業務特化型AI(Vertical AI)の基礎と導入及び活用のポイント

(株)LINK．A　代表取締役　太田 桂吾 氏

【Live配信】２０２６年９月２４日（木）　１３：００〜１５：００
【アーカイブ（録画）配信】 ２０２６年１０月５日まで受付（視聴期間：１０月５日〜１０月１４日まで）

1名につき ３８,５００円（消費税込、資料付）
〔１社２名以上同時申込の場合のみ１名につき ３３,０００円〕

〔大学、公的機関、医療機関の方には割引制度があります。詳しくは上部の「アカデミック価格」をご覧下さい〕

【講演趣旨】
近年、生成AIは汎用型から業種・業務に特化したVertical AIへとシフトしています。
本講演では、なぜ特化型AIが求められるのか、RAGとファインチューニングの技術的な使い分け、そしてローカルLLMを活用した自社データの安全な運用手法について解説します。技術動向を中心に、自社でVertical AI導入を検討する際に役立つ指針と選定の視点を提供します。



【講演項目】
1.Vertical AIの技術的定義−汎用LLMとの違いをアーキテクチャ観点で整理

2.業務特化を実現する3つの技術アプローチ：プロンプトエンジニアリング／RAG／ファインチューニング

3.RAGのアーキテクチャ詳解：チャンキング・埋め込み・ベクトルDB・リランキング

4.埋め込みモデルとベクトル検索の選定ポイント

5.ファインチューニングの手法比較：フルファインチューニング／LoRA／QLoRA／PEFT

6.RAG vs ファインチューニング：技術的な選定基準（更新頻度・コスト・レイテンシ）

7.ハイブリッド構成の実装パターンとRAFT（Retrieval-Augmented Fine-Tuning）

8.ローカルLLMのアーキテクチャ−量子化（GGUF／AWQ／GPTQ）とモデル圧縮技術

9.オープンモデルの選定基準（パラメータ数・ライセンス・ベンチマーク性能）

10.小規模GPU環境でのファインチューニング実践（QLoRA、Unsloth、必要VRAM試算）

11.学習データパイプライン：業務データのクレンジング・アノテーション・データセット設計

12.推論基盤の構築：ローカル推論エンジン（Ollama／vLLM／llama.cpp）の比較

13.精度評価の設計：ベンチマーク・LLM-as-a-judge・業務指標との紐付け

14.ハルシネーション対策の技術手法（グラウンディング、出典提示、ガードレール）

15.セキュリティ・アクセス制御の実装（データ主権、権限管理、監査ログ）

16.モデル継続更新の仕組み（差分学習・知識更新パイプライン）

17.技術選定ロードマップ−PoCから本番運用までの意思決定フロー

18.ディスカッション

【質疑応答】