかないような新しいコンテンツを作り出します。
この能力は、大規模言語モデル（LLM）と呼ばれるものによって支えられています。
膨大なデータセットで訓練されたこれらのモデルは、人間のように巧みにテキストを処理し生成します。
生成 AI の実用的な用途は多岐にわたります。金融サービスでは、アナリストやストラテジストが AI を活用して市場動向を予測し、投資アドバイスをパーソナライズすることでデータを戦略的洞察へとこれまで以上に迅速に変換しています。
ヘルスケア分野では、臨床医が AI を活用することで個々の健康履歴を考慮したパーソナライズされた治療プログラムを作成し、オーダーメイドのウェルネス戦略を通じて患者の予後を改善することができます。
科学研究の分野では、生成 AI は複雑な生物学的プロセスのシミュレーションや新しい仮説の生成を支援し、発見とイノベーションを加速させることができます。
もちろん生成 AIの台頭は、倫理面や安全面での懸念ももたらすことに留意しなければなりません。技術が進歩すればするほど、悪用される可能性も高まります。
AI が生成するコンテンツの安全性と完全性を確保し、データプライバシーと知的財産を保護し、これらの技術の悪意のある利用を防止することは、開発者と規制当局が積極的に取り組んでいる重要な課題であり、これらの技術が進化する限りそうし続けることでしょう。
では、人工知能の進化はどのようにしてここまで来たのでしょうか。生成 AI の概念的な始まりから今日の応用までの道のりは、現代の技術進歩の急速なペースの証です。
20 世紀後半に基本的なニューラルネットワークとして始まった生成 AI は、2000年代のディープラーニング・アルゴリズムの登場から最近のコンピューティング・パワーの飛躍まで、極めて重要なブレークスルーを経て躍進し現代における極めて重要な技術としての役割を確固たるものにしています。
今日の状況には、会話の俊敏性で知られる OpenAI の GPT、文脈の理解に秀でた Google の BERT、その他多くの LLM がありそれぞれが明確な強みを持っています。
生成 AI が実際にどのように機能するのか、カーテンの裏側を覗いてみましょう。
宇宙全体の集合知を保持する膨大な図書館を想像してください。生成 AIのモデルは、このライブラリーにあるすべての単語、文章、ストーリーを吸収し、コンテンツの中にある複雑なパターンやスタイルを見分けることができる熱心な超人的読者のようなものです。
この知識を備えた生成 AI モデルは、独自の物語を書いたり、音楽を作曲したり、ライブラリーのコンテンツに見られる人間の創造性の深さと多様性に呼応するビジュアル・アートをレンダリングしたりすることができます。
このプロセスでは、何層ものアルゴリズムが協働して人間の脳に見られるようなニューロンの網目をシミュレートするニューラルネットワークを作成します。
各レイヤーは、前のレイヤーの上に構築され、まったく新しい、しかし驚くほど馴染みのあるものになるまで出力を洗練させ完成させます。
これこそが生成 AI の本質であり、データとアルゴリズムがハーモニーを奏で、新しく独創的なものを生み出しています。
大規模言語モデルは、人間のようなテキストを理解し生成するための基礎を築きましたが、AI の進歩は指数関数的なスピードで進んでいます。
次の波には、言語の複雑さを把握するだけでなくこの理解を行動に変換することができる革新的な AI システムである大規模アクション・モデルが含まれるでしょう。
これらのモデルは、単に文中の次の単語を予測するだけでなく、プロセスの次のステップを予測し複雑なタスクを自動化し、情報に基づいた意思決定を行うように訓練されています。
ロボット工学、自律走行車、インテリジェント・バーチャル・アシスタントなど、よりスマートな自動化への道を開きます。
生成 AI は単なる技術的進歩ではなく、テクノロジーと私たちの関係におけるパラダイムシフトを象徴しています。創造的な表現から科学的研究に至るまで、イノベーションの比類なき機会を提供すると同時に、慎重な検討と管理を必要とする課題も投げかけています。
私たちがこの進化する展望をナビゲートするとき、このテクノロジーの倫理的で責任ある使用、そして創造性の意味をめぐる対話は、生成 AI の未来を形成し続けるでしょう。
しかし、これらのテクノロジーを競争相手としてではなく、私たちの優秀なアシスタントとして捉えることで私たちは人間の可能性と機械の力を融合させ、さらなる高みに到達することができるでしょう。
生成 AI をはじめてみよう！
生成 AI と他の人工知能との違いについて学習します。
生成 AI と対話するためのベストプラクティスを確認し、安全かつ責任を持って使用する方法を学習します。
そして、生成 AI の結果を補強するためにあなた自身のデータをどのように使用できるかを確認します。
※ 現在このページのコンテンツは全て英語です
1. 
