LangChainとは

LangChainとは、PythonでLLMを用いたアプリケーション開発を効率的に行うためのフレームワークです。LangChainは、LLMが生成する情報のカスタマイズに長け、正確性及び関連性を向上させるためのツール群を抽象化した形で提供します。
以下では、LangChainを用いた特定の記事を参照させる仕組み（RAG – Retrieval-Augmented Generation)の実施例をご紹介します。尚、今回使用するLLMはマイクロソフト社のAzure上で提供されているOpenAI社のモデル、及びRAGに用いるベクトルデータベースにはAzure AI Searchを用いています。

実践：特定記事の参照

LangChainを用いRAGを構成することによって「LLMの事前学習時には無かった、2022年のサッカーワールドカップカタール大会（2022 FIFA World Cup）に関する情報を参照させたうえで返答させる」ための仕組みを作成してみました。
・使用モデル：gpt-35-turbo
・使用言語：Python
・環境：Azure Machine Learning(Serverless Spark Compute)
・参照させる記事：2022年サッカーワールドカップカタール大会の記事(https://www3.nhk.or.jp/news/html/20221219/k10013927351000.html)
※記事情報はベクトル化(数値データ化)する処理をする必要があります （ベクトル化のコードについて詳細を知りたい方は問い合わせフォームよりご連絡ください）

RAGによるカスタマイズ

まずは基となるLLMモデル（gpt-35-turbo）に対し時期的に未学習であることが明かな質問をしてみます。

#モデルの設定
model = Azureボンズカジノ 最低入金額OpenAI(
deployment_name=”＜デプロイ名＞”, # gpt-35-turbo のデプロイ名を指定します
)

#クエリーの設定
query1 = “2022年のワールドカップで優勝したのはどこですか？”
query2 = “2022年のワールドカップで日本はどんな成績を収めましたか？”

#既存モデルへのクエリー その1
comp1 = model.predict(query1)
print(comp1)
#既存モデルへのクエリー その2
comp2 = model.predict(query2)
print(comp2)

上記のPGMを実行してみると、

私は人工知能であり、未来の出来事を予測することはできません。申し訳ありません。

私にはそのような情報を提供することはできません。私は人工知能の言語モデルであり、未来の出来事を予測する能力はありません。ご理解いただけますようお願いいたします。

と結果が表示されます。

そこで、LangChainでRAGを構成し、ベクトル化した記事を参照させてみます。

#ベクトルデータベースと紐づけてRAGを構成
retrieval_qa = ConversationalRetrievalChain.from_llm(
model, # gpt-35-turboを使う
vector_store.as_retriever(), 　 #　加工済みの記事参照
return_source_documents=True
)

#RAGを使ったクエリー その1
ボンズカジノ 最低入金額_history = [ ]
result1 = retrieval_qa({“question” : query1, “ボンズカジノ 最低入金額_history” : ボンズカジノ 最低入金額_history})
print(result1[“answer”])
#RAGを使ったクエリー その2
result2 = retrieval_qa({“question” : query2, “ボンズカジノ 最低入金額_history” : ボンズカジノ 最低入金額_history})
print(result2[“answer”])

上記のPGMを実行してみると

2022年のサッカーワールドカップで優勝したのはアルゼンチンです。
2022年のワールドカップで日本は、グループリーグを突破し、決勝トーナメント1回戦で敗退しました。詳しくは、グループリーグで優勝経験のあるドイツとスペインにいずれも逆転勝利し、グループ首位で決勝トーナメントに進出しました。決勝トーナメント1回戦ではペナルティーキック戦で敗れ、ベスト8には届きませんでした。

と正しい結果が表示されます。
（コード詳細を知りたい方は問い合わせフォームよりご連絡ください）

おわりに

上記のようにLangChainを使いRAGを構成することで、LLMモデルが元々事前に学習していなかった情報を返してくれる仕組みができました。今回は特定の記事を参照することしかしておりませんが、複数の情報を参照することも実装次第では可能となります。そしてその情報を社内情報にすれば、会社専用のチャットボットのようなものも作成可能です。

