Lock in $30 Savings on PRO—Offer Ends Soon! ⏳

Sansan LabsのLLM活⽤から考えるLLMプロジェクトの要点整理 / LLM Proj...

Sansan R&D
October 18, 2023

Sansan LabsのLLM活⽤から考えるLLMプロジェクトの要点整理 / LLM Project Essentials from Sansan Labs' LLM Use

■イベント :プロダクトを成長させる生成系 AI のユースケースを考えるワークショップ
https://productkintore.connpass.com/event/296335/

■登壇概要
タイトル:Sansan LabsのLLM活⽤から考えるLLMプロジェクトの要点整理
発表者: 技術本部 研究開発部 SocSci Group マネジャー 西田 貴紀

◉ 研究開発職 採用情報
https://media.sansan-engineering.com/randd

◉ Sansan Tech Blog
https://buildersbox.corp-sansan.com/

Sansan R&D

October 18, 2023
Tweet

More Decks by Sansan R&D

Other Decks in Technology

Transcript

  1. © Sansan, Inc. 出会いから イノベーションを⽣み出す いつの時代も、世界を動かしてきたのは出会いです。 ⼈と⼈、企業と企業、 その出会いの連鎖が社会を前進させます。 私たちは出会いが持つ可能性を再発⾒し、 未来につなげることでビジネスを変えていきます。

    イノベーションにつながる新しい出会いを⽣み出す。 出会いの⼒でビジネスの課題にイノベーションを起こす。 そして、ビジネスの出会い、そのもののあり⽅を変えていきます。 Mission
  2. 働き⽅を変えるDXサービス 請求 ⼈や企業との出会いをビジネスチャンスにつなげる「働き⽅を変えるDXサービス」を提供 ビジネスフローにおけるさまざまな分野でサービスを展開 名刺管理 名刺DX 営業 営業DX 契約 契約DX

    経理DX 個⼈向けDX 法⼈向けDX 必要な情報を すぐに⾒つけられる 情報の管理がしやすく すぐに共有できる 情報を分析・活⽤しやすく データに基づいた判断ができる SansanのDXサービスの活⽤で変わる働き⽅
  3. さまざまな事業領域に貢献するR&D 画像処理・画像認識 ⾃然⾔語処理 機械学習 データサイエンス ・因果推論 データ可視化 プロダクトマネジメント 新規事業 営業/CS

    (社内課題) 解約阻⽌・利⽤促進(CS) 営業効率化(営業) SceneText Recognition Object Detection ⼊⼒の⾃動化 OCR/項⽬分割など 超解像 特徴語判定 会社 キーワード 固有表現抽出 メール署名 取り込み 固有表現抽出 ニュース 配信 ⽂書分類 ResNet 企業ロゴ 抽出 Graph Embeding レコメンデ ーション ラベル 予測 名寄せ RCT ABテスト・ 効果検証 パネルデータ 分析 Sansan Labs (新機能開発) キーバリュー抽出 帳票のデータ化 Graph Neural Network
  4. Sansan Labs AI企業検索 -経営⽅針・経営課題- DXを推進する製造業の企業 ⼊⼒ DXを推進する 経営⽅針・経営課題 業界 製造業

    LangChain OutputParser ⼊⼒を分割 データを検索 GPTで結果を精査&説明 LangChain OutputParser
  5. - CRISP-DMとは、「Cross-industry standard process for data mining」の略であり、データマイニ ング・データサイエンス・AI開発などにおいて業界横断で標準的に使えるデータ分析プロセス CRISP-DMでLLMの活⽤ポイントをチェックする ビジネス理解

    (Business Understanding) データ理解 (Data Understanding) データ準備・前処理 (Data Preparation) モデリング (Modeling) 評価 (Evaluation) デプロイ (Deployment)
  6. 解くべき問題を定量把握する ビジネス理解 (Business Understanding) - 解くべき課題を⾒極めるためにチェックすべき項⽬ - 課題がどれだけ重⼤/苦痛か?(課題解決にかけている時間/お⾦/⼯数は?) - どれくらいの頻度で発⽣しているか?