生成 AI の基本を理解し、他の人工知能との違いを確認します。また、この技術の起源、用途、進化について学習します。
-
ビデオ：What Is Generative AI?
人工知能の一つの形態である生成 AI は、膨大なデータセットから学習することで新しいオリジナルコンテンツを作成するユニークな機能を備えています。
生成 AI の主な差別化要因、各業界における実用的なアプリケーション、倫理的および安全性に関する考慮事項、そして大規模な言語モデルが今日の生成 AI アプリケーションをどのように駆動しているかを説明します。
▶日本語字幕
-
ビデオ：Different types of AI
さまざまなタイプの人工知能（AI）、その共通点、そして差別化の方法をご紹介します。
▶日本語字幕（1分30分以降の字幕）
用語の定義と簡単なベン図をお見せしましょう。
今、人々は AI と ML、生成 AI、大規模言語モデル、GPT4 を同義に使っています。
この数分間のビデオでは、それらを分けて説明しようと思います。
まずは AI という大きな円から始めましょう。実際には、最初にベン図全体を描いてそれから各部分を説明します。
AI のサブセットは機械学習です。
そして機械学習の一種が生成 AI で、生成 AI の一種が言語ベースです。
そして、大規模な言語モデルの一種、あるいはその一例が GPT4 です。
では、これらの違いを明らかにするために、AI から始めましょう。
人工知能とは、人間にしかできないと思っていたことをコンピューターに教えることです。
チェスをしたり、詩を作ったり、絵を描いたり、車を運転したり。人間だけができると思っていたことをコンピューターに教える。つまり、これは人工知能の一種です。
そして、私たちがその技術を向上させより多くのことをコンピューターに教えられるようになるとゴールポストが動いていくのは明らかです。
しかし、これが伝統的な AI の定義です。
機械学習は、基本的にデータから学習することで人工知能を構築するアルゴリズム技術です。
つまり、データの表、テキストのコーパス、画像の束があり、それを一般的なアルゴリズムで学習しその学習を使って基本的には知能があるかのように振る舞うことができます。
つまり、機械はデータから学習するというのが機械学習のテーマなのです。
では、機械学習ではない AI の例とは何でしょうか？
その例として、私たちがコンピューターにチェスの指し方を教えていた方法が挙げられるでしょう。
ディープ・ブルーの時代には、ブルートフォース・サーチと呼ばれるものを使っていました。
白側が20手、黒側が20手というような感じです。
そして黒側が20手で、白側は最初の手によっては25手かもしれない。
そして次の手。
そして、このツリーを構築し、チェスで最善の次の手を見つけ出すためのテクニックを使ってできるだけ早くツリーを探索する。
つまり、これがデータから学習しないバージョンの人工知能です。
機械学習が非常に効果的になったので今ではこのようなことはあまり行われなくなりましたが、これが本来の AI アルゴリズムです。
では、生成AI ではない機械学習の例とは何でしょうか？
いくつかの例を挙げると、表形式の AI があります。まず生成 AI を定義してからこの質問に戻りましょう。
生成AIとは、基本的に物事を生成する AI のことです。
つまり、画像、音楽、言語、そういった人工物を生成する AI のことです。
それを生成 AI と呼びます。そういうカテゴリーです。
生成 AI ではない ML のバージョンは、表形式の AI のようなものです。
私たちの業界では、敗血症のリスクの予測、再入院の予測、保険金が支払われるかどうかの予測、家の特徴から家の価格を予測するようなことが行われています。
AI の多くは、列を予測する表形式の AI です。
もうひとつは、私たちの業界ではもちろん画像 AI です。
画像 AIというのは、例えば放射線科で画像を見て、結節を検出したり、画像を分類したり、セグメント化したりするようなことを意味します。
それでは、機械学習のサブセットである生成 AI を紹介しましょう。
生成 AI はモデルを構築するために多くのデータを使用するので、サブセットなのです。
生成 AI が使用するモデルの一種に、大規模言語モデルがあります。
これは基本的に、たくさんの言語を読んだ後に構築されるモデルです。
では、大規模な言語モデルではない生成 AI の例は何でしょうか？
