1. RAGとファインチューニングの基本的な違いと実演 [0]

1.1. RAG（検索拡張生成）の仕組みと目的 [1]

  1. RAGの機能: RAGを用いることで、AIシステムに対して膨大な量のデータを利用可能にすることができる [1]。
  2. 実装方法: このアプローチでは、通常ベクターデータベースが使用される [2]。
    1. データは埋め込み（embed）され、チャンク化（chunk）されてシステムに格納される [2]。
    2. 必要に応じて、このデータに対してクエリを実行し、検索（retrieve）することができる [2]。
  3. 動作プロセス: AIエージェントに質問を投げかけると、エージェントはベクターストアから最新の情報を取得しに行く [3]。

1.2. ファインチューニングの仕組みと目的 [5]

  1. ファインチューニングの目的: ファインチューニングは、モデルに新しい情報を提供することを主目的とはしない [5]。
  2. プロセス: GPT 4.1のようなベースモデルを選択し、それに対してより小規模な追加のトレーニングデータを用いて訓練を実行する [6]。
  3. トレーニングデータ: データは、期待されるAIの応答例を含むプロンプトと応答のペアといった単純なもので構成され得る [7]。
  4. 結果: その結果として得られるのは、トレーニング例に基づいて特定のスタイル、形式、出力タイプを模倣するファインチューニングされたモデルである [8]。

1.3. ファインチューニングモデルの作成とn8nでの利用 [9]

  1. モデル作成方法: ファインチューニングモデルは、OpenAIプレイグラウンドから直接作成することも可能である [9]。
  2. スケーラブルなシステム: よりスケーラブルなシステムとして、Air Tableとn8nを使用して構築されたシステムを利用することもできる [9]。
  3. n8nでのモデル指定手順: n8n環境下でファインチューニングモデルを使用するための手順は以下の通りである [10]。
    1. 出力モデル名を確認する [10]。
    2. OpenAIモデルノード内で、モデルをリストから選択する代わりにExpression（式）に進む [11]。
    3. IDが選択されていることを確認し、モデル名をペーストする [11]。
  4. ノードの動作: この設定により、該当ノードはこのファインチューニングモデルを使用することになる [12]。

1.4. ファインチューニングモデルの利点と制限事項 [13]

  1. 利点: ファインチューニングモデルを使用することには多くの利点がある [13]。
    1. モデルは高度に専門化される [14]。
    2. モデルは応答のスタイルを学習することができる [15]。
  2. 制限事項: モデルにはいくつかの制限が存在する [15]。
    1. AIエージェントの出力に干渉する可能性がある [15]。
    2. トレーニングデータに細心の注意を払っていない場合、適切なツールを呼び出せない可能性がある [16]。
  3. 実践的活用: ファインチューニングモデルへの呼び出しをメインのAIエージェントロジックから分離することで、エージェントの元のロジックを汚染することなく、このモデルをプレゼンテーション層として機能させることができる [17]。

2. 追加情報 [18]

  1. 完全な動画への誘導: 詳細を知りたい場合は、下部にある再生ボタンとリンクからフルビデオを視聴することが推奨される [18]。