精度を高めるほど遅くなります
検索、再ランキング、要約、検証の段階を次々に追加すると品質は向上する可能性がありますが、その分処理時間も長くなります。実際のサービスでは、「より多く行うこと」よりも「必要な分だけ行うこと」が重要です。
Classic RAG、Graph RAG、Agentic RAGの核心原理と実践的な実装を学びます。トークン効率とレイテンシを最適化する動的ルーティングシステムを設計し、GraphRAGの関係ネットワーク推論とAgentic RAGの自己評価ループを組み合わせた長期記憶システムを構築します。実務ですぐに活用できる高度なRAGアーキテクチャ設計能力を完成させるためのコースです。
学習した受講者のレビュー
5.0
tata
RAGのパラダイムシフトとハイブリッドシステムの概念を理解し、RAGを最適化する方法についても学ぶことができて良かったです。
5.0
유진
RAGの最新トレンドと全体アーキテクチャを深く理解できる素晴らしい講義です。 最初は「なるほど」と頭では理解できても、各セクションが終わるたびに「あれ?どうすればいいんだろう」という虚無感がありましたが、お伝えしたフィードバックや改善要望をすぐに反映してくださる姿を見て、改めて素晴らしい講師の方と講義内容であることを実感しました。 各セクションごとに実習コードや内容も別途追加してくださっており、さらに期待が高まる講義です。 内容が非常に良く、説明も分かりやすい上に、フィードバックも迅速に反映してくださっているので、受講を強くおすすめします!
Classic、Graph、Agentic RAGのアーキテクチャの違いと最適な活用シナリオの判断
トークンコストとレイテンシを考慮した動的ルーティングシステムの実装
GraphRAGとxMemoryを組み合わせた長期記憶システムのデプロイメント
Vector Searchベースの基本的なRAGを実装した次の段階に、途方に暮れている方のための講義です。 Classic RAGからGraphRAG、Agentic RAGまで、それぞれの違いと用途を理解し、 質問の性質に応じて異なるRAG経路を選択する動的ルーティング構造と、 GraphRAG+xMemoryベースの長期記憶アーキテクチャまで、実際に実装します。
最初は、文書を埋め込み、検索して回答を生成するだけでも十分に思えます。 しかし、実際に少し複雑な質問を扱い始めると、正確性、コスト、応答速度の間で常に選択を迫られることになります。このとき必要なのは、新しい技術をやみくもに追加することではなく、質問と状況に合った構成を選ぶための基準です。
検索、再ランキング、要約、検証の段階を次々に追加すると品質は向上する可能性がありますが、その分処理時間も長くなります。実際のサービスでは、「より多く行うこと」よりも「必要な分だけ行うこと」が重要です。
質問ごとに多くの文書をコンテキストに入れる方法は単純ですが、 トークン使用量とコストが急速に増加します。必要な情報を選び出す仕組みが必要です。
複数の文書間の関係を見つける必要がある場合や、1回の検索だけでは回答を作成するのが難しい質問は、基本的な類似度検索だけでは対応しにくいです。
ある質問は素早い検索を一度行うだけで十分ですが、ある質問は関係をたどる必要があり、また別の質問は検索結果を確認した後に再度検索する必要があります。 この講義では、こうした違いを見分け、適切なRAG構造につなげる方法を扱います。
新しいRAG手法をたくさん覚えることよりも、 どのような状況でどの構造が必要なのかを判断できる基準を持つことに重点を置きます。
Classic RAG、GraphRAG、Agentic RAGが単に名前の異なる技術ではなく、どのような問題を解決するために作られたのかを比較しながら理解します。
すべての質問を同じRAGパイプラインに入れるのではなく、 質問の複雑さと必要な推論レベルに応じて適切な経路を選択する 動的ルーティング構造を設計します。
GraphRAGとxMemoryを活用し、単発の検索を超えて、関係性と過去の情報を併せて活用する長期記憶構造を見ていきます。
3つの構造をそれぞれ個別に学ぶだけでなく、 「どのような質問にどの構造がより適しているのか?」という観点から違いを比較します。
必要な文書を見つけてコンテキストに入れ、回答を生成する基本的なRAG構造です。 高速かつシンプルに動作する必要がある質問や文書検索型のサービスに適しています。
文書内のエンティティと関係を構造化し、 そのつながりを活用して、単純な類似度検索では見落としやすい文脈を見つける方式です。
一度検索した結果をそのまま使うのではなく、結果が十分かどうかを評価し、必要に応じて再検索するフローを構築します。
実際に重要なのは、「GraphRAGのほうが優れている」「Agentic RAGのほうがより高度だ」ということではありません。 質問に応じて、どの構造を使うのがより合理的かを判断することです。 この講義では、その判断をコードにつなげる動的なルーティングフローを実装します。
質問の複雑度と必要な情報の範囲、 追加の推論が必要かどうかを判断します。
迅速な検索が必要か、 関係探索や反復検索が必要かに応じてRAGの経路を選択します。
文書検索、関係ネットワークの探索、 必要に応じた自己評価ループを状況に合わせて適用します。
精度を高めるだけでなく、 トークン使用量と応答時間まで考慮して構成を調整します。
RAGを初めて作る入門講義というより、 すでに基本的なRAGに触れたことがあり、これからより複雑な問題をどのように解決すべきか悩んでいる方に向けた内容です。
基本RAGからGraphRAGへ、GraphRAGからAgentic RAGへ移行する理由を、問題の状況とともに理解できるよう構成しました。