最も有名なのは Dall-e でしょう。
Dall-e は OpenAI の他のモデルで、「クリムト風のキリンのカップルを見せて」とかキャプションを入力することができます。
すると、その特定のスタイルでキリンの絵が描かれます。
これがイメージの生成なんだ。
音楽を生成するモデルもあるし、言語を生成するモデルもあります。
今流行しているのは、大規模な言語モデルです。
しかし、これは生成 AI のサブセットに過ぎません。
GPT4 は大規模言語モデルの一例です。
GPT3.5 は昨年 11 月下旬に登場し大流行しました。
その後GPT4が登場しました。
これらは OpenAI グループのモデルです。
今、人々は AI と ML、生成 AI、大規模言語モデル、GPT4 を同義に使っています。
この数分間のビデオでは、それらを分けて説明しようと思います。
まずは AI という大きな円から始めましょう。実際には、最初にベン図全体を描いてそれから各部分を説明します。
AI のサブセットは機械学習です。
そして機械学習の一種が生成 AI で、生成 AI の一種が言語ベースです。
そして、大規模な言語モデルの一種、あるいはその一例が GPT4 です。
では、これらの違いを明らかにするために、AI から始めましょう。
人工知能とは、人間にしかできないと思っていたことをコンピューターに教えることです。
チェスをしたり、詩を作ったり、絵を描いたり、車を運転したり。人間だけができると思っていたことをコンピューターに教える。つまり、これは人工知能の一種です。
そして、私たちがその技術を向上させより多くのことをコンピューターに教えられるようになるとゴールポストが動いていくのは明らかです。
しかし、これが伝統的な AI の定義です。
機械学習は、基本的にデータから学習することで人工知能を構築するアルゴリズム技術です。
つまり、データの表、テキストのコーパス、画像の束があり、それを一般的なアルゴリズムで学習しその学習を使って基本的には知能があるかのように振る舞うことができます。
つまり、機械はデータから学習するというのが機械学習のテーマなのです。
では、機械学習ではない AI の例とは何でしょうか？
その例として、私たちがコンピューターにチェスの指し方を教えていた方法が挙げられるでしょう。
ディープ・ブルーの時代には、ブルートフォース・サーチと呼ばれるものを使っていました。
白側が20手、黒側が20手というような感じです。
そして黒側が20手で、白側は最初の手によっては25手かもしれない。
そして次の手。
そして、このツリーを構築し、チェスで最善の次の手を見つけ出すためのテクニックを使ってできるだけ早くツリーを探索する。
つまり、これがデータから学習しないバージョンの人工知能です。
機械学習が非常に効果的になったので今ではこのようなことはあまり行われなくなりましたが、これが本来の AI アルゴリズムです。
では、生成AI ではない機械学習の例とは何でしょうか？
いくつかの例を挙げると、表形式の AI があります。まず生成 AI を定義してからこの質問に戻りましょう。
生成AIとは、基本的に物事を生成する AI のことです。
つまり、画像、音楽、言語、そういった人工物を生成する AI のことです。
それを生成 AI と呼びます。そういうカテゴリーです。
生成 AI ではない ML のバージョンは、表形式の AI のようなものです。
私たちの業界では、敗血症のリスクの予測、再入院の予測、保険金が支払われるかどうかの予測、家の特徴から家の価格を予測するようなことが行われています。
AI の多くは、列を予測する表形式の AI です。
もうひとつは、私たちの業界ではもちろん画像 AI です。
画像 AIというのは、例えば放射線科で画像を見て、結節を検出したり、画像を分類したり、セグメント化したりするようなことを意味します。
それでは、機械学習のサブセットである生成 AI を紹介しましょう。
生成 AI はモデルを構築するために多くのデータを使用するので、サブセットなのです。
生成 AI が使用するモデルの一種に、大規模言語モデルがあります。
これは基本的に、たくさんの言語を読んだ後に構築されるモデルです。
では、大規模な言語モデルではない生成 AI の例は何でしょうか？
最も有名なのは Dall-e でしょう。
