次世代の計算技術を学ぶ
◼️概要 生成AI技術の最前線である大規模言語モデル（LLM）の活用方法について学びます。計算コストの問題から一般ユーザーがゼロからLLMを構築することは困難なため、本回では公開されている事前学習済みモデルを効果的に利用する方法に焦点を当てます。Transformerベースの言語モデルを様々なタスクに応用し、実用的な生成AIアプリケーション開発のスキルを習得します。 ◼️コース内容 生成AIエンジニア講座（全6回） 第六回：大規模言語モデル 目的：事前学習済みの大規模言語モデルを活用した実用的なアプリケーション開発方法を習得する 対象者：第五回までを受講した方、またはTransformerモデルの基礎知識を持つ方 内容： 大規模言語モデルの概要と種類 事前学習済みモデルの選択と利用方法 主要な自然言語処理タスクの実装 文書分類の実装と評価 文章の類似度計算 要約生成の方法 文の埋め込み表現（Embeddings）の活用 LLMを用いた検索システムの構築 生成AIアプリケーション開発の実践
「RAGの全体像とノーコード体験」（全3回セット・第1回） 本動画は「生成AIエンジニア講座 RAG編」（全3回セット）の第1回です。 生成AIの基礎から出発し、RAG（Retrieval-Augmented Generation）の概要と仕組みを整理します。LLM が外部データを検索・参照しながら回答を生成する流れや、ファインチューニングとの違い、RAG が向く／向かないユースケースを図解を交えて解説します。 後半ではノーコードツール「dify」を用いて、社内文書検索のようなRAGアプリを実際に構築します。 検索 → コンテキスト付与 → 回答生成という一連の処理フローを体験しながら、後続の第2回・第3回で扱うPython実装編・応用編につながる基礎を身につけます。 エンジニアだけでなく、ビジネス職やマネジメント層の方でも理解しやすい導入回です。 【この回で使用する教材】 教材（スライド）： https://docs.google.com/presentation/d/1n2KTrrpRuWaysrD4juzMKfaWcC-GO45fwp3xeyoh5G0/edit?usp=sharing
第3回では、量子機械学習の応用としてQCNN（量子畳み込みニューラルネットワーク）を取り上げます。古典的なCNNの構造を踏まえつつ、量子版の畳み込み・プーリング・測定の仕組みを解説します。ZFeatureMapによるデータの量子エンコーディングから、量子畳み込み・量子プーリングの動作、さらには学習・評価までをColab環境で実装し、量子モデルが持つ正則化的効果（過学習抑制）の可能性にも触れます。量子×AIの融合領域を、理論と実装の両面から深く理解できる内容です。 スライド https://docs.google.com/presentation/d/1eOuTv35H5UmeTofxKRLpu92Vxn4gX2Mv9CZX8QIQ7ec/edit?usp=sharing 演習 https://colab.research.google.com/drive/19qkXQWb7bLX3uDrFyirI0EoWi4gRJ6SW?usp=sharing
生成AIジェネラリスト 第３回
最先端技術を体系的に学習
アニーリング式・ゲート式の量子コンピューティング技術を基礎から実践まで学習
量子技術の全体像を理解し、ビジネス活用に必要な知識を体系的に習得
ChatGPT、画像生成AIなど、最新の生成AI技術を活用するスキルを習得
