いちばんやさしい生成AI & ナレッジ活用の教本 人気講師が教える新しい価値を生み出す社内データ運用ノウハウ
発売日: 2026/7/22
想定ページ数: 288ページ
ISBN: 9784295024736
全文検索: 非対応
★★★★★
★★★★★
0件
-
-
-
-
「生成AIを導入したけれど、いまいち業務に活かせていない」—そんな悩みを抱えている人のため、生成AIと社内データを組み合わせ、ビジネスの現場で「本当に使える」ナレッジへ変換するノウハウを凝縮しました。RAG（検索拡張生成）などの専門的な仕組みも、現場感のあるユースケースをもとに非エンジニアでもわかるよう噛み砕いて解説。散らばった社内資料を宝の山に変え、付加価値の高いアウトプットを生み出すための「新しいデータ運用」のスタンダードがこの1冊で身につきます。
・本書の構成
Chapter 1 なぜ「生成AI×ナレッジ活用」が今、必要なのか
Chapter 2 生成AI活用技術の全体像を知る
Chapter 3 社内ナレッジを整理する
Chapter 4 ユースケース1：製造業の原因推定×自動復旧
Chapter 5 ユースケース2：非構造化データ活用によるレコメンド高度化
Chapter 6 ユースケース3：大量VoCのコスト最適化×セキュア解析
Chapter 7 生成AIによるナレッジ活用プロジェクトの進め方
-
01 生成AI活用の現在地
-
02 広がり続ける「生成AI」の役割
-
03 使いたい情報とAIのあいだには壁がある
-
04 AIが社内データを参照するアプローチを理解する
-
05 競争優位性は、「自社ナレッジ×AI」にある
-
06 生成AIの限界を知る
-
07 AIには苦手な領域があることを知る
-
08 生成AI高度利活用に向けた2つの課題
-
09 課題1：生成AI活用アプローチを5つのレベルに分類する
-
10 課題2：データを整える重要性を知る
-
11 データサイエンスに基づくナレッジ活用
-
12 本書の構成と全体像
-
13 読者が得られる知識と読了後のゴール
-
COLUMN 「まず何から始めるか」を決める3つの問い
-
14 汎用生成AIツール利用でできることを知る
-
15 APIの基本
-
16 生成AIの「API利用」とは？
-
17 RAGによる自社ナレッジ活用
-
18 ナレッジ基盤に格納するデータを知る
-
19 RAGでできること
-
20 AIエージェントとは何か？
-
21 業務プロセス自動化としての「AIエージェント」
-
22 「AIを借りる」と「AIを学習する」
-
23 ファインチューニングの使いどころ
-
24 ローカルAI（ローカルLLM）とは？
-
25 クラウドAIとローカルAIの向き・不向き
-
26 生成AIの強みと苦手なこと
-
27 生成AIとデータサイエンス手法の使い分け
-
28 生成AI×データサイエンスの融合による高度な価値創出
-
COLUMN 生成AI活用の「本格化」──日本企業の現在地と3つの壁
-
29 生成AI×自社ナレッジ活用の全体像
-
30 ナレッジ設計① どんなデータを対象にするか
-
31 ナレッジの設計② 具体的なナレッジの種類を理解する
-
32 データの取り込み① 構造化データ
-
33 データの取り込み② 非構造化データ
-
34 データの取り込み③ 画像・音声・動画
-
35 ナレッジ基盤の構築① 構造化データベース
-
36 ナレッジ基盤の構築② 非構造化データベース
-
37 検索・生成の設計① ナレッジ検索（Retrieval）
-
38 検索・生成の設計② 回答生成（Generation）
-
39 検索・生成の設計③ 発展的なAgentic RAG
-
40 運用の設計① ナレッジを育てていく
-
41 運用の設計② ナレッジの品質を維持する
-
42 運用の設計③ 精度を改善していく
-
COLUMN RAGの精度を育てる運用設計
-
43 ユースケース：製造業の設備保全×ナレッジ活用
-
44 データの棚卸しと、優先課題の選定
-
45 何をどの粒度で、ナレッジとして取り込むか
-
46 構造化データの確認と前処理
-
47 非構造化データの確認と前処理
-
48 ナレッジ基盤の構築
-
49 機械学習と生成AIの関係を整理する
-
50 教師あり学習の仕組みを押さえる
-
51 機械学習による異常予兆検知の実装設計
-
52 機械学習による異常予兆検知のPoC結果を読む
-
53 RAGによる原因推定の仕組みと復旧ガイダンスの設計
-
54 RAGによる原因推定、復旧ガイダンスのPoC結果を読む
-
55 2つのアプローチが生む価値と次のステップ
-
56 導入効果の測定と投資対効果の試算
-
57 データとナレッジを育て続ける運用設計
-
58 技術継承の実現と次のフェーズへ
-
COLUMN 技術継承はAIに任せる時代へ──「教える側」の負担をゼロに近づける
-
59 ユースケース：次世代AIネイティブECサイト構築
-
60 データの棚卸しと取り組む課題の確認
-
61 何のデータをどの粒度で、取り込むか
-
62 行動データ、レビュー、アンケートの前処理とクレンジング
-
63 商品画像のベクトル化とナレッジベースの構築
-
64 ナレッジ基盤の完成と接続設計
-
65 レコメンドとは何か？
-
66 協調フィルタリングの仕組みを理解する
-
67 レコメンドの実装設計
-
68 レコメンドのPoC結果を読む
-
69 RAGチャットボットの実装設計
-
70 RAGチャットボットのPoC結果を読む
-
71 2つのアプローチが生む価値と次のステップ
-
72 PoCから本番への移行判断と段階的展開計画
-
73 オフライン評価とオンライン評価（A/Bテスト）の設計
-
74 データフライホイールと継続的なデータ収集
-
75 組織体制と次フェーズへの拡張
-
COLUMN AI専門人材がいなくても動かせる組織の作り方
-
76 ユースケース：カスタマーセンター高度化計画
-
77 データの棚卸しと取り組む課題の確認
-
78 ローカルLLMを採用する判断基準
-
79 ローカルLLMの選定方針：何を優先して選ぶか？
-
80 音声・テキストデータの前処理と文字起こし設計
-
81 タグ設計：分析で答えたい問いから逆算する
-
82 処理パイプラインの全体設計
-
83 ローカルLLMでVoCを構造化するプロンプトの設計
-
84 出力イメージの確認とPoCの進め方
-
85 VoC構造化PoCの結果：よい例と悪い例の読み解き方
-
86 集計とトレンド分析の実装設計
-
87 PoC分析で得られたインサイトとその読み解き方
-
88 複数の仮説を絞り込み、施策の優先順位をつける
-
89 ダッシュボードPoC：現場レビューの結果と学び
-
90 VoC構造化アプローチが生む価値と次のステップ
-
91 本番移行の判断基準と段階的展開計画
-
92 セキュリティ、ガバナンスと運用設計
-
93 組織体制と次フェーズの拡張ロードマップ
-
COLUMN 内製化とパートナー活用、どちらを選ぶべきか
試し読み
試し読み
試し読み
試し読み
