Azure OpenAI ServiceではじめるChatGPT/LLMシステム構築入門 [単行本]

Azure OpenAI ServiceではじめるChatGPT/LLMシステム構築入門 の 商品概要

• 目次

  ■第1部　Microsoft AzureでのChatGPT活用
  ■■第1章　生成AIとChatGPT
  ■■■1.1　生成AIとChatGPTの衝撃
  ■■■■1.1.1　「AIの時代が始まった」
  ■■■■1.1.2　ChatGPTがこなせるタスク
  ■■■■COLUMN　Open Interpreter
  ■■■■1.1.3　ChatGPTを利用するうえでの注意点
  ■■■1.2　ChatGPTの仕組み
  ■■■■1.2.1　従来の「チャットボット」との違い
  ■■■■1.2.2　GPTとは
  ■■■■1.2.3　人間が好む文章を生成するための手法「RLHF」
  ■■■■1.2.4　ChatGPTができるまで
  ■■■1.3　まとめ
  
  ■■第2章　プロンプトエンジニアリング
  ■■■2.1　プロンプトエンジニアリングとは
  ■■■2.2　基本的なテクニック
  ■■■■2.2.1　指示を具体的に書く
  ■■■■2.2.2　モデルの逃げ道となる「アウト」を指定する
  ■■■■2.2.3　役割を明確にする
  ■■■■2.2.4　入出力例を与える
  ■■■■COLUMN　Zero-shot LearningとFew-shot Learning
  ■■■■2.2.5　構造的に書く
  ■■■2.3　思考の連鎖（Chain of Thought）
  ■■■■COLUMN　GPT-3.5 TurboとGPT-4の性能の違い
  ■■■2.4　その他のテクニック
  ■■■2.5　まとめ
  
  ■■第3章　Azure OpenAI Service
  ■■■3.1　Azure OpenAI Serviceとは
  ■■■■3.1.1　OpenAI社のAPIサービスとAzure OpenAI Service
  ■■■■3.1.2　Azure OpenAIの全体像
  ■■■3.2　Azure OpenAIの始め方
  ■■■■3.2.1　Azure OpenAI利用申請
  ■■■■3.2.2　リソース作成
  ■■■■3.2.3　GPTモデルのデプロイ
  ■■■3.3　チャットプレイグラウンドでChatGPTアプリを開発する
  ■■■■3.3.1　アシスタントのセットアップ
  ■■■■3.3.2　構成
  ■■■■3.3.3　チャットセッション
  ■■■■COLUMN　チャットプレイグラウンドはどこで動作する？
  ■■■■3.3.4　チャットアプリケーションのデプロイ
  ■■■■COLUMN　プレイグラウンドからデプロイされたWebアプリのソースコード
  ■■■3.4　考慮するポイント
  ■■■■3.4.1　コストの考え方
  ■■■■3.4.2　リクエスト制限
  ■■■3.5　まとめ
  
  ■第2部　RAGによる社内文章検索の実装
  ■■第4章　RAGの概要と設計
  ■■■4.1　ChatGPTの問題点と解決手法
  ■■■4.2　Retrieval-Augmented Generationとは
  ■■■4.3　検索システム
  ■■■4.4　Azure AI Search
  ■■■■4.4.1　インデックス作成
  ■■■■4.4.2　ドキュメント検索
  ■■■4.5　オーケストレータ
  ■■■■4.5.1　Azure OpenAI on your data
  ■■■■4.5.2　Azure Machine Learningプロンプトフロー
  ■■■■4.5.3　フルスクラッチ（自前で実装）
  ■■■4.6　Azure OpenAI on your data
  ■■■■4.6.1　データソース
  ■■■■4.6.2　使用方法
  ■■■4.7　Azure Machine Learningプロンプトフロー
  ■■■■4.7.1　利用の流れ
  ■■■■COLUMN　Azure Machine Learningとは
  ■■■4.8　大規模言語モデル
  ■■■4.9　Azure OpenAI API
  ■■■■4.9.1　Chat Completions API
  ■■■■4.9.2　Embeddings API
  ■■■4.10　まとめ
  ■■■■COLUMN　RAG vs. ファインチューニング
  
  ■■第5章　RAGの実装と評価
  ■■■5.1　アーキテクチャ
  ■■■5.2　社内文章検索の実装例
  ■■■■5.2.1　使用するAzureサービス一覧と料金
  ■■■■5.2.2　ローカル開発環境を構築する
  ■■■■5.2.3　ローカル開発環境で実行する
  ■■■■5.2.4　ローカルの変更をApp Serviceへデプロイする
  ■■■■5.2.5　環境設定ファイルを変更する
  ■■■■5.2.6　追加のドキュメントをインデックス化する
  ■■■■5.2.7　実際に質問する
  ■■■■5.2.6　機能紹介
  ■■■5.3　会話履歴の保持
  ■■■■5.3.1　履歴保持の実装例
  ■■■■5.3.2　Cosmos DBに会話履歴が保存されたことを確認する
  ■■■5.4　検索機能
  ■■■■5.4.1　ベクトル検索
  ■■■■COLUMN　チャンク分割の重要性
  ■■■■5.4.2　ハイブリッド検索
  ■■■■5.4.3　セマンティックハイブリッド検索
  ■■■■COLUMN　どの検索モードが最も良い結果を出すか
  ■■■■COLUMN　カスタマイズポイント
  ■■■5.5　データインジェストの自動化
  ■■■5.6　RAGの評価と改善
  ■■■5.7　検索精度の評価
  ■■■■5.7.1　基本的な評価指標
  ■■■■5.7.2　順位を考慮した評価指標
  ■■■5.8　生成精度の評価
  ■■■■5.8.1　関連性の評価
  ■■■■5.8.2　一貫性の評価
  ■■■■5.8.3　類似性の評価
  ■■■■COLUMN　RAGの回答精度を向上させるには？
  ■■■5.9　まとめ
  
