LLMプロと開発・運用のためのツール紹介

Transcript

1. AI 2024.05.16 Hiroki Kawauchi 株式会社ディー・エヌ・エー ＋ GO株式会社 LLMプロト開発・運用のための ツール紹介
2. AI 2 項目 00｜自己紹介 01｜LLMアプリ開発の概要と難しさ 02｜プロト開発のためのツール 03｜運用（LLMOps）に繋げるツール 04｜まとめ
3. AI 3 00 自己紹介
4. AI 4 ▪ 河内 大輝 Kawauchi Hiroki ▪ DeNA AI技術開発部ビジョン・スポーツG23秋新卒 ▪ 今担当：画像系PJ、LLM系PJ ▪ 大学 ▪ 都市・地理分野でのCV/DS応用（衛星画像解析など ▪ インターンなど ▪ 2022 DeNAサマーインターン ▪ 衛星画像データ解析プロダクトを作る会社でのPdM/ リード ▪ 趣味 ▪ 脱出ゲーム、ボドゲ、街歩き/旅行、アート鑑賞 ▪ Kaggle.. 略歴
5. AI 5 01 LLMアプリ開発の概要と難しさ
6. AI 6 • LLMを用いたアプリケーション開発の基本工程 ◦ 一般的なアプリケーション開発 ◦ Prompt Engineering ▪ LLMから適切な回答が得られるように、自然言語指示を工夫 ◦ RAG（Retrieval Augmented Generation）Pipeline 設計 ▪ LLMモデル自体を変えずに、追加知識に基づく回答を可能にする ▪ LLMのHallucination（嘘）を回避 ◦ LLMモデル自体のFine Tuning ▪ 基本的にコスト高なので今回の資料では割愛 LLMアプリケーション開発の概要
7. AI 7 Prompt Engineering ChatGPT - LLMシステム開発大全 - Speaker Deck
8. AI 8 Prompt Engineering ChatGPT - LLMシステム開発大全 - Speaker Deck
9. AI 9 RAG（Retrieval Augmented Generation） ChatGPT - LLMシステム開発大全 - Speaker Deck • LLMのHalucination（Groundingしていない嘘）を回避するための手法 • 事実関係を含んだ外部documentをBackendで文脈として付与する
10. AI 10 • 機能を追加していけばいくほど、 (System) Promptが長くなりがち ◦ 長くなれば忘却・出力反映されない • 適切な対処が必要 ◦ 可能なら圧縮(要約) ◦ 複数のステップに分割（CoT） ◦ 条件分岐やReActなど 各機能=エージェント的に分割 LLMアプリ開発の難所１：Prompt Engineering 図：Same Task, More Tokens: the Impact of Input Length on the Reasoning Performance of Large Language Models
11. AI 11 • Prompt Engineeringも含め、確率論的に振る舞うモジュールの組み合わせ • RAGを構成する複数Stepを改善することが必要 LLMアプリ開発の難所２：RAG ChatGPT - LLMシステム開発大全 - Speaker Deck
12. AI 12 • LLMを用いたアプリケーション開発の基本工程 ◦ 一般的なアプリケーション開発 ◦ Prompt Engineering ◦ RAGPipeline 設計 ◦ Pipelineとして複雑かつ、各ステップが不確実性を含む（確率論的） ▪ →Pipelineの設計・Feasibility検証を高速に回す必要 • PoC/MVP開発での検証速度の要請 ◦ 従来のAIモデル開発に比べて、ユーザ検証のハードルが著しく低下 ◦ 従来のWebアプリ開発に近い速度でのユーザー検証が可能かつ必要 ▪ →同時にユーザー価値検証を高速に回す必要 LLMアプリ開発の難しさ
13. AI 13 02 プロト開発のためのツール
14. AI 14 • LLMアプリ開発の難しさ ◦ Pipelineの設計・Feasibility検証を高速に回す必要 ◦ 同時にユーザー価値検証を高速に回す必要 • 上記のような背景から、エンジニアもローコードに、Pipeline管理できる ツールほしい ◦ そこで注目が集まったのがDifyのワークフロー（Pipeline管理） Dify
15. AI 15 • Difyとは？ ◦ ノーコード・ローコードでLLMのワークフローを直感的に扱えるツール ◦ SaaSとしても、OSSとしても提供され商用利用可能 ▪ https://github.com/langgenius/dify ◦ RAG構成やログ機能も付属 Why Dify?
16. AI 16 • Difyのメリット１ ◦ ローカル（docker-composeコマンド一発）開発可能で商用可能 ◦ 一部条件を含むApache 2 license ▪ 以下に該当する場合は、商用ライセンスが必要 • マルチテナント型SaaS • Difyのロゴ・著作権情報を削除・変更する ▪ 社内ツールや、サーバーごとの提供ソリューションに使う分には問 