生成AI応用のための RAG入門

－Naïve RAG から Multimodal RAG まで、 簡易実装を通した基礎事項の理解と構築法－

日時・会場・受講料・お申込みフォーム

●日時：2025年11月7日(金)　13:00-17:00　＊途中、小休憩を挟みます。

●会場：[東京・大井町]きゅりあん 6階中会議室　→「セミナー会場へのアクセス」

●受講料：
【会場受講】：1名46,200円(税込（消費税10％）、資料付)
＊1社2名以上同時申込の場合、1名につき35,200円

＊学校法人割引：学生、教員のご参加は受講料50％割引。→「セミナー申込要領・手順」を確認ください。

●録音・録画行為は固くお断りいたします。

■ セミナーお申込手順からセミナー当日の主な流れ　→

---

お申込みはこちらから

会場（対面）セミナーご受講に関する各種案内（必ずご確認の上、お申込みください。）

●配布資料は、印刷したものを当日会場にてお渡しいたします。

●当日会場でセミナー費用等の現金支払はできません。
●昼食やお飲み物の提供もございませんので、各自ご用意いただけましたら幸いです。
●録音・撮影行為は固くお断りいたします。
●講義中の携帯電話・スマートフォンでの通話や音を発する操作はご遠慮ください。
●講義中のパソコン使用は、講義の支障や他の方のご迷惑となる場合がありますので、極力お控えください。場合により、使用をお断りすることがございますので、予めご了承ください（パソコン実習講座を除きます。）

セミナーポイント

　生成 AI 技術の有力な応用として RAG（Retrieval-Augmented Generation）があります。ChatGPT のようなチャットボットはあらゆる質問に回答できるため、非常に重宝しますが、社内文書や特定の文書に特化した質問には答えることができません。また Web か API を経由して利用するしかないため、セキュリティの面も気になります。そのような背景から RAG が登場しました。
RAG は対象の文書をデータベースに持ち、質問に関連のある記述を文書内から検索して、その検索結果を質問と一緒にチャットボットに入力することで、対象の文書に関する質問にも回答できるようになります。さらにチャットボットの核となる LLM (Large Language Model)をローカルに持てば、オンプレミスの形で、自社内のインフラでRAG システムを運用することが可能となります。
　本セミナーでは RAG の基本事項を解説します。LangChain を利用して、簡易な RAG システムを実装することでRAG とはどういったものか、どういったところに改良点があるか、どういった課題があるかなどが理解できると思います。
また RAG は ChatGPT の出現当初から活発に研究されており、様々な改良手法が提案されています。その中の重要な手法として GraphRAG があります。GraphRAG についても簡単な実装を通して、解説します。
現在 RAG （に相当するシステム）は様々な形でノーコードにより実現することができます。GPTs、Dify、Perplexity、NotebookLM を使ってそれらを解説します。
最後に、図や表などを含む文書に対する RAG（いわゆる Multimodal RAG）の現状についても解説し、ColQwen2 と Gemma3 を利用した簡易な Multimodel RAG の実装法を解説します。

○受講対象：
　・RAG の基本事項を整理、理解したい方
　・RAG システムを構築したい方
　・ノーコードで RAG システムを構築したい方
　・RAG システムの精度をより向上させたい方
　・Multimodal RAG の現状を知りたい方
　など

○受講後、習得できること：
　・RAG の基礎知識と基本的な実装方法
　・様々な手法による RAG システムの改良法
　・GraphRAG の基礎知識と基本的な実装方法
　・GPTs や Dify の基本的な使い方
　・Multimodal RAG の現状
　など

セミナー内容

(1) RAG とは
　RAG は、大規模言語モデル（LLM）に外部知識を組み合わせて応答を生成する手法です。どのような背景から、この技術が出てきたのか、また現状どのような点が問題になっているかを解説します。

(2) Naïve RAG の実装・構築方法
　RAG の基本概念と仕組みを理解するために、LangChain を使った基本的な RAG (Naïve RAG) の実装例を解説します。

　 (2-1) FAISS を利用したデータベースと検索器の作成
　 (2-2) LangChain の RetrievalQA を利用した RAG の構築
　 (2-3) 公開 LLM の利用

(3) Advanced RAG の実装・構築方法
　Naïve RAG に様々な工夫を施した RAG の総称が Advanced RAG です。検索前後の工夫が多いです。ここでは検索に通常の埋め込みによるものとキーワードによるもののハイブリッド検索、及び検索後の文書のリランキングについて解説します。

　 (3-1) ハイブリッド検索
　 (3-2) リランキング

(4) GraphRAG の実装・構築方法
　GraphRAG は Naïve RAG におけるデータベースをエンティティ間の関係性を記述したグラフ構造を持つ知識グラフに変更し、 RAG における文脈理解と検索精度を高める手法です。

　 (4-1) GraphRAG とは何か
　 (4-2) Neo4j のインストール、インスタンスの作成、起動
　 (4-3) GraphCypherQAChain を利用した GraphRAG の構築

(5) GPTs による RAG システムの構築法
　GPTs はノーコードで ChatGPT をカスタマイズするツールです。GPTs は予め用意してある資料に基づいて GPTs に回答させることができます。これを利用すれば RAG と同じ動作をするシステムが構築できます。

　 (5-1) GPTs とは何か
　 (5-2) GPT Builder の「知識」を利用した RAG の構築

(6) Dify による RAG システムの構築法
　Dify は GPTなどの LLM を活用してAIアプリケーションを簡単に開発・運用できるプラットフォームです。外部のデータソースを検索して回答に利用する RAG の仕組みが GUI や API で手軽に設定できます。

　 (6-1) Dify とは何か
　 (6-2) Dify のインストール
　 (6-3)「ナレッジ」からの「知識を作成」
　 (6-4)「引用と帰属」の設定

(7) Perplexity や NotebookLM によるローカルファイルに対するチャットボット構築法
　Perplexity はインターネット検索を併用したチャットボットですが、検索先の URL を指定できるために、RAG と同等のシステムを実現できます。また NotebookLM は RAG が進化したものと言えます。単純な RAG としての利用以外にも様々な利用法があります。

　 (7-1) Perplexity
　 (7-2) NotebookLM

(8) Multimodal RAG の実装・構築方法
　現実的には、RAG の元になるデータは図や表などを含むマルチモーダルな文書集合である場合がほとんどです。そのため文書内ある図や表などに関するクエリにも対応できる Multimodal RAG の研究が、近年、活発に行われています。

　 (8-1) Multimodal RAG の必要性
　 (8-2) VisRAG、M3DocRAG、MDocAgent などの研究紹介
　 (8-3) ColPali
　 (8-4) ColQwen2 と Gemma3 を利用した Multimodel RAG の構築

　　＜質疑応答＞