wooheum

## プロジェクト経験 ### 1. Retrieval-Augmented Generation（RAG）を活用した情報検索システムの構築 **プロジェクト概要** 大規模言語モデル（LLM）を活用し、企業向けの安全な情報検索システムを構築。ナイーブRAG、モジュラーRAG、グラフRAGなどの技術を組み合わせ、ユーザーのクエリに対して適切な情報を提供するシステムを開発。 **チーム情報** - プロジェクトマネージャー：1名 - バックエンドエンジニア：2名 - フロントエンドエンジニア（自分）：1名 - AIエンジニア（自分）：1名 **課題** - 従来の検索システムでは、関連性の高い情報を取得するのが難しく、適切な回答が得られないことが多かった。 - ユーザーが意図した内容と異なる回答が生成されるリスクがあった。 - モデルの精度と応答速度を両立させる必要があった。 **工夫** - Retrieval-Augmented Generation（RAG）の手法を採用し、検索精度を向上。 - Naive RAG、Advanced RAG、Modular RAG、Graph RAGなどの手法を比較し、最適なアプローチを決定。 - AWS BedrockとSageMakerを利用し、クラウド上でのデプロイメントを最適化。 - OpenAI APIと自社データを組み合わせたハイブリッド検索モデルを構築。 - Python（FastAPI）を用いたバックエンド開発、Next.jsを用いたフロントエンドの実装。 **成果** - 従来の検索システムと比較して、情報の精度が約30%向上。 - クエリ処理時間を1.5秒以内に抑えることに成功。 - ユーザーからのフィードバックをもとに継続的な改善が可能なシステムを構築。 --- ### 2. AWSを活用した生成AIプロダクトの開発 **プロジェクト概要** 生成AIを活用したプロダクト開発を行い、LLMのチューニングやデプロイ環境の最適化を実施。AWS BedrockやSageMakerを活用し、クラウド上での生成AIシステムを構築。 **チーム情報** - プロジェクトマネージャー：1名 - AIエンジニア（自分）：1名 - クラウドエンジニア：1名 **課題** - 生成AIの応答速度が遅く、リアルタイム性のあるシステムを提供するのが困難だった。 - クラウド環境でのコスト最適化が求められた。 - モデルのチューニングに時間がかかり、パフォーマンスを向上させる必要があった。 **工夫** - AWS BedrockとSageMakerを活用し、推論最適化を実施。 - モデルのLoRA（Low-Rank Adaptation）やSFT（Supervised Fine-Tuning）を実施し、特定タスクへの適応度を向上。 - AWS LambdaとStep Functionsを組み合わせ、コスト最適化を実施。 - モデルの動作状況をリアルタイムでモニタリングし、改善点を即座にフィードバック。 **成果** - 推論時間を平均40%削減し、リアルタイム処理の実現に成功。 - クラウドコストを約25%削減。 - モデルの精度向上により、ユーザー満足度が向上。 --- ### 3. React（Next.js）を活用したWeb開発 **プロジェクト概要** 生成AIの出力をユーザー向けに可視化するためのフロントエンド開発を担当。Next.jsを活用し、直感的で操作しやすいUIを設計。 **チーム情報** - プロジェクトマネージャー：1名 - フロントエンドエンジニア（自分）：1名 - バックエンドエンジニア：2名 **課題** - 生成AIの出力を適切に整理し、ユーザーが理解しやすい形で表示する必要があった。 - APIレスポンスの遅延を考慮したフロントエンド設計が求められた。 **工夫** - React（Next.js）を使用し、サーバーサイドレンダリング（SSR）を活用することで、パフォーマンスを最適化。 - Tailwind CSSを導入し、デザインの一貫性と開発スピードを向上。 - SWR（stale-while-revalidate）を用いて、データフェッチの最適化を実施。 - AWS AmplifyやVercelを活用し、CI/CD環境を整備。 **成果** - フロントエンドのパフォーマンスが向上し、ロード時間を平均30%削減。 - ユーザーのエンゲージメントが向上し、プロダクトの利用率が増加。 - デプロイの自動化により、開発スピードが向上。