Dall-e は OpenAI の他のモデルで、「クリムト風のキリンのカップルを見せて」とかキャプションを入力することができます。
すると、その特定のスタイルでキリンの絵が描かれます。
これがイメージの生成なんだ。
音楽を生成するモデルもあるし、言語を生成するモデルもあります。
今流行しているのは、大規模な言語モデルです。
しかし、これは生成 AI のサブセットに過ぎません。
GPT4 は大規模言語モデルの一例です。
GPT3.5 は昨年 11 月下旬に登場し大流行しました。
その後GPT4が登場しました。
これらは OpenAI グループのモデルです。
-
ビデオ：Weighing the Benefits and Risks of Generative AI
このビデオでは、生成 AI を使用するメリットとリスク、そしてリスクを軽減するための戦略について学習します。
このビデオでは、ヘルスケアソリューション担当副社長のDon Woodlock氏、ソリューションパートナーセールスエンジニアリング担当マネージャーのNicholai Mitchko氏、機械学習担当プロダクトマネージャーのThomas Dyar氏、そして臨床安全スペシャリストのHelen Taylor氏による見解をご覧いただけます。
-
ビデオ：Generative AI in Use
生成 AI が、ヘルスケアからソフトウェア開発まで、どのような分野にどのような影響を及ぼしているのか、また、生産性の向上、効率性の向上、そして私たちの生活をより快適にする可能性を秘めた AI の活用方法についてご紹介します。
▶日本語字幕
人工知能の領域では、機械学習と予測 AI が患者のリスクを評価するためのヘルスケアにおける予測分析の使用など、目覚ましい進歩への道を開いてきました。
そして今、私たちとテクノロジーの関係を再定義する可能性を秘めた、AIの新たなフロンティアが生まれつつあります。
先行技術とは異なり、生成 AI は予測や認識だけでなく創造も行います。膨大な量の学習データに基づいて、テキスト、画像、さらには音声を合成する力を持っています。
このビデオでは、生成 AIが生産性の向上、タスクの簡素化、ワークフローの改善に活用されている革新的な事例を紹介します。
生成 AI は、テクノロジーとのインタラクションをより分かりやすく、直感的にするために使うことができます。
例えば、InterSystems Supply Chain Orchestrator の上に構築されたダッシュボードで注文状況を追跡しているビジネスユーザーを考えてみましょう。その機能の一部として、Supply Chain Orchestrator は注文に関する問題を特定し、解決策を提案することができます。
サプライチェーンの決定は慎重に行う必要があります。間違った選択をするとコストがかかったり、顧客との関係に悪影響を与えたりする可能性があるからです。このユーザーは、これらの推奨事項の背後にある根本的なビジネス・ロジックを調べる技術的知識を持っていないため、彼女のワークフローは、インターフェースにある生成 AI を搭載したチャットボットによって改善される可能性があります。
このチャットボットを使えば、ビジネス・ユーザーは舞台裏のロジックについてより深い洞察を得ることができ、注文や提案されたソリューションについてさらなる情報を求めることができます。この知識で武装することで、彼女は前進する方法について自信を持って決断することができます。
その結果、効率が向上するだけでなく、より会話的で親しみやすいインタラクションのレベルが向上します。
生成 AI の実用的なアプリケーションは、医療現場にも現れています。一部の病院では、アンビエント・リスニングと呼ばれる技術を試験的に導入しています。この技術は、診察中の患者と医師の会話を処理し、診察サマリーを自動的に作成します。その後、臨床医がそのサマリを確認し、承認します。この技術が普及する前に解決しなければならないプライバシーの問題はありますが、この技術によって臨床医は貴重な時間を節約し、診察中に患者に十分な注意を払うことができます。
テキストだけでなく、生成 AI はソフトウェア開発においても大きな進歩を遂げています。
コードの膨大なデータセットを分析することでエラーを修正したり、コメントや説明を記述したり、あるいは新しいコード・スニペットを生成したりすることができます。
以前に書かれたコードの場合、生成 AI は、ユーザーが遭遇したときにドキュメントを書いたりコードを説明したりすることができ、他の開発者がコードを理解し実装するのを用容易にします。
