新規事業のつくり方

新しいことを学ぶことが好きです。今は機械学習や自然言語処理に興味があります。

本気でAI人材になりたい!高年収で将来性が非常に高いAIエンジニア職に就きたい!

現在の仕事に不満があったり、キャリアの停滞感を感じているなら、このページで紹介する転職サービスは必見です。ここでは、現役のAIエンジニアが市場動向を分析し、選ぶ使いやすい転職サイト・転職エージェントを厳選してご紹介します。

目次
AI業界の待遇を概観する
生成AI市場の急成長と高値で売れる経験
AIエンジニアは激務なのか
AIエンジニアの将来性

AIエンジニアになるメリット
転職エージェントを活用して効率的に転職しよう
AIエンジニア向け転職エージェント選びのコツ
転職サイト・転職エージェントを利用する時期は?
おすすめの転職サイト・転職エージェント
 「現職ITエンジニアの年収アップをサポート!」TechClipsエージェント
 「手厚いサポートと情報量で満足度No.1!」 : マイナビIT AGENT
おわりに
続きを読む

はじめに

クラウドエンジニアは、現代のIT業界で需要が高い職種の一つです。その中でも、Microsoft AzureとAmazon Web Services(AWS)は、世界的に広く使われているクラウドプラットフォームであり、多くの企業が採用しています。この記事では、AzureとAWSの特徴を比較しながら、初心者がどちらを学ぶべきかを考える際のポイントや、キャリアの方向性に応じた選択肢を解説します。


AzureとAWSの違い

1. 市場シェアと成長

  • AWSはクラウド市場で最大のシェアを持ち、特にスタートアップやテクノロジー企業で広く採用されています。

  • Azureは、エンタープライズ市場や大企業、金融業界で急速に成長しており、Microsoft製品との統合が強みです。

ざっくりですが、AWSは7割、Azureは3割程度の求人比率であり、AWSのほうが市場全体ではやや優勢ですが、Azureも、生成AI周りなど特定の業界で高い需要があります。

続きを読む

※本小説は、生成AI(GPT-4o, o1)で執筆しています

 夜明け前の静寂が、薄暗い部屋に漂っている。カーテンの隙間から差し込む微かな光が、壁に淡い影を映し出していた。その静けさを破るように、目覚ましの音が優しく耳に届く。「おはようございます、今日も最高の一日をお過ごしください。」その声はどこか人工的でありながらも、心地よい温かみを感じさせる。まるで長年の友人がそばで囁いているかのようだ。

 僕はゆっくりと瞼を開け、天井を見上げた。白い天井に映る微かな光の揺らめきが、新しい一日の始まりを告げている。ベッドから身体を起こし、伸びをしながら深呼吸をする。新鮮な空気が肺に満ち、眠気が少しずつ薄れていくのを感じる。

 枕元に置かれたAI端末が、柔らかな光を放っている。その光は温かく、心を落ち着かせる効果があるようだ。僕は端末に手を伸ばし、画面に表示されたメッセージを確認する。「本日のスケジュールをお伝えします。午前9時に顧客とのミーティング、午後2時にプロジェクトチームとの打ち合わせがあります。」端末は僕の一日の予定を完璧に把握している。スケジュールだけでなく、食事の栄養バランス、未読のメール、昨夜の睡眠状態までも細かく管理されている。

続きを読む

30代後半にもなってくると、会社から管理職の声がかかる人も出てくるだろう。管理職になるべきか、それとも現場で技術を磨き続けるべきか、多くのAIエンジニアが迷う時期でもある。
本記事では、その迷いを解消するための参考材料を提示する。

1. 自分の「管理職としての力量・適性」を客観的に評価する

管理職の仕事を一言で言うと、「大きな仕事を分解し、与えられたリソースを元に、他者と協力して成果を出すこと」と言える。

管理職には大きな目標が降ってくるため、担当者レベルの粒度に分解し、それぞれできそうな部下に仕事を振る。もし、部下が忙しかったり、スキルが足りなかったり、リスクが大きすぎる場合は、お金を払って別会社や他部署に依頼をする。そして、依頼した仕事をモニタリングして、問題があれば適切に指示する。

もしあなたが、このようなタスク管理、リスク判断、他者への指示ができる人で、かつ仕事内容に面白みを感じるならば、管理職適性は高いだろう。マネジメントスキルは、経験でしか身に付かないため、40代以降の仕事としては筋が良い。また、転職時でも、よほど企業規模が異なる場合を除き、非管理職から管理職の転職は難しい。そのため、自社で管理職になれる機会があるならばなっておくという考え方もできる。
続きを読む

本記事では、Azure AI SearchとLangChainを使用して、Retrieval-Augmented Generation (RAG) システムを構築する方法を解説します。

RAGは生成AIの精度を向上させるための有力な技術であり、Azure AI Searchの強力な検索機能とLangChainの柔軟な処理フレームワークを組み合わせることで、効率的で高精度な情報検索と生成が可能になります。

