生成AIエンジニアLab

生成AIの最新技術を、ハンズオンで解き明かす実践ラボです。
次の一歩を描きながらAI時代のキャリアを模索する羅針盤を目指します。

カテゴリ: 生成AI

生成AIの普及は、エンジニアのキャリア市場を大きく揺るがしています。
「自分の仕事がAIに置き換えられるのではないか」
「これまで積み上げてきた経験が無駄になるのではないか」

特にフロントエンド開発や運用保守など、生成AIへの代替可能性が高い業務に従事しているエンジニアにとって、この不安は現実味を帯びています。

コード補完や自動化が当たり前になった時代、価値が集まるのは、「どの技術を学び、どんな環境で経験を積むかを見極める判断力」や「過去の経験を次の成長に結びつける力」です。
そのため、転職エージェントを選ぶ際も、従来の「年収アップ」や「今のスキルに合う求人があるか」だけでは不十分で、長期的にキャリアを伸ばせる環境を提示できるかどうかが重要になります。

本記事では、現役の生成AIエンジニアが、生成AI時代に通用する転職エージェント選び方を解説します。

※本記事には、マイナビのプロモーションを含みます。

結論(転職エージェントを選ぶ方程式)

 転職エージェントの価値 = 誠実さ × 求人数 
続きを読む

AIエージェントの評価方法を解説します。

目次
【第Ⅰ部】基礎:AIの評価は新人研修と同じ
【第Ⅱ部】課題:マーケティングAIの評価が難しい理由
【第Ⅲ部】設計編:評価指標の定義
【第Ⅳ部】実装編:AIにAIを採点させる
【第Ⅴ部】運用編:現場投入の検証ステップ

※本記事は、第Ⅳ~Ⅴ部まで解説します。第Ⅰ~Ⅲ部は、以下の記事をご確認ください。

前の記事(第Ⅰ~Ⅲ部):マーケティングAIエージェントの評価指標の作り方

【第Ⅰ~Ⅲ部】振り返り

前回の記事では、マーケティング領域におけるAIエージェントの評価について、その考え方から具体的な指標の定義までを解説しました。ここまでの重要ポイントを振り返ります。
続きを読む

AIエージェントの評価方法と評価指標を解説します。

目次
【第Ⅰ部】基礎:AIの評価は新人研修と同じ
【第Ⅱ部】課題:マーケティングAIの評価が難しい理由
【第Ⅲ部】設計編:評価指標の定義
【第Ⅳ部】実装編:AIにAIを採点させる
【第Ⅴ部】運用編:現場投入の検証ステップ
※本記事では、第Ⅲ部まで解説します。

【第Ⅰ部】基礎:AIの評価は新人研修と同じ

unnamed
AIエージェントの評価は、「新入社員の研修期間」に例えると、直感的に理解できます。
従来のソフトウェアテスト(バグがないか確認すること)とは少し違う、エージェント特有の評価の全体像を解説します。
続きを読む

RAGの実装において、「検索精度の頭打ち」と「情報の鮮度・権限管理」は大きな課題です。
単一のベクトル検索だけでは、文脈が不足したチャンクを取り違えたり、権限外のドキュメントを参照したりするリスクがあります。
本記事では、この課題を解決するためのデータ構造設計(メタデータ設計)を解説します。

メタデータの「2つの扱い方」

メタデータ設計の最大の論点は、「メタデータを本文(ベクトル化対象)に含めるべきか否か」です。情報の性質によって以下の「レベル1」と「レベル2」を使い分けるのが良いでしょう。
続きを読む

PDFファイルを参照するRAGシステムを構築する場合、PDFの前処理は重要です。その後のチャンク設計や検索品質に直結します。

一方でドキュメントの前処理の選択肢は急速に増えています。テキスト抽出、Doclingのような変換ツール、さらにLLMやVLMがPDFを直接解釈し、Markdownに変換するパターンも現実的な選択肢になっています。

そこで本記事では、READocの論文を参考に、RAG用途のPDF前処理の視点で代表的なツールを比較し、2025年時点での使い分けの指針を整理します。
続きを読む

↑このページのトップヘ