学ぶ
会員の方
相談する
全5問。4問以上の正解で合格です。コースで学んだことを確かめましょう。
RAGは、データベースを検索して質問に近い情報を取り出し、その情報をコンテキストとしてプロンプトに入れてLLMに答えさせる方法です。社内のデータのような、LLMが学習していないクローズドな情報にも答えられるようになります。
復習する：RAGとは？
ファインチューニングは手元のデータでモデルのパラメータを調整し直すため、手間とリソースがかかり、新しいモデルに乗り換えるときにも再学習が必要です。RAGは検索した情報をプロンプトに入れるだけなので、モデルの再学習は要りません。
文書と質問をベクトル（数値の並び）に変換しておき、ベクトルどうしのcos類似度を計算して、いちばん近い文書を取り出しました。意味が近い文章ほど、ベクトルの向きも近くなります。
復習する：RAGをPythonで実装してみよう！
cos類似度は1に近いほどベクトルの向きが近く、内容が似ていることを表します。いちばん値の大きい2番目の文書（第1事業部の売上の情報）が選ばれて、LLMに渡されました。
chunk_sizeは1つのチャンクの文字数、overlapは隣のチャンクと重ねる文字数です。50文字ずつ重ねながら400文字の塊を作るので、チャンクの境目で内容が途切れにくくなります。
復習する：特定のページに特化したチャットボットをRAGを使って構築
/ 5問 正解