    - 今、どのように解決しているか? > 取り組んでいないのであれば重要な課題ではない可能性が⾼い > ⼀⽅で、課題に気づいてない可能性もある(ex. ウォークマン、iPad等) - 課題について定量把握することが重要 - 解決策においてLLMを利⽤した場合、コストに⾒合うかを考える必要がある
  7. LLMと相性の良い課題の特徴 ビジネス理解 (Business Understanding) - ⾮構造化データを扱うケース - Ex. ⻑⽂の有価証券報告書を要約する -

    テキストの⽣成が必要なケース - Ex. セミナー集客メールメーカー - 情報抽出が必要なケース - Ex. 商談の通話⽂字起こしデータから必要な情報を抽出する
  8. (補⾜) LLMの活⽤パターン - データを使わない - LLM⾃体における⽂章⽣成・情報抽出に全てを委ねる - 少数のサンプルを⽤意する - Few-shot

    Learning - インプットに対して与える事例を変更することも可能 - データベースを検索し、その結果をもとに回答を⽣成する - RAG(Retrieval Augmented Generation) - 質の⾼いデータベースでなければ、アウトプットも残念になる - LLMを追加学習する/⾃作する(本発表では触れません)
  9. LLMにおける利⽤データの注意点 データ理解 (Data Understanding) - 処理するデータ量は多くないか? - ⼊⼒(プロンプト)と出⼒のテキストのサイズで利⽤のコストが決まる - センシティブな情報を扱ってないか?

    - 各社のプロダクトに定められたポリシーに従っているか? - LLMへのインプットが再学習等に利⽤されるか確認できているか? - 検索が可能なデータベースになっているか? - ⾃社データ等を⽤いた検索と組み合わせる場合 - Garbage in Garbage out
  10. 利⽤コストとパフォーマンス 内容 利⽤コストの注意点 データを使わない LLM⾃体における⽂章⽣成・情報 抽出に全てを委ねる 出⼒するテキストのサイズに注意。不要な出 ⼒内容は削ったり、出⼒の⽂字数に気をつけ る 少数のサンプルを⽤意する

    Few-shot Learning インプットに対して与える事例を 変更することも可能 いくつの事例を与えるのかが重要。事例が多 いと1回あたりのコストが⾼くなるので場合に よってはLLMの学習を検討した⽅が安くなる データベースを検索し、その結果をもと に回答を⽣成する RAG(Retrieval Augmented Generation) 質の⾼いデータベースでなければ、 アウトプットも残念になる 検索結果の内容をどれだけ⼊⼒に利⽤するか によってコストも左右される データ準備・前処理 (Data Preparation) モデリング (Modeling) - 基本的に「⼊⼒(プロンプト)と出⼒のテキストのサイズ」で利⽤のコストが決まる - ユーザーの⼊⼒を必要とする場合、コストの管理は重要になる - 出⼒までの時間はユーザー体験に影響を与えるので注視
  11. 評価データセットを作るのを厭わない 評価 (Evaluation) - どのタイミングでリリースするのかを決める上で、評価データセットを 先に作り、リリースの基準を設けることが重要 - 例えば、10件の⼊⼒/出⼒結果に対して評価者が7件利⽤可能といえばリリー スするなど -

    評価の観点としては、3H(Helpful/ Honest/ Harmless) - リリースの基準がない状態だと、プロンプトの改善が⽣産的にならない - リリース後もユーザーフィードバック等で評価できるようにし、再度評価デ ータセットを作成し、その基準を満たした場合、リリースを⾏うようにする
  12. CRISP-DMでLLMの活⽤ポイントを振り返る ビジネス理解 (Business Understanding) データ理解 (Data Understanding) 課題と利⽤データを定量把握し、LLM利⽤のコスト/ベネフィットを意識できた データ準備・前処理 (Data

    Preparation) モデリング (Modeling) • LLMの利⽤を段階的に⾏い、情報圧縮しながらコスト削減とレスポンス時間の短縮を実現 • GPT3.5/4を使い分けてコスト削減 Keep Problem / Try 評価 (Evaluation) • 評価データセットを先に作り、リリースの基準を設けることが重要 • リリースの基準が明確でないと、プロンプトの改善に時間を使ってしまいがち