Slack Botによるヘルプページの情報参照:LLMを組み合わせたRAGの実装
はじめに 株式会社スマートショッピングで SRE をしているbiosugar0です。 先日、2023 年 10 月 23 日に行われた Amazon Bedrock Prototyping Camp というイベントに参加してきました。 そこでは Bedrock の紹介から始まり、Claude のハンズオン、実際にプロダクト反映を目指したプロトタイピングを行うという内容でした。 今回はその中で検証、実装した社内用の Slack bot に弊社ヘルプページを参照させる事例を紹介します。 Retrieval Augmented Generation (RAG) Retrieval Augmented Generation (RAG)は、LLM を用いた処理において、外部のデータベースや文書と連携してより精度の高い回答を生成するためのテクニックです。 GPT-4 のような LLM は、学習に使用さ
Google Colabで統計的因果探索手法BMLiNGAMを動かしてみた｜Dentsu Digital Tech Blog
電通デジタルでデータサイエンティストをしている中嶋です。 前回の記事は「GoogleColabで統計的因果探索手法LiNGAMを動かしてみた」でした。 Advent Calendar 11日目となる本記事では前回に引き続いて因果探索手法の紹介です。今回はBMLiNGAM(Bayesian Mixed LiNGAM)の解説及び、こちらの実装を参考にしたGoogle Colabでの分析例について紹介します。 この記事は前記事「Google Colabで統計的因果探索手法LiNGAMを使う方法」の続編です。LiNGAMとは何かをまず知りたい方は先にご一読されることをお勧めします。 また、最初にLiNGAM自体の復習をしていますが、既知の方は読み飛ばしていただいてもかまいません。 LiNGAMの復習LiNGAMとはLinear Non-Gaussian Acyclic Modelの略で、下記の条件
SageMaker AutopilotをSDKを使って実行する｜Dentsu Digital Tech Blog
電通デジタルで機械学習エンジニアをしている今井です。 本記事では、AWS SDK for PythonとSageMaker Python SDKを使ってSageMaker Autopilotを実行する方法について紹介します。 SageMaker Autopilotとは SageMaker Autopilotは表形式のデータに基づいて回帰または分類用の最適な機械学習モデルを自動作成するAutoMLソリューションです。 Autopilotでは 1. Analyzing Data 2. Feature Engineering 3. Model Tuning のパイプラインが作成されてモデル学習が行われます。 Autopilotを実行するには ・SageMaker StudioからUIで入力 ・AWS SDK for Python（Boto3） or SageMaker Python SDK（Au
顧客の潜在的な購買特性を加味したpLTV｜Dentsu Digital Tech Blog
電通デジタルで機械学習エンジニアをしている今井です。 本記事では、顧客の潜在的な購買特性を加味してLTV（life time value）を予測するための統計モデルについて紹介します。 こちらは大阪大学 櫻井研究室との産学連携において開発されたモデルです。 顧客の潜在的な購買特性を検出する pLTVモデルは、RFM指標（Recency, Frequency, Monetary）を用いてLTVを予測する統計モデルです。 詳しくは過去記事[1]にまとめています。 本研究では、例えば「夏季/冬季, 平日/休日」といった時系列による特徴的な購買行動を抽出することで、マーケティング的な示唆出し、およびpLTVの精度改善を実現します。 提案手法では、各顧客の購買行動を商品カテゴリ, 時系列（購入日）の両面から分析し、いくつかの重要なトピックに分類します。 具体的には、購買ログを顧客ID（𝑢）,
BigQueryでUplift Modeling分析｜Dentsu Digital Tech Blog
電通デジタルで機械学習エンジニアをしている今井です。 本記事では、BigQueryでUplift Modeling分析を行うための方法について紹介します。 広告効果を上げるためには？ 広告効果とは、広告に接触した場合と接触していない場合とのその後のコンバージョン（CV）の差である、と言えます。 介入が無作為に割り当てられるランダム化比較試験（randomized controlled trial, RCT）において、広告効果は平均処置効果（average treatment effect, ATE）として推定できます。 詳しくは過去記事[1]にまとめています。 Uplift Modelingは「広告施策において、その効果を上げるためには誰を広告配信対象とするべきか」を推定するための方法です。 ユーザーの特徴量を 𝐱𝑖 とすると、Uplift Scoreは下記のように算出されます。 Up
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
