AI博覧会(Spring2025)へ行ってきました！
カテゴリ：IT EVENT
➊ 会場・開催日
行ってきました！AI系のイベントは今回が初めてで緊張しましたがとても楽しかったです！
【会場】
東京都立産業貿易センター浜松町 展示室
〒105-7501 東京都港区海岸1丁目7-1 東京ポートシティ竹芝オフィスタワー
2025/3/27(木) ～ 28(金)
多くの企業や参加者で大盛況でした、やはりAIブームの波が来ていると実感してます！
個人的に一番興味があるのは「AI駆動開発」ですね
多くのスポンサー企業が出展されていました！
➋ 展示の様子
色々な企業さんとお話しする中でRAG(検索拡張生成：Retrieval-Augmented Generation)という言葉を初めて知りました
特にナレッジ共有は暗黙知が存在したり、属人化しやすかったり、情報の陳腐化が起こりがちな課題に対して
どのように対処しているのか気になりましたが聞くところによるとそこはまだ人が対応する必要がありそうです
全てAIで解決したい❕
❸ RAGとは何か
会場で初めて聞いた RAG（検索拡張生成：Retrieval-Augmented Generation）について、帰ってから調べたことをまとめます。
大規模言語モデル（LLM）は学習した時点の知識しか持っていません。そのため社内のマニュアルや議事録のような、学習データに含まれない情報については答えられません。知らないことを、それらしい文章で埋めてしまうこともあります。
RAG は、この弱点を「モデルを鍛え直す」のではなく「答える前に資料を渡す」ことで補う仕組みです。おおまかな流れは次のとおりです。
【1】社内文書をあらかじめ細かく分割し、意味を数値の並び（ベクトル）に変換して保管しておく
【2】質問が来たら、質問文も同じ方法で数値に変換する
【3】数値の近さで、関係のありそうな文書を探し出す
【4】探し出した文書を質問と一緒に LLM へ渡し、それを根拠に答えさせる
モデル自体を作り直さずに済むため、資料を差し替えれば答えも変わります。どの文書を根拠にしたかを示せるので、答えの裏付けを確認できるのも利点です。
❹ ナレッジ共有の難しさ
もっとも、RAG を入れれば社内のナレッジ共有がすべて解決するわけではないようです。
RAG が答えの根拠にするのは、あくまで手元にある文書です。つまり文書に書かれていないことは答えられず、文書が古ければ古い答えが返ってきます。会場で伺った話でも、この部分はまだ人が手を入れる必要があるとのことでした。
実際、ナレッジ共有には次のような課題があります。
【暗黙知】手順書に残らず、担当者の頭の中にしかない判断基準
【属人化】特定の人しか知らない状態が固定してしまうこと
【情報の陳腐化】書いた時点では正しかった内容が、更新されないまま残ること
いずれも「文書を検索して渡す」だけでは埋められません。RAG は探す手間を減らしてくれますが、そもそも書かれていないものは出てきません。この点は導入前に押さえておきたいところです。
もうひとつ、技術以外の壁もあると感じました。金融系のように、社内の情報を外へ出せない事情を抱えている業界があります。オフラインの状態で動かしたいという制約があると、外部のサービスをそのまま使うわけにはいきません。
仕組みとして正しくても、置かれている環境によっては簡単に導入できないというのは、話を聞くまで想像できていませんでした。
❺ AI駆動開発に惹かれた理由
今回のイベントで一番心を惹かれたのは「AI駆動開発」でした。
理由は単純で、途中まで作って挫折したコードが手元にいくつも眠っているからです。
当時の自分では手が届かず、そのまま放置してしまったものばかりです。
そうした書きかけのコードを土台として活かせるなら、一度は諦めたプロジェクトをもう一度動かせるかもしれません。ゼロから作り直すのではなく、止まったところから再開できるのではないか。そういう期待を持ちました。
実際にどこまでできるのかは、自分で手を動かして確かめていきます。🐣