生成 AI は、ビデオナレーションの草稿を生成したり、複雑な概念を説明するのに役立つビジュアルを提案したりすることで、魅力的なマルチメディアコンテンツの作成を支援するために使用することもできます。
未来に目を向けると、生成 AI は多くの可能性を秘めており、生成 AI モデルはさらに多くのことを達成するために改良されています。
さらに進化すれば、人間の自然なコミュニケーション・パターンや学習プロセスに沿った形で、テクノロジーとのよりニュアンスのあるインタラクションが可能になるかもしれません。
臨床医の仕事量を軽減することから、開発者が新しいソフトウェアを書くのを助けることまで、生成 AI は人間の能力を補強するだけでなく、増幅させる可能性を秘めています。
そして今、私たちとテクノロジーの関係を再定義する可能性を秘めた、AIの新たなフロンティアが生まれつつあります。
先行技術とは異なり、生成 AI は予測や認識だけでなく創造も行います。膨大な量の学習データに基づいて、テキスト、画像、さらには音声を合成する力を持っています。
このビデオでは、生成 AIが生産性の向上、タスクの簡素化、ワークフローの改善に活用されている革新的な事例を紹介します。
生成 AI は、テクノロジーとのインタラクションをより分かりやすく、直感的にするために使うことができます。
例えば、InterSystems Supply Chain Orchestrator の上に構築されたダッシュボードで注文状況を追跡しているビジネスユーザーを考えてみましょう。その機能の一部として、Supply Chain Orchestrator は注文に関する問題を特定し、解決策を提案することができます。
サプライチェーンの決定は慎重に行う必要があります。間違った選択をするとコストがかかったり、顧客との関係に悪影響を与えたりする可能性があるからです。このユーザーは、これらの推奨事項の背後にある根本的なビジネス・ロジックを調べる技術的知識を持っていないため、彼女のワークフローは、インターフェースにある生成 AI を搭載したチャットボットによって改善される可能性があります。
このチャットボットを使えば、ビジネス・ユーザーは舞台裏のロジックについてより深い洞察を得ることができ、注文や提案されたソリューションについてさらなる情報を求めることができます。この知識で武装することで、彼女は前進する方法について自信を持って決断することができます。
その結果、効率が向上するだけでなく、より会話的で親しみやすいインタラクションのレベルが向上します。
生成 AI の実用的なアプリケーションは、医療現場にも現れています。一部の病院では、アンビエント・リスニングと呼ばれる技術を試験的に導入しています。この技術は、診察中の患者と医師の会話を処理し、診察サマリーを自動的に作成します。その後、臨床医がそのサマリを確認し、承認します。この技術が普及する前に解決しなければならないプライバシーの問題はありますが、この技術によって臨床医は貴重な時間を節約し、診察中に患者に十分な注意を払うことができます。
テキストだけでなく、生成 AI はソフトウェア開発においても大きな進歩を遂げています。
コードの膨大なデータセットを分析することでエラーを修正したり、コメントや説明を記述したり、あるいは新しいコード・スニペットを生成したりすることができます。
以前に書かれたコードの場合、生成 AI は、ユーザーが遭遇したときにドキュメントを書いたりコードを説明したりすることができ、他の開発者がコードを理解し実装するのを用容易にします。
生成 AI は、ビデオナレーションの草稿を生成したり、複雑な概念を説明するのに役立つビジュアルを提案したりすることで、魅力的なマルチメディアコンテンツの作成を支援するために使用することもできます。
未来に目を向けると、生成 AI は多くの可能性を秘めており、生成 AI モデルはさらに多くのことを達成するために改良されています。
さらに進化すれば、人間の自然なコミュニケーション・パターンや学習プロセスに沿った形で、テクノロジーとのよりニュアンスのあるインタラクションが可能になるかもしれません。
臨床医の仕事量を軽減することから、開発者が新しいソフトウェアを書くのを助けることまで、生成 AI は人間の能力を補強するだけでなく、増幅させる可能性を秘めています。
2. 