精度を高めると同時に、トークンコストと応答時間も併せて考慮します。 実際のサービスを念頭に置いたRAG設計に必要なバランスについて扱います。
単純な検索で終わらず、 関係推論や反復的な検索、長期記憶までつながる構造を見ていきます。
基本的なRAGは実装したものの、検索品質、コスト、遅延時間を考慮し、次の段階の構成を検討している方に適しています。
LLMベースの検索・知識サービスにRAGを組み込んでおり、 単なるAPI連携を超えて、アーキテクチャ全体を理解したい方におすすめです。
Vector Searchベースの構造から脱却し、 GraphRAG、Agentic RAG、動的ルーティングといった次の段階の構造を実際に扱ってみたい方におすすめです。
受講後の期待と実際の内容にずれが生じるのを防ぐため、対象範囲を明確にご案内します。
最初から複雑な構造を提示するのではなく、 基本RAGの限界がどこから生じるのかを確認したうえで、必要な分だけ構造を拡張します。
基本RAGからGraphRAGやAgentic RAGへと拡張される理由を確認し、 各構造の違いとハイブリッドルーティングの必要性を整理します。
基本RAGを実務的な観点から改めて見直し、 検索品質とトークン使用量を考慮した改善方法とルーティング構造を扱います。
テキストからエンティティと関係を抽出し、 文書間のつながり構造を検索に活用するプロセスを実装します。
1回の検索では十分でない質問を対象に、 結果を評価し、必要な情報を再度検索するAgentic RAGの中核的な流れを扱います。
GraphRAGとxMemoryを接続し、 関係情報と過去のコンテキストを継続的に活用できる長期記憶構造を見ていきます。
どの質問をどの経路で処理するか、 そして品質・コスト・遅延時間をどのように同時に考慮するかという設計の視点を広げます。
すぐに答えられる質問にはシンプルなRAGを使い、 関係をたどる必要がある質問にはGraphRAGを活用し、 1回の検索では不十分な質問にはAgentic RAGを適用します。 ここに動的ルーティングと長期記憶の構造を組み合わせることで、 RAGを1つの機能ではなく、1つのアーキテクチャとして捉えられるようになります。
学習対象は
誰でしょう?
RAGシステムの性能最適化が必要なAIエンジニア
複雑な知識管理システムを設計するバックエンド開発者
プロダクションレベルのLLMアプリケーションを構築しようとするAIプロダクトマネージャー
前提知識、
必要でしょうか?
プロンプトエンジニアリングとRAGの基本概念の理解
PythonベースのLLM API連携経験
ベクトルデータベース(Pinecone、Weaviateなど)の基本的な使い方
インフラン認証
キャリア認証
1,821
受講生
159
受講レビュー
36
回答
4.7
講座評価
16
講座
自ら挑戦して身につけたノウハウと新しいトレンドを組み合わせ、知識を共有します。
プロフィールウェブサイト:https://codebridge-ai.pages.dev
コラボレーションに関するお問い合わせ:codebridge747@gmail.com
アメリカ・シリコンバレーのAI修士課程
板橋の大手IT企業の開発者(6年以上)
Androidアプリ14個、iOSアプリ7個、ウェブサイトを開発・運営中
[Eng]
これまでの経験をもとに、世界のトレンドを追いながら、共有したいノウハウやヒントを発信しています。ご協力ありがとうございます!
韓国の大手IT企業の開発者(6年以上)
コンピュータ工学学士号
全体
29件 ∙ (2時間 54分)
講座資料(こうぎしりょう):
全体
6件
4.8
6件の受講レビュー
受講レビュー 10
∙
平均評価 5.0
修正済み
5
RAGの最新トレンドと全体アーキテクチャを深く理解できる素晴らしい講義です。 最初は「なるほど」と頭では理解できても、各セクションが終わるたびに「あれ?どうすればいいんだろう」という虚無感がありましたが、お伝えしたフィードバックや改善要望をすぐに反映してくださる姿を見て、改めて素晴らしい講師の方と講義内容であることを実感しました。 各セクションごとに実習コードや内容も別途追加してくださっており、さらに期待が高まる講義です。 内容が非常に良く、説明も分かりやすい上に、フィードバックも迅速に反映してくださっているので、受講を強くおすすめします!
温かいお言葉、本当にありがとうございます!一生懸命講義を作った甲斐がありました! 😂 まだまだ至らない点も多いですが、これからもより良い講義と資料をお届けできるよう努めてまいります。ありがとうございました!
受講レビュー 10
∙
平均評価 5.0
受講レビュー 3
∙
平均評価 4.7
4
全体的に良い講義だったと思います。特にBM25+Vectorでリトリーバーして回答を得るRAGサービスを開発したのですが、講義を土台にさらに改善できそうです。ただ、惜しい点としては、埋め込み(Embedding)技術についてもう少し詳しく知りたかったです。私はテキスト文書やMarkdown文書をチャンク化してQdrantベクトルDBに蓄積して管理していますが、チャンクおよびベクトルデータを保存する際にどうすれば効率的なのか、どうすればデータを効率的に呼び出せるのかといったコツやノウハウがあれば良かったです。それでも、GraphRAGやAgentic RAGなどの優れた技術を学ぶことができて良かったです。
ありがとうございます!お役に立てて良かったです。チャンクおよびベクトルデータの保存に関しては、資料の準備ができ次第、この講義にアップデートしておきますね。:)
受講レビュー 12
∙
平均評価 4.9
受講レビュー 9
∙
平均評価 5.0
知識共有者の他の講座を見てみましょう!
同じ分野の他の講座を見てみましょう!
新規会員登録で25%OFF
¥3,652
25%
¥4,872