20260321_エンベディングってなに？RAGってなに？エンベディングの説明とGemini Embedding 2 の紹介

Build with AI 2026 高松のイベント資料です
https://gdgshikoku.connpass.com/event/386377/

Transcript

1. Build with AI, GDG 四国 エンベディングってなに？RAGってなに？ エンベディングの説明と Gemini Embedding 2 の紹介
2. - Lead Developer Advocate @ Snowflake - ex-Google gTech Ads, ML/Data - MLOps community 運営 (2020~) - Google Developer Expert, AI/ML - 事業会社などにて分析からML/AIの適用な どについて取り組む tsho / 田中 翔 (Sho Tanaka) Linkedin.com/in/tsho
3. エンベディング (Embedding) とは？
4. Source: xxxxx エンベディング（埋め込み） とは、テキストの意味を数値で表現したもので、AI が単語間の文脈や関連性を理解できるようにする技術です。 { 0.6, 0.8 } Dimensions (次元)
5. Source: xxxxx “王様” { 0.6, 0.8 }
6. 王様 女王様
7. 王様 女王様 車
8. 遠 い =似 てい ない 近 い =似 て い る
9. エンベディングの 適用例とRAG
10. Source: xxxxx 文章内のすべての単語のエンベディングを 単純に平均化したい誘惑に駆られるかもし れませんが、単語の順序や文法を無視する ためあまり有用ではありません。なぜなら 「犬が人間を舐める」という文は、「人間が犬 を舐める」という文と同じではないからです。 Embeddings 文章には繊細なアプローチが必要
11. Source: xxxxx 大規模なデータセットでトレーニングされており、単語 間の複雑なパターンや関係性を理解することができま す。これらのモデルは、元の入力テキストのニュアンス や意味を正確に表現するエンベディングを生成するよ うに構築されています。 Embeddings Embedding models dog licks man [0.47, …] [0.31, …] [0.96, …] subject verb object man licks dog [0.96, …] [0.31, …] [0.47, …] subject verb object is not
12. Source: xxxxx セマンティック検索 キーワードだけでなく、意味によって結果を見 つけます。（例：「夏の服」で検索すると、 「ショートパンツ」や「Tシャツ」が見つかりま す。） レコメンデーションエンジン 類似のアイテム、記事、または曲を提案しま す。（「これを読んだユーザーはこれも気に入り ました」など。） クラスタリング & 分類 類似のドキュメントをグループ化したり、テキス トを自動的に分類したりします（例：サポートチ ケットを「請求」または「技術」に分類するな ど）。 Retrieval-Augmented Generation (RAG) 検索拡張生成 LLMを事実に根付かせ、「持ち込み可の試験 （オープンブック形式の試験）」を受けさせる。 Embeddings 適用例
13. Source: xxxxx Embeddings Retrieval-Augmented Generation (RAG) エンベディングモデルの支援を受けて検索さ れた外部情報に基づいてLLM（大規模言語モ デル）の回答を根拠づけることで、LLMを強化 します。
14. Source: xxxxx システム User モデル Response 私は現時点で2025 3月までの知識しか 持っておりませんので回答できません。 Prompt 2026/3月時点誰が 首相ですか？ 私は現時点で2025 3月までの知識しか 持っておりませんので回答できません。
15. Source: xxxxx システム User モデル Response My knowledge cutoff was March 2024, so... I don’t know. RAG system Embedding Model Database RAG system lookup request Prompt + RAG system function declarations RAG system response 2026/3月時点誰が 首相ですか？ 高市さんです
16. チュートリアル
17. Source: xxxxx 高性能なテキストエンベディングを作成するため の、強力なホスト型モデルです。MRL（Matryoshka Representation Learning）機能を備えており、柔 軟な出力次元に対応し、より小さなエンベディング （1536、768）を含む3072次元のエンベディングを生 成します。 Embeddings Gemini Embedding 2 Mar 10, 2026・hosted model ブログ: Gemini Embedding 2: Our first natively multimodal embedding model
18. Source: xxxxx Embeddings | Gemini Embedding 2 Embedding チュートリアル このチュートリアルでは、Gemini Embedding 2を使用して、画 像、動画などの一連のベクトル化、類似度計算を確認していく チュートリアルです。 https://github.com/t sho/2026-bwai-ge mini-embeddings
19. Source: xxxxx Embeddings まとめ • エンベディングは、テキストのセマンティックな意味を数値で表現したも のです。 • RAGは、LLMを最新にし、事実に根付かせる (groundings) 強力な技 術です。 • Googleは、エンベディングに関する幅広いソリューションを提供してお り、特に Gemini Embedding 2が現在最新のソリューションです。
20. Build with AI Thank you