Azure AI Searchとは

Azure AI Searchはクラウド型の検索サービスです。全文検索、ベクトル検索、ハイブリッド検索、セマンティック検索(ランク付け)を利用できます。

Azure AI Searchでは、インデックス内に複数のJSON形式のドキュメントを格納する形式でデータを保存します。インデックスでは、フィールド名、データ型(String, Int, Double等)、フィールド属性(取得可能,フィルター可能,ソート可能,キー等)を設定して作成できます。 
続きを読む

Azure AI Document Intelligenceを活用したLangChainとの連携によるRAG(Retrieval-Augmented Generation)の具体的な手順を解説します。本記事では、AI Document IntelligenceによるドキュメントのMarkdown変換と、LangChainを用いたチャンク分割の方法を中心にご紹介します。

Azure AI Document Intelligenceとは

Azure Document Inteligenceとは、pdf や画像ファイルから情報抽出するOCRサービスです。取得可能な情報として、テキスト、テーブル、段落、座標、レイアウト情報を抽出できます。一般的な文章の文字起こしや、領収書や請求書などの読み取りなど様々なデータの処理が可能です。

様々な事前学習済みのモデルが提供されており、例えばLayoutモデルを用いると、文書構造(レイアウト情報)を保ったまま、Markdown の形式で抽出することが可能です。
Markdown の形式で抽出し、#、##等の見出しで分割することで、セマンティックチャンキングが可能となります。

続きを読む

生成AIは、時々間違った情報を作り出してしまうことがあります。これを「ハルシネーション」と呼びます。この記事では、ハルシネーションがどうして起こるのか、そしてそれを防ぐ方法を説明します。

ハルシネーションが起こる理由

ハルシネーションは、大きく3つの原因で起こります。

1. LLMの学習データが原因

LLMの学習データが、ハルシネーションの大きな原因になります。

誤情報の含有: LLMが学習するデータに古い情報や誤った情報が含まれている場合、モデルはその情報を学習し、誤った答えを生成することがあります。LLMはデータ内のパターンを学習するため、誤情報であってもそれを再現してしまう可能性があります。

知識の限界: LLMが学習するデータに特定分野の知識が十分に含まれていない場合、正確な答えを出せないことがあります。この場合、モデルは他の類似した情報に基づいて推測するため、誤った情報を生成するリスクが高まります。
続きを読む

RAG (Retrieval Augmented Generation) システムの設計における失敗ポイントと、ケーススタディから得られた教訓を報告されている論文を紹介します。

タイトル:Seven Failure Points When Engineering a Retrieval Augmented Generation System

RAGシステムが失敗する理由

一般的にRAGシステムの精度が低い原因は、検索に起因する部分が大きいと言われています。RAGは、ユーザーのクエリから検索するわけですが、クエリが曖昧だと解釈が難しいですし、一方複雑なクエリも、それはそれで正確に回答するのは難しいです。

また、参照するドキュメントも様々な落とし穴があります。ドキュメントが章ごとに分かれており、内容が正しく、明確な文章で記載されていれば問題ありません。しかし、情報が古かったり、ドキュメントの形式がばらばらだったり、ページ構成が複雑だと、検索で引っ掛けるのが難しくなります。
続きを読む

OpenAIのRAG(Retrieval Augmented Generation、検索拡張生成)を紹介します。
RAGの手法により、企業の社内文書や最新ニュースなど、GPTが学習していない独自の知識を元に、回答することが可能です。

RAG(Retrieval Augmented Generation)とは

質問文に対し、検索した参考情報(Context)を付けてLLMに質問する仕組みがRAGです。RAGは質問タスクを、Contextの要約タスクに変換していると言えます。

RAGは、「DB登録」「検索」「生成」の3つのステップを経て、質問に対する答えを生成します。
「DB登録」では、社内文書を分割(チャンク)してベクトルDBに格納します。ベクトル化にはLLMが用いられることが多いです。
「検索」では、質問文との類似度を検索(Retrieval)し、関連文書を抽出します。
「生成」では、抽出した関連文書を元に、LLMが自然な回答文章を作ります。
続きを読む

RAGの評価フレームワークであるRAGASについて解説します。

RAGシステムの評価は人間の目視評価が主流

従来のRAG(Retrieval-Augmented Generation)システムの評価は、人間の目視評価が主流でした。生成された回答の品質を人間が個別に評価する手法です。しかし、このアプローチにはいくつかの課題があります。

目視評価の課題
・時間とコスト:大量のデータを評価するには多くの時間とコストがかかる
・一貫性の欠如:評価者間の主観的な違いにより、一貫した評価が難しい

これらの課題を解決するために、RAGを自動評価できるRagas(Retrieval augmented generation assessment)が登場しました。
続きを読む

↑このページのトップヘ