  ■第3部　Copilot stackによるLLMアプリケーションの実装
  ■■第6章　AIオーケストレーション
  ■■■6.1　Copilot stackとは
  ■■■■6.1.1　第1層：Copilotフロントエンド
  ■■■■6.1.2　第2層：AIオーケストレーション
  ■■■■6.1.3　第3層：基盤モデル
  ■■■6.2　AIオーケストレーションとエージェント
  ■■■■6.2.1　Reasoning & Acting（ReAct）
  ■■■■6.2.2　Planning＆Execution（計画と実行）
  ■■■■COLUMN　LangChain
  ■■■■COLUMN　Semantic Kernel
  ■■■■6.2.3　プラグインの実行
  ■■■6.3　独自Copilot開発のアーキテクチャと実装
  ■■■■6.3.1　ツール選定（ReAct）の実装
  ■■■■6.3.2　チャットUIからの利用
  ■■■■6.3.3　ChatGPTプラグインの実装
  ■■■■6.3.4　ストリーム出力の実装
  ■■■6.4　まとめ
  ■■■■COLUMN　Azure AI Studioの登場
  
  ■■第7章　基盤モデルとAIインフラストラクチャ
  ■■■7.1　基盤モデルとAIインフラストラクチャとは
  ■■■7.2　ホスティングされたモデルの場合
  ■■■■7.2.1　GPT-3.5とGPT-4
  ■■■■COLUMN　GPT-4 Turbo
  ■■■■7.2.2　ファインチューニング
  ■■■■COLUMN　GPT-4のファインチューニング
  ■■■7.3　公開モデルの場合
  ■■■■7.3.1　モデルの種類
  ■■■■7.3.2　モデルサイズと圧縮方法
  ■■■■7.3.3　モデルのホスト
  ■■■■COLUMN　Azure Machine Learningモデルカタログ
  ■■■7.4　まとめ
  ■■■■COLUMN　OSSライセンスと機械学習モデル
  
  ■■第8章　Copilotフロントエンド
  ■■■8.1　ユーザーエクスペリエンスの基礎
  ■■■■8.1.1　ユーザビリティ
  ■■■■8.1.2　停止ボタンと再生成ボタン
  ■■■■8.1.3　キャッシュしやすい実装
  ■■■8.2　LLMの不確実な応答への対処
  ■■■■8.2.1　正確性
  ■■■■8.2.2　透明性（情報の根拠の提示）
  ■■■■8.2.3　UX向上のためのストリーム処理
  ■■■■8.2.4　OpenAIエンドポイントのストリーム出力を直接処理
  ■■■■8.2.5　Flaskアプリケーションでレスポンスをストリーム形式で処理する194
  ■■■8.3　UX向上のための参考資料
  ■■■■COLUMN　チャット以外のインターフェース
  ■■■8.4　まとめ
  
  ■第4部　ガバナンスと責任あるAI
  ■■第9章　ガバナンス
  ■■■9.1　共通基盤とは
  ■■■9.2　共通基盤のアーキテクチャ
  ■■■■9.2.1　使用するAzureサービス一覧と料金
  ■■■■9.2.2　デプロイ
  ■■■9.3　認証・認可
  ■■■■9.3.1　認証・認可の流れ
  ■■■■9.3.2　サンプルコードの実行
  ■■■■COLUMN　API Managementのサブスクリプションキー
  ■■■■COLUMN　Azure OpenAI APIの利用を特定のユーザーに制限する
  ■■■9.4　ログ統合
  ■■■9.5　課金
  ■■■9.6　流量制限
  ■■■9.7　閉域化
  ■■■9.8　負荷分散
  ■■■■9.8.1　Application Gatewayの利用
  ■■■■COLUMN　Application Gatewayの負荷分散を本番化するときの注意点
  ■■■■9.8.2　API Managementの利用
  ■■■9.9　まとめ
  
  ■■第10章　責任あるAI
  ■■■10.1　責任あるAIに対するMicrosoftの取り組み
  ■■■10.2　責任あるAIの実践
  ■■■10.3　コンテンツフィルタリング

