カテゴリ一覧 著者一覧 予約購入
コンピュータ・IT
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
0件
2,420円（税込）
獲得ポイント: 24pt
通常:
24pt
試し読み
ギフト購入

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
インプレス 三好大悟 (著)
EPUBリフロー
想定ページ数: 288ページ
ISBN: 9784295024736
全文検索: 非対応
「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

目次

表紙
著者プロフィール
はじめに
目次
Chapter 1　なぜ「生成AI×ナレッジ活用」が今、必要なのか
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
Chapter 2　生成AI活用技術の全体像を知る
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
Chapter 3　社内ナレッジを整理する
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
Chapter 4　ユースケース1：RAGによる故障原因の推定 ×自動復旧
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
Chapter 5　ユースケース2：非構造化データによるレコメンドの高度化
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
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
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
Chapter 7　生成AIによるナレッジ活用プロジェクトの進め方
94　企画・提案・推進・報告の「型」を学ぶ
95　ヒアリングと情報収集の進め方
96　目指す姿を描く
97　As-IsとTo-Beのギャップを整理する
98　データとナレッジの棚卸しをする
99　インパクト×フィジビリティで選ぶ
100　生成AIとデータサイエンス技術の活用
101　スコープとスケジュールを設計する
102　提案書の全体構成を設計する
103　1ページの設計とプレゼンの型
104　プロジェクトの土台づくり
105　誰が何を担うかを決める
106　不確実性との付き合い方
107　止める・続ける・変えるの判断
108　AIプロジェクトの結果を読む
109　検索精度と回答品質
110　機械学習やデータ分析の結果を読み解く
111　結果は3部構成の報告書にまとめる
112　技術の言葉をビジネスの言葉に翻訳する
113　PoCで終わらせないために必要なこと
114　1つ動かし、次に広げる
COLUMN　「失敗」から学ぶAIプロジェクトの現場
おわりに
奥付

ユーザーレビュー

まだレビューが投稿されていません