生成 AI との対話を改善するためのプロンプト・エンジニアリングのテクニックを学び、演習でこれらのテクニックのいくつかを試してみましょう。
-
体験環境付き演習：Optimizing Your Prompts for Generative AI
AI プロンプトエンジニアリングのエッセンスを学び、効果的にリクエストを作成する方法を確認します。
プロンプトエンジニアリングのテクニックを AI アプリケーションにどのように適合させるかを確認し、実際に試してみましょう。
プロンプトのテクニックを活用することで、生成 AI ツールの出力を最適化し、目標達成に役立てることができます。 多くのテクニックが利用可能ですが、この演習では最も一般的な「Zero-shot学習」を試してみます。
-
Zero-shot学習：AI ツールに基本的なプロンプトをトレーニングや例なしで提供する。
-
タスク指向型プロンプト：特定のタスクを完了するためのプロンプトをデザインする。
-
Few-shot学習： AI ツールで事例を共有し、アウトプットを導く。
-
Chain of thought： 中間的な推論のステップを生成するために質問をする。
-
Instructional プロンプト： タスクの実行を直接指示する。
-
Chain プロンプト： 連続したプロンプトを使うことで、互いに高め合う。
最初にビデオをご覧いただき、その後、演習環境を利用して演習を進めてみてください。
-
3. 
生成 AI の安全で責任ある使用を保証するために InterSystems が行っている内容をご説明します。また、データの偏りを避けるためのベストプラクティスについて学習します。
-
ビデオ：Using Generative AI Responsibly
このビデオを通して、生成 AI を使用する際の InterSystems の原則（透明性、データ・プライバシー、人間の能力を高めることに重点を置くなど）について、生成 AI をめぐる倫理的問題と、それを責任を持って使用する方法についての洞察を得ることができます。
このビデオでは、オンライン学習コンテンツ担当マネージャーのジェニー・エイムズと、InterSystems のシニア・リーガル・カウンセルのマット・サンプルによるディスカッションをご覧いただけます。
-
ビデオ：Avoiding Bias in Machine Learning
このビデオでは、データやモデル自体の偏り、あるいはモデルの使用方法によって、機械学習にどのような偏りが生じるかを学習できます。
バイアスを回避するためにどのような手段を講じることができるかをご覧ください。
4. 
生成 AI が使用するためのデータの準備方法と、RAG アーキテクチャが適切な応答を生成する方法をご覧ください。
セマンティック検索を促進するInterSystems IRIS® data platform のベクトル検索機能についてもご紹介します。
-
ビデオ：Preparing Your Data for Use with Generative AI
生成 AI アプリケーションのためにデータを準備する際に考慮すべきいくつかの重要な要素を学び、データの管理、安全性、公平性、充実性、正確性を確保する方法をご覧ください。
-
ビデオ：What Is RAG?
Retrieval Augmented Generation（RAG）を使用すると、独自のデータを使用して、生成 AI からより正確な結果を得ることができます。
-
ビデオ：Using Vector Search for Generative AI
RAG (Retrieval-Augmented Generation) の紹介と、InterSystems® が RAG ワークフローにどのように適合するかをご覧ください。 InterSystemsのIRIS®データ・プラットフォームのベクトル検索機能は、RAG セットアップで使用するための効率的なセマンティック検索を可能にします。
▶日本語字幕
RAG（Retrieval-AugmentedGeneration）とは、情報検索と言語生成を組み合わせ、応答品質を向上させる生成 AI のアプリケーションです。
基本的な生成 AI のワークフローでは、ユーザーは大量のデータで訓練された大規模な言語モデル（LLM）に質問やプロンプトを送信します。そして LLM は、ユーザーの入力と学習データに基づいてテキスト応答を生成します。しかし、ほとんどの LLM は公開データで訓練されており、ユーザーが質問した特定のトピックをカバーしていない可能性があります。
これを改善するために、RAG ワークフローはこのプロセスに情報検索を追加し、プロンプトにより多くのコンテキストを与えより具体的でカスタマイズされた応答を生成します。
RAG ワークフローでは、ベクトル検索が重要な役割を果たします。RAG システムを通した問い合わせの流れを見てみましょう。まず、ユーザーが質問やプロンプトを入力します。
このプロンプトが答えを生成するために LLM に送られる前に、LLM が学習したデータを補足するために関連情報が検索されます。
情報はベクトル形式で保存されるため、大規模なデータセットから関連データをより効率的に取り出すことができます。また、古典的なキーワード検索やテキスト検索ではなく、意味に基づいて情報を検索することができます。
