国または地域と言語

    国または地域と、言語を選んでください。

    おすすめ

      すべての国と地域

        キャラクターを選ぶ

        上部のバーとプロフィールに表示されます。いつでも変更できます。

        言語モデルを使った開発コース

        プロジェクト:方針についての回答

        言語モデルを使った開発を開いています
        取り組み中

        RAGの構築:検索と根拠のある回答

        RAG(Retrieval-Augmented Generation、検索拡張生成)は、選んだ資料をLLMへのリクエストと一緒に渡す仕組みです。ただし、RAGを構築しても、それだけで答えが正しくなるわけではありません。役に立つパイプラインは、呼び出した人がどのレコードを見てよいか、そのリビジョンが現在のものか、返ってきた答えが資料に支えられているかを、それぞれ判断する必要があります。このプロジェクトでは、その流れをPythonで実装します。

        方針のサービスの例

        架空の顧客向けの方針のサービスなら、まず文書を、問い合わせたテナントと承認済みのリビジョンに絞り込みます。順位を付けるのは、残ったチャンクだけです。用意された回答の処理にそのソースのIDを渡し、検索していないIDを引用した答えは拒否します。求められた方針を支える資料がなければ、ルールを作り出さずに、決められた「回答の見送り」の結果を返します。

        パイプラインの確認

        関係はあるが別のテナントの文書、古いリビジョン、ありそうだが存在しないIDを引用する答え、の3つをテストしてください。どれも違う境界を確かめます。引用の数を数えるだけでは、所属と範囲を確かめない限り、3つとも見逃します。

        検索のドキュメント(英語、2026年11月14日に確認)は、実際のプラットフォームでの検索を説明しています。ここでは資料も返答もオリジナルのフィクスチャで、確認はPythonで手元に実装します。ホスト型のインデックスも、実際の生成も使いません。プロジェクトの8つのステップは元の境界を持つチャンクから始まり、引用の所属の確認、テナントとリビジョンでの絞り込みを通ります。評価の分け方は取り分けたデータのIDの境界で練習できます。

        Your Work Gym account

        Save your progress and pick up on another device. Your browser's progress comes with you.

        or

        You can keep practicing without an account.

        プランを変更

        価格を確認しています

        ヘルプとフィードバック

        質問、うまく動かない点、アイデアなどをお寄せください。メールで返信します。

        どのような内容ですか?

        返信のためだけに使用します。