―大企業に眠っている、膨大なデータをAIで掘り起こす― コロナ以降、大企業でも「Box」などのクラウド導入が進んでいますが、有効活用されてません。データは一元化されておらず、メール・紙データとして散らばっています。

だから「社内データ検索」のAIスタートアップやってます。プロダクト、作ります。まだまだですが、やりきります。

RAGの新記事を出しました。RAGは「遠回し表現」が苦手です。例えば「本件、スコープを見直す、��い機会ですね。」という文章は、実際は「納期がヤバい」という、ネガティブな意味です。「DualCSE」という手法は、こうした文章の両面を的確にベクトル検索できるようにします↓ https://t.co/S6pZB4bYYm

RAGの新記事を出しました。社内データRAGで難しいのは、文書の「古いバージョン」へ対応です。「最新版にだけ回答するRAG」なら簡単ですが、逆に、開発組織では「古い、安定版のライブラリを使っているので、旧版の文書のみをRAGのソースにしたい」ということがよくあります。そんな時、役立ちます↓

RAGの新記事を出しました。エンタープライズRAGの課題と解決手法を、幅広くまとめました。RAGは、立ち上げは簡単ですが、実用は大変です。「大企業向けのRAG」については、現状、僕たちが日本トップレベルの知見だと思いますが、その視点から見えているものをまとめました↓ https://t.co/XdfG16tTI7

LLMはReasoningの登場によって、性能を大幅に改善させましたが、同時に時間と金銭コストを増大させました。 今回紹介するRoTは、Reasoningの過程をキャッシュすることで、最大60％のコストを抑えながら、Reasoningモデルを利用できるようにしています。 https://t.co/A0CJIJG3dO #zenn

RAGの新記事を出しました。「145億円の採用」で話題になった、Meta社の「MSL」チームによる論文です。通常、入力文字数が多いほど、LLMからの回答は遅くなります。この手法では、独自のエンコーダで入力をベクトルに変換した上でLLMに注入するので、回答が30倍速くなります↓ https://t.co/NWpdPapKvC

最近RAG回りを実装していて解答精度をどうやってあげられるのかなって思っていたらめちゃくちゃよいorgをみつけた https://t.co/ytdebxwi1i

RAGの新記事を出しました。「ベクトル検索」は万能ではありません。例えば「数値」が苦手です。「市場シェアが2%増加」と「20%増加」は、意味は全然違いますが、ベクトル検索（埋込モデル）を使うと「内容が近もの」として検索されます。RAGで精度向上するには、埋込モデルを理解することが重要です↓

「RAG」活用戦略について、相談を受け付けます。 僕とお茶してくれたら、貴社でのRAG活用についてアドバイスします。 大企業からスタートアップまで、RAG活用を支援する中で、 「RAGを自社サービスに実装したいけどノウハウがない」会社が、まだまだ多い印象です。

RAGの新記事を出しました。RAGといえば「ベクトル検索」ですが、弱点もあります。例えば前後の文脈が消えてしまうという弱点は、常に、開発者を悩ませています。今回のPageIndexという手法では、ベクトルDBを全く使わず、LLMが「目次」をたどりながら情報収集する手法です↓ https://t.co/DHKHHWdxQ7

RAGの新記事を出しました。RAGでもハルシネーションは起きます。その原因は大体、LLMが「もともと持っている知識」を無駄に利用してしまうことが原因です。今回提案されているLFDという手法では、もともと持っている知識を適切に活用できるようにすることで、ハルシネーションを防いでいます↓

AIエージェントの記事を出しました。AIエージェントを自分で実装するのは難しいです。例えば「AIが問題解決の手順を間違えてしまう」ということが多発します。しかし、この手法では、「過去の失敗を、AI自身が検索できるようにする」ことで、エージェントの精度を上げます↓ https://t.co/hhBw7YdxaL

LLMの認識、思考を知るには内部パラメータを活用することが有効な場合があります。 「LoDIT」はLLMのトークンの出力時の内部パラメータを利用して、その出力がどの参考情報を元に回答されているかを正確に判定します。 https://t.co/yCZbaqCn7o #zenn

この投稿きっかけで、5人のAIエンジニアとお茶しました。5人全員が、第一線で活躍していて面白かったです。そして「業務でのRAG・AIエージェント活用」の話題は尽きず、最高でした。やっぱりディープな情報は、こういう場所にしか出てこないなと。またやりたい！

RAGの新記事を出しました。「GPT-5」開発者たちのインタビューから、今後の「RAG」の将来について考えました。OpenAI が何を考えているのか、読み解きます。「コンテキストエンジニアリング」や「Computer Use」とRAGの組合せなど、今後のトレンドを予想します↓ https://t.co/c4bdHXmoeC

コンテキストエンジニアリングの観点から、必要十分な情報収集がRAGにも求められています。 今回は、情報収集の精度にのみ焦点を当てた GraphRAG-R1 について紹介しています。強化学習を利用して既存のRAGの性能を最大で80%向上させています。 https://t.co/v6Y4huZToJ #zenn

@grok 上の記事、どういう意味ですか。リンク先のページを読んだうえで内容を教えて

RAGの新記事を出しました。「Deep Research」は便利ですが、自分で実装するのは難しいです。ただ今回の論文では、Googleの研究者が、本家OpenAIよりも高精度な手法を提案しています。しかも内容としては「シゴデキ人間」のプロセスを、AIが模倣。という感じで、直感的です↓ https://t.co/MV7apv8KWC

僕もかなりの企業を見てきましたが、ミックさんが言うんだから、もう確定ですね。

RAGの記事を出しました。「コンテキストエンジニアリング」という言葉、かなり大事なキーワードです。AIエージェントが勃興した2025年だからこそ、重要になりました。いわゆる「プロンプトエンジニアリング」と違って、もっと体系的な「知識と技術」が必要な、大きな研究分野になっていくと思います↓