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。

### **プロジェクト経験概要** Apple Japanにて、Siriの韓国語自然言語理解（NLU）および音声処理（TTS、ASR）に関するプロジェクトに従事しました。具体的には、韓国語に特化した言語モデルの改善や、データ駆動型の手法を用いた精度向上、パフォーマンス最適化を担当しました。 --- ### **チーム情報** - **チーム規模**: 10名程度 - **自身の役割**: - 韓国語NLUのモデル開発・最適化 - データ分析・改善提案 - モデルのパフォーマンス評価・デバッグ --- ### **開発・実装内容①: 韓国語NLUの精度向上** #### **【概要】** Siriの韓国語理解力を向上させるため、言語モデルをFine-tuningし、特定のユースケースに最適化。 #### **【課題・問題点】** - 既存モデルでは韓国語特有の表現（助詞の省略、語順の変化）を適切に処理できないケースが多発。 - ユーザーの発話意図を正確に分類できない問題が発生（特に曖昧な質問への対応が不十分）。 #### **【打ち手・使用した技術】** - **言語モデルをFine-tuning** - 事前学習済みの言語モデルを使用し、Siriのユースケースに特化したデータで再学習。 - **データの拡張とクリーニング** - エラー解析を行い、アノテーションの精度を向上。 - Data Augmentationを適用し、多様な言い回しを学習。 #### **【成果】** - 発話意図分類の精度が約10%向上（F1スコア 83% → 91%）。 - エラー率の低減により、ユーザーの音声認識後の誤解釈が大幅に減少。 - 韓国語の特性を考慮したモデル調整により、実際のユーザー満足度調査でも肯定的なフィードバックが増加。 --- ### **開発・実装内容②: 音声合成(TTS)の品質向上** #### **【概要】** 韓国語の音声合成エンジンの改良を担当し、より自然な発話ができるようTTSモデルを最適化。 #### **【課題・問題点】** - 既存のTTSモデルでは、イントネーションの不自然さが課題となっていた。 - 特に抑揚や長音の表現が不自然で、ユーザー体験に悪影響を与えていた。 #### **【打ち手・使用した技術】** - **音声合成モデルの再学習** - 韓国語の音韻的特徴に適したプロソディ調整を実施。 - データ収集を強化し、より多様な発話パターンを学習。 #### **【成果】** - 韓国語TTSの音声自然度評価（MOSスコア）が4.2 → 4.7に向上。 - 特に長音や抑揚の精度が向上し、ユーザー満足度が改善。 - 処理時間の最適化により、音声生成の遅延が約30%削減。 --- ### **思考プロセスの補足** - 課題の発見: 実際のユーザーデータを分析し、誤認識のパターンを特定。 - アプローチの選定: 既存のモデルを改良するか、新しいアーキテクチャを採用するかを評価。 - 実装と評価: 定量的な指標（F1スコア、MOSスコア、処理速度など）を用いて改善を測定。 - フィードバックの活用: 他のエンジニアやデータサイエンティストと連携し、継続的にモデルを改善。