データをベクトルとして格納するということは、すべてのデータベースエントリが多次元空間の点にマッピングされることを意味します。このマッピングはエンベッディングと呼ばれます。2 つのデータの意味が近ければ近いほど、対応する点も空間的に近くなります。
ベクトル計算を使えば、近くにあるデータ点を見つけることができ、それによって似たような意味を持つデータを見つけることができます。これがベクトル検索の仕組みです。
アプリケーションが情報を取得すると、それはプロンプトに追加されプロンプトは LLM に送られベクトル検索からのコンテキストを使用して応答を生成します。
InterSystems IRIS は、このワークフローにおいてユニークな役割を果たします。InterSystems IRIS は、ベクトル形式を含む多くのタイプのデータの格納とインデックス作成をサポートし、InterSystems SQL で高速かつ完全に統合されたベクトル検索を可能にします。
複雑なアプリケーションでは、構造化データと非構造化データの両方をクエリに組み込むことが重要です。ベクトルデータを他のすべてと同じデータベースに格納することで、これが容易になり、ユーザーのワークフローを改善するアプリケーションの開発が可能になります。
例えば、ある病院では、臨床医が患者について質問し、関連する医療情報の要約を得るための会話型インターフェースを EMR システム内で開発するかもしれません。
InterSystems IRIS を使用してデータをベクター形式で保存することで、データ検索を既存のアプリケーションに直接統合することができ、より高いセキュリティと RAG ワークフローの迅速な実装が可能になります。 InterSystems IRIS のベクター検索と、ベクター・ストレージを既存のアプリケーションにシームレスに実装する方法の詳細については、www.intersystems.com/VectorSearch をご覧ください。
基本的な生成 AI のワークフローでは、ユーザーは大量のデータで訓練された大規模な言語モデル（LLM）に質問やプロンプトを送信します。そして LLM は、ユーザーの入力と学習データに基づいてテキスト応答を生成します。しかし、ほとんどの LLM は公開データで訓練されており、ユーザーが質問した特定のトピックをカバーしていない可能性があります。
これを改善するために、RAG ワークフローはこのプロセスに情報検索を追加し、プロンプトにより多くのコンテキストを与えより具体的でカスタマイズされた応答を生成します。
RAG ワークフローでは、ベクトル検索が重要な役割を果たします。RAG システムを通した問い合わせの流れを見てみましょう。まず、ユーザーが質問やプロンプトを入力します。
このプロンプトが答えを生成するために LLM に送られる前に、LLM が学習したデータを補足するために関連情報が検索されます。
情報はベクトル形式で保存されるため、大規模なデータセットから関連データをより効率的に取り出すことができます。また、古典的なキーワード検索やテキスト検索ではなく、意味に基づいて情報を検索することができます。
データをベクトルとして格納するということは、すべてのデータベースエントリが多次元空間の点にマッピングされることを意味します。このマッピングはエンベッディングと呼ばれます。2 つのデータの意味が近ければ近いほど、対応する点も空間的に近くなります。
ベクトル計算を使えば、近くにあるデータ点を見つけることができ、それによって似たような意味を持つデータを見つけることができます。これがベクトル検索の仕組みです。
アプリケーションが情報を取得すると、それはプロンプトに追加されプロンプトは LLM に送られベクトル検索からのコンテキストを使用して応答を生成します。
InterSystems IRIS は、このワークフローにおいてユニークな役割を果たします。InterSystems IRIS は、ベクトル形式を含む多くのタイプのデータの格納とインデックス作成をサポートし、InterSystems SQL で高速かつ完全に統合されたベクトル検索を可能にします。
複雑なアプリケーションでは、構造化データと非構造化データの両方をクエリに組み込むことが重要です。ベクトルデータを他のすべてと同じデータベースに格納することで、これが容易になり、ユーザーのワークフローを改善するアプリケーションの開発が可能になります。
例えば、ある病院では、臨床医が患者について質問し、関連する医療情報の要約を得るための会話型インターフェースを EMR システム内で開発するかもしれません。
InterSystems IRIS を使用してデータをベクター形式で保存することで、データ検索を既存のアプリケーションに直接統合することができ、より高いセキュリティと RAG ワークフローの迅速な実装が可能になります。 InterSystems IRIS のベクター検索と、ベクター・ストレージを既存のアプリケーションにシームレスに実装する方法の詳細については、www.intersystems.com/VectorSearch をご覧ください。
-
ビデオ：ベクトル検索のご紹介
5. 
このパスの小テストを受け、デジタルバッジを獲得しましょう。
このアセスメントにアクセスするためには、オンラインラーニング（USページ）のパス：Getting Started with Generative AI にあるチェックボックスを全て✅する必要があります。