生成AI・LLM

ローカルLLMを研究開発へ導入する方法を、必要メモリ、量子化、モデル選定、Ollamaの使い方、RAG、セキュリティ、評価指標、材料科学の実測例とともに解説します。

生成AIやRAGを何で評価すればよいのでしょうか。正確性、忠実性、要求網羅率、棄権率、再現性など、研究開発で使えるLLM Evalsの設計方法を、材料科学のローカル実測例とともに解説します。

Chain of Thought（CoT）とは、生成AIに中間的な推論ステップを生成させる方法です。仕組み、Zero-shot CoTやSelf-Consistencyとの違い、研究開発での活用法、推論が正しさを保証しない理由を材料科学の実測例とともに解説します。

生成AIが存在しない論文や誤った数値をもっともらしく示すハルシネーションはなぜ起こるのでしょうか。原因、RAGでも残る理由、研究開発での検証手順を、材料科学のローカル実測例とともに解説します。

MCP（Model Context Protocol）とは、生成AIとファイル、データベース、解析ツールなどを接続するための標準です。AIエージェント・RAG・APIとの違い、研究開発での活用例、導入設計、安全性を分かりやすく解説します。

研究開発データにRAGを導入する際の設計手順を解説。データ整理、チャンク、ハイブリッド検索、権限管理、評価指標を、架空データによる実測比較とともに紹介します。

AIエージェントとは何かを、RAGやワークフローとの違いから解説。研究開発での活用例、安全設計、RAG単体・固定ワークフロー・エージェントの実測比較を紹介します。

RAG（検索拡張生成）の仕組み、研究開発での活用例と限界を解説。Ollama・Qwen3を使った材料科学の疑似データ実測で、検索成功後にも起こる計算ミスや回答漏れを検証します。

生成AIの発展を、Transformer、事前学習、RAG、Chain of Thought、ツール利用、マルチモーダル、AIエージェントの流れで解説。各技術が解決した課題と研究開発での注意点を整理します。

生成AIに統計解析を任せてよい範囲と、実験単位、対応、多重比較、データリークなどの誤りを解説。疑似データによる比較検証と、結果を確認する7ステップを紹介します。