Gaétan Raoul

まず、検索対象となる文書やデータをベクトル（数値のリストや配列）化して、AIモデルが意味を理解できるようにする必要がある。このプロセスがエンベディング（埋め込み）だ。 エンベディングでは、文書やそのチャンク（小さい区切り）を、AIモデルが処理しやすいベクトルに変換する。ベクトルはベクトルデータベースに保存され、検索や生成処理の際に活用される。 エンベディングモデルには、大きく分けて以下の2種類がある。 密（dense）モデル 多くのLLMで採用される一般的な方式。固定長のベクトル（768次元、1536次元など）を出力し、ベクトルの次元数（x次元）が表現力や計算コストに影響する。 スパース（sparse）モデル 入力テキストに応じてベクトルの次元数や密度が可変となる方式。検索精度の最適化を目的とするモデルでよく用いられる。 これらを組み合わせたハイブリッド方式も存在する。特に短文（SNSのコメントやFAQなど）を対象とする際に有効で、検索精度と処理効率を両立する。代表的なものは以下の通り。 Splade ColBERT IBM sparse-embedding-30M...

RAGの基本的な仕組みは比較的シンプルだ。まず、ユーザーがプロンプト（AIモデルに対する指示や質問）を入力する。プロンプトを受け取ったRAGシステムは、検索用のクエリを生成し、それを使ってナレッジベース内の文書から関連情報を検索。最も関連性の高い順にランク付けする。LLMはその結果を基に、最終的な回答を生成してユーザーに返答する。それぞれの工程は密接に連携するため、統合的な設計と運用が求められる。 RAGを構築する際、最初のステップは検索対象となる文書の収集だ。とはいえ、手元にある文書を全て一括で取り込むのは非効率的だ。バッチ更新とリアルタイム更新のどちらを採用するかという判断も伴うため、安易な一括取り込みは推奨されない。 RAGの運用では、重複したドキュメントや古いドキュメントを排除し、最新かつ有効な情報を選別する必要がある。事前にデータを選別することで、無駄な情報をシステムに流し込むリスクを避け、処理性能の低下も防げる。...

Couchbase clôt un passage en bourse en demi-teinte Il revendique 937 clients, dont 51 d’entre eux dépenseraient plus d’un million de dollars par an dans ses solutions. Pour autant, il prévoyait une baisse d’un à deux milliards de dollars de ses revenus pour le deuxième trimestre fiscal 2026, et ce malgré la croissance envisagée de son ARR. Il affiche au T1 2026 une perte nette de 17,679 millions de dollars, contre 20,995 millions de dollars au T1 2025.