• 内容紹介

  Microsoft AzureはChatGPTをはじめとするOpenAIモデルを利用できる、現在唯一のパブリッククラウドサービスです。本書はLLM（大規模言語モデル）に興味があるITエンジニアを対象に、AzureからOpenAIモデルにアクセスできる「Azure OpenAI Service」を使い、ChatGPTを利用した社内AIシステムの開発と導入を実現してもらうのが目的です。
  前半では、生成AIとChatGPTモデルの基本的な概念とその仕組みを解説します。また、Azure OpenAI Serviceの概要と具体的な利用方法を解説し、プロンプトエンジニアリングについても紹介します。後半ではChatGPTを利用する社内システムの開発手法について、実際にAzure OpenAI Serviceを使いながら学んでいきます。RAGを利用した社内文章検索システムの実装を経て、LLMを組み込んだアプリケーション（Copilot）の構築へとステップアップしていきます。また、Azure OpenAI Serviceの利用におけるガバナンス実現に必要な共通基盤化と責任あるAIについても解説しています。

• 著者について

  永田 祥平 (ナガタ ショウヘイ)
  日本マイクロソフト株式会社 クラウドソリューションアーキテクト大学院で分子生物学やバイオインフォマティクスを学んだあと、2020年より日本マイクロソフト株式会社に入社。クラウドソリューションアーキテクト（AI）として、主にエンタープライズのお客様を対象に、Azureビッグデータ分析基盤や機械学習基盤の導入・活用支援を行う。推しのプロダクトはAzure Machine Learning。第1部の監修と執筆、全体統括を担当。X：@shohei_aio
  
  伊藤 駿汰 (イトウ シュンタ)
  日本マイクロソフト株式会社 クラウドソリューションアーキテクト／株式会社Omamori 取締役本業でAI/ML開発（とくに自然言語処理方面）と利活用の技術支援、機械学習基盤やMLOps基盤の構築および活用の技術支援を行うクラウドソリューションアーキテクト、趣味・副業でソフトウェアエンジニア。第3部と付録Bの執筆を担当。X：@ep_ito
  
  宮田 大士 (ミヤタ タイシ)
  日本マイクロソフト株式会社 クラウドソリューションアーキテクト情報学の修士号を取得後、製造業にてデータ分析、機械学習システムの構築、データ分析基盤の開発を経験し、日本マイクロソフトに入社。現職では、幅広い業界のお客様へのAIの導入／活用を支援。第2部の監修と執筆を担当。X：@tmiyata25
  
  立脇 裕太 (タテワキ ユウタ)
  日本マイクロソフト株式会社 クラウドソリューションアーキテクトSoftbank（SBT）、Deloitte、DataRobot、現在は日本マイクロソフトでビッグデータ、クラウド、機械学習を活用した企業のデータ活用を支援。MLOps Community（JP）のオーガナイザで、過去にはJDLA AIガバナンスとその評価研究会の研究員、QA4AIガイドラインの改訂、MLOpsやAIガバナンスに関する講演や記事執筆などを実施。第4部の監修と執筆を担当。LinkedIn：www.linkedin.com/in/yuta-tatewaki
  
  花ケ﨑 伸祐 (ハナガサキ ノブスケ)
  日本マイクロソフト株式会社 パートナーソリューションアーキテクトNECソフト（現NECソリューションイノベータ）、IBM JapanのAIアーキテクトを経て、現在はパートナーAIソリューションの開発支援に携わる。画像認識プロダクト開発や医療画像解析などクロスインダストリーでのAIプロジェクトの開発・アーキテクトとして15年以上の経験がある。推しのプロダクトはAzure AI Search（旧称Azure Cognitive Search）。第3部の監修と執筆、第2部の執筆を担当。Qiita：@nohanaga
  
  蒲生 弘郷 (ガモウ ヒロサト)
  日本マイクロソフト株式会社 クラウドソリューションアーキテクト大手システムインテグレータにてキャリアをスタート。自動車業界のDMSデータ活用基盤のコンサルティングおよび開発、エンタープライズブロックチェーンを活用した異業種間データ流通プラットフォームの立ち上げなどを担当。数年間、データサイエンティストとして社会インフラ関連企業を対象にしたデータ分析および機械学習システムの開発を経て、現在はソリューションアーキテクトとしてAI導入の技術支援やAzure OpenAI Serviceのエバンジェリスト活動などに従事。第1、2部と第4部の執筆を担当。X：@hiro_gamo
  
  吉田 真吾 (ヨシダ シンゴ)
  株式会社セクションナイン 代表取締役2023年5月にAzure OpenAI/Azure AI Search/Azure Cosmos DBを活用した人事FAQ 機能をリリース。Serverless Community（JP）やChatGPT Community（JP）を主宰。著書、監訳書に『ChatGPT/LangChainによるチャットシステム構築［実践］入門』（技術評論社）、『サーバーレスシングルページアプリケーション』（オライリー・ジャパン）、『AWSエキスパート養成読本』（技術評論社）、『AWSによるサーバーレスアーキテクチャ』（翔泳社）など。第3部の執筆を担当。X：@yoshidashingo

Azure OpenAI ServiceではじめるChatGPT/LLMシステム構築入門 の商品スペック