レスポンスが遅くなります
検索、リランキング、要約、検証の段階をむやみにつなげれば正確度は上がりますが、サービスの遅延時間が急激に増加します。
Classic RAG、Graph RAG、Agentic RAGの核心原理と実践的な実装を学習します。トークン効率と遅延時間を最適化する動的ルーティングシステムを設計し、GraphRAGの関係網推論とAgentic RAGの自己評価ループを結合した長期記憶システムを構築します。実務ですぐに活用可能な高度なRAGアーキテクチャ設計能力を完成させるカリキュラムです。
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活用シナリオの判断
トークンコストと遅延時間を考慮した動的ルーティングシステムの実装
GraphRAGとxMemoryを結合した長期記憶システムのデプロイ
Classic RAG、Graph RAG、Agentic RAGの違いを明確に理解し、 クエリの特性に応じて最適なパイプラインを選択する動的ルーティングシステムと、 GraphRAG+xMemoryベースの長期記憶アーキテクチャまで実装する実践型講義です。
RAGシステムは、単にベクトルDBにドキュメントを入れて検索するだけで終わるものではありません。 実際のサービスでは、質問の性質、ドキュメントの構造、コスト、応答速度、推論の深さに応じて、 全く異なる設計が必要になります。
検索、リランキング、要約、検証の段階をむやみにつなげれば正確度は上がりますが、サービスの遅延時間が急激に増加します。
すべての質問に多くのコンテキストを詰め込む方式は簡単ですが、 運用コストとコンテキストの浪費を避けるのは困難です。
単純な類似度検索だけでは、複数の文書間の関係、原因と結果、 長期的な文脈を十分に扱うことは困難です。
質問の性質を判断し、最も適切な検索・推論・検証戦略を選択するシステムです。 この講義では、その判断基準と実装構造をあわせて扱います。
単なる実装例を書き写すだけでなく、どのような状況でどのようなRAG構造を選択すべきか、自ら判断できる設計センスを養うことに焦点を当てています。
Classic、Graph、Agentic RAGの長所と短所、および適切な活用シナリオを 明確に区別できるようになります。
質問のタイプに応じて、高速検索、深い推論、自己評価ループを選択する ハイブリッドルーティング構造を設計します。
GraphRAGとxMemoryを組み合わせ、関係性ネットワークの推論と持続的な記憶構造を 備えた高度なRAGシステムを学習します。
ベクトル検索とコンテキスト注入をベースに、素早く回答を生成する基本構造です。 単純な質問、FAQ、文書ベースの応答に強みがあります。
テキストからエンティティと関係を抽出してナレッジグラフを作成し、 文書間の連結関係を活用して、より深い推論を実行します。
AIが検索結果を評価し、不十分な場合は再検索を行い、 回答の品質を自ら点検する自律的な検索ループです。
すべての質問を同じ方法で処理することはありません。 素早く回答すべき質問、関係推論が必要な質問、自己評価が必要な質問を区別し、 コストと品質のバランスを考慮した構造を設計します。
質問の複雑さ、必要なコンテキスト、推論の深さを判断します。
Classic、Graph、Agenticの中から適切なルートを動的に選択します。
文書検索、関係網探索、自己評価ループを状況に合わせて実行します。
トークン使用量と遅延時間を削減しながら、回答の品質を維持します。
従来のRAGシステムの正確性、トークンコスト、遅延時間の問題を解決し、 より優れた検索・推論構造を設計したい方に適しています。
複雑な知識管理システム、文書検索システム、LLMベースのサービスの アーキテクチャ設計能力を高めたい方に適しています。
RAG技術の違いを理解し、プロダクションレベルのLLM製品において どのような構造が必要かを判断したい方におすすめします。
RAGのトリレンマ、Classic/Graph/Agentic RAGの構造の違い、ハイブリッドルーターの必要性についてまとめます。
Advanced Classic RAG、トークンダイエット、GraphRAGの導入基準を通じて、基本RAGを実務型へと拡張します。
テキストからナレッジグラフを抽出し、関係網を活用したHybrid Searcher構造を学習します。
検索結果を自ら評価し、不足している情報を再検索するAgentic RAGの核心ループを扱います。
GraphRAGとxMemoryを組み合わせ、長期記憶と関係推論が可能な高度なRAG構造を構築します。
実務環境でどのような知識をどのように組織化し、どのような経路で検索・推論するかを設計する視点を拡張します。
Classic RAGで素早く検索し、Graph RAGで関係を理解し、 Agentic RAGで自ら評価し、xMemoryで長期記憶を設計してください。 この講義は、RAGシステムを実務型アーキテクチャとして捉える視点を養います。
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している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
キャリア認証
1,165
受講生
107
受講レビュー
30
回答
4.8
講座評価
14
講座
これまでの経歴と経験をもとに、世界のトレンドを追いながらノウハウやコツを共有していきます。よろしくお願いします!
プロフィールウェブサイト:https://codebridge-ai.pages.dev
お問い合わせ:codebridge747@gmail.com
🤖👾 米国AI修士課程
🏗 IT大手企業7年目のエンジニア
📱 Androidアプリ14個とiOSアプリ7個、および様々なウェブサイトを開発・運営中
[Eng]
これまでの経験と実績に基づき、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。よろしくお願いします!
Profile : https://codebridge-ai.pages.dev
お問い合わせ: codebridge747@gmail.com
韓国の大手IT企業エンジニア (6年目以上)
コンピューター工学士号
全体
30件 ∙ (2時間 54分)
講座資料(こうぎしりょう):
全体
3件
4.7
3件の受講レビュー
受講レビュー 9
∙
平均評価 5.0
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 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。:)
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
¥10,488
25%
¥13,978