AIエージェント時代に見つめ直す：RAG・LLM の環境構築・実践活用方法《基礎および精度改善手法・社内DXの進め方まで》【提携セミナー】

　　セミナー　　技術分野共通　　AIエージェント時代に見つめ直す：RAG・LLM の環境構築・実践活用方法《基礎および精度改善手法・社内DXの進め方まで》【提携セミナー】

開催日時	2026/11/20 (金)　13:00-17:00　＊途中、小休憩を挟みます。
担当講師	山口佳輝氏
開催場所	Zoomによるオンラインセミナー
定員	-
受講費	【オンライン受講（見逃し視聴なし）】：1名46,200円(税込（消費税10％）、資料付) 【オンライン受講（見逃し視聴あり）】：1名51,700円(税込（消費税10％）、資料付)

AIエージェント時代に見つめ直す：

RAG・LLM の環境構築・実践活用方法

《基礎および精度改善手法・社内DXの進め方まで》

【提携セミナー】

主催：株式会社情報機構

★生成AI活用に留まらずAIエージェントにおいても重要に！
「社内情報をAIで活かしたい」を実現するRAGの構築・精度改善のポイントを解説！
★各社のセキュリティ事情も考慮し、ローカルLLMの環境構築方法・汎用のクラウド生成AIでも利用できるような構成例についても取り上げます。

◆セミナーポイント

生成AIの活用が急速に広がる中、近年はAIエージェントが大きな注目を集めています。その一方で、生成AI、特にLLM(大規模言語モデル)の活用が広がり始めた頃から重要な技術として注目されてきた「RAG」は、AIエージェントほど目立つキーワードではなくなりつつあります。

しかし、社内外の知識や情報を取得してLLMの処理に活用するRAGは、これまでの代表的なユースケースであったチャットボットだけでなく、AIエージェントにおいても重要な役割を担う技術です。

そこで本セミナーでは、AIエージェント時代である今だからこそRAGを見つめ直します。
LLMとRAGの基礎からチャットボットとAIエージェントの違い、RAGの構築方法および精度改善のポイントを説明します。また、各社のセキュリティ事情も考慮し、ローカルLLMの環境構築方法もお伝えします。汎用のクラウド生成AIでも利用できるように構成例についても取り上げます。

さらに、そこからLLMとRAGを活用した社内DXの進め方までご紹介します。

◆受講後、習得できること

LLM 及び RAGに関する基礎知識
RAGの種類や構成、精度改善手法の基礎知識
LLM + RAGを用いた社内DXの進め方

◆受講対象者

社内・或いは部署内の情報を、生成AIを用いて有効活用したいとお考えの方
社内情報検索システムの構築を検討している方
LLMやRAG、AIエージェントを用いた社内DX推進を検討中の方
LLMやRAGを運用している、あるいは携わっているが、今後の改善方針に悩んでいる方
など

担当講師

NTTテクノクロス株式会社　フューチャーネットワーク事業部　アシスタントマネージャー　山口佳輝氏

＊ご略歴：
NTTテクノクロス株式会社にてネットワーク/通信事業向けのシステム検討や開発業務に従事。これとあわせて社内研修やプロジェクト技術支援、情報発信活動(社外公式ブログなど)にも取り組む。

＊ご専門および得意な分野・研究：
ネットワーク/通信事業向けのシステム検討/開発業務

＊本テーマ関連のご活動：
・業務にて関連業務に従事。
・当社社外公式ブログ「情報畑でつかまえて」(https://www.ntt-tx.co.jp/column/)にて複数回関連記事を投稿。
・@IT(社外メディア)にて関連記事を投稿。
・技術書典にて「可能性を広げる！LLM 活用入門」公開。
・その他、社内勉強会やグループ内勉強会にて発表。

セミナープログラム（予定）

1. はじめに

2. LLMとRAGの基礎
1) LLM
a) LLMとは / LLMのできる事 / 得意分野
b) LLMのユースケース: チャットボットとAIエージェント
– それぞれの仕組み / ユースケース例
– メリット / デメリットと注意点
c) ローカルLLM とクラウドLLM
– 違い, メリット / デメリット，各モデルの例
– それぞれの利用に必要なコンポーネント
– ローカルLLMを使う際に意識すべきこと（パラメータサイズ等）
2) RAG
a) RAGとは / RAGの仕組み概要
b) RAGの重要性
c) RAGの種類とユースケース
d) チャットボット用RAGとAIエージェント用RAG

3. 実践活用に向けて
a) LLM×RAGの最新事情
b) やりたい事とLLM×RAGの選択肢
c) LLMとRAGの構成について
– クラウドとローカル
– 実現ツール
– クラウドとローカル構成案
d) LLM×RAGのベストプラクティス

4. LLM×RAGの精度改善手法と精度評価
a) LLM×RAGの精度改善手法
– 全体概要
・精度改善の観点について
– 質問文や運用の改善
・プロンプトエンジニアリング
・プロンプトテンプレート
・ノウハウの共有 / 運用の改善
– パラメータ改善
・チャンクサイズやオーバーラップの変更
・LLMへの推論パラメータの変更
– ドキュメント改善
・markdownやHTML化とその際の注意点
– 仕組みの改善
・Agentic RAG化
・ワークフローと主流な改善方法
– [参考] モデルの改善
・モデルのファインチューニング
b) 精度評価
– 精度評価方法と進め方

5. ローカルLLMとRAGの構築手順
a) ローカルLLMとRAGの構築方法と動作例（例）
– ローカルLLMの構築
– RAGの構築
– ローカルLLMとRAGの連携
– 動作例

6. LLMとRAGを用いた社内DXの進め方
a) チャットボット / AIエージェントの進め方全体概要
– 進め方の概要と考え方
b) 各フェーズの進め方 / 意識すべきこと
– 各フェーズ（仕様検討 / 実装 / 評価 / 改善）で実施すべきこと
– AIエージェントならではの気を付けるべきポイント

7. おわりに

　＜質疑応答＞