タグ

ブックマーク / fintan.jp (2)

  • RAGの性能を改善するための8つの戦略 | Fintan

    近年、OpenAIのGPT-4やGoogleのGemini、MetaのLLaMAをはじめとする大規模言語モデル(Large Language Model:LLM)の能力が大幅に向上し、自然言語処理において優れた結果を収めています[1][2][3]。これらのLLMは、膨大な量のテキストデータで学習されており、さまざまな自然言語処理タスクにおいて、タスクに固有なデータを用いてモデルをファインチューニングすることなく、より正確で自然なテキスト生成や、複雑な質問への回答が可能となっています。 LLM-jp-eval[4]およびMT-bench-jp[5]を用いた日語LLMの評価結果。Nejumi LLMリーダーボード Neoより取得。 大規模言語モデルは近年急速な進歩を遂げていますが、これらの進歩にもかかわらず、裏付けのない情報や矛盾した内容を生成する点においては依然として課題があります。たとえ

    RAGの性能を改善するための8つの戦略 | Fintan
  • ゼロから始めるスクラムによる受託開発 | Fintan

    はじめに このドキュメントは、受託開発をスクラムで実践した事例をまとめたものである。 自社サービス開発でのスクラム事例は数多く存在する一方で、受託開発をスクラムで実践した事例は少ないのが現状である。 そんな中、私たちはアジャイル型開発の初心者であったが、スクラムによる受託開発に挑戦する機会を得た。 実際に挑戦すると、想定していた以上に難易度が高く、プロジェクト運営が困難な状況も多くあった。しかし、さまざまな問題に直面し改善していく中で、受託開発にスクラムを取り入れるメリットや注意点など多くのノウハウを獲得できた。 私たちの獲得したノウハウが、これから受託開発をスクラムで挑戦しようとしている人、すでに挑戦はしているが進め方に悩んでいる人の参考になることを目的として、事例を公開する。 なお、ドキュメントでは基的なスクラムの概要については説明しない。 スクラムの概要については以下のサイトを

    ゼロから始めるスクラムによる受託開発 | Fintan
  • 1