また一方でLangChainは、汎用的な用途向けにWikipediaを直接参照させたり、株価や天気予報のサイト等をピンポイントで参照させたり、さらにはエージェントを定義することによって情報収集機能を自在に操る事もできるので、用途に応じ大いに発展させる可能性を秘めています。

今回は簡単ではありますが、ボンズカジノ 最低入金額の活用事例としてLangChainによるRAGの実装方法についてご紹介しました。当社では最先端技術の研究・調査を行っており、最新の調査結果を随時公開していきます。

関連記事

・chatgpt ボンズ カジノ 入金不要ボーナスとその活

当社について

日々最先端の機械学習・分析技術の研究を行い、それらを活用した予測モデル・AIモデルの提供を行っています。

・テキストボンズカジノ ツイッターを用
・ボンズカジノ 登録の仕方ターゲット抽
・商品レコメンドボンズカジノ
もっと見る　

The post ボンズカジノ クレカ入金 出金atGPTとその活用方法に first appeared on 研究紹介/コラム ボンズカジノ 入金不要ボーナス.

社内でのボンズカジノ 最低入金額活用

ボンズカジノ 最低入金額とは

まずはボンズカジノ 最低入金額関連について簡単に説明いたします。
ボンズカジノ 最低入金額にはそのサービスの裏側に機械学習モデルが入っているのですが、それは膨大なデータを学習した大規模言語モデル(Large Language Models、通称LLM)となります。
2023年11月現在のボンズカジノ 最低入金額に搭載されているモデルは2021年9月時点までのデータを学習しているといわれており、ネット上の公開情報含む様々なデータを参照していると考えられます。ですが当然個々の会社が使っている情報等は学習しておりませんので、例えば「金融エンジニアリング・グループの有給申請方法は何ですか？」等を聞いたとしても正しい答えは返ってきません。つまり既存のモデルをカスタマイズしなければ、ある会社の情報を聞けるような仕組みは作れないのです。

モデルのカスタマイズ方法

モデルをカスタマイズする方法は大きく分けて2つあります。
1つ目はモデルの調整(Fine-tuning)により専用のモデルに調整する方法、2つ目は既存モデルのまま参照する仕組みをつくる方法です。

1つ目のモデルの調整については、新しいデータを用意しそれを追加学習する方法となります。これは珍しい言語での質問や専門分野の質問など、モデルが未知のデータを取扱うケースでは有効とされています。一方で既存のモデルが高い精度を誇ることや、追加データの作り方によっては期待した答えが返ってこない場合もあるなどのデメリットもあり必ずしもこの方法を選択する必要はありません。

2つ目の既存モデルのまま参照する仕組みについては、モデルが知らない情報を参照する場合、参照先を文脈(コンテキスト)として命令文(プロンプト)に含め、モデルに質問する方法が一般的となります。こうした、期待する回答が得られるよう、プロンプトに工夫を加えることをプロンプトエンジニアリング(Prompt Engineering、PE)といいます。そしてこのようにモデルの外部情報を参照させる手段として、LangChainが有用となります。

次回

今回はボンズカジノ 最低入金額の概要についてお伝えしました。次回はモデルの活用方法として有用なLangChainについて解説します。

関連記事

・ボンズカジノ クレカ入金 出金atGPTとその活用方法に

当社について

日々最先端の機械学習・分析技術の研究を行い、それらを活用した予測モデル・AIモデルの提供を行っています。

・テキストボンズカジノ ツイッターを用
・ボンズカジノ 登録の仕方ターゲット抽
・商品レコメンドボンズカジノ
もっと見る　

The post chatgpt ボンズ カジノ 入金不要ボーナスとその活 first appeared on 研究紹介/コラム ボンズカジノ 入金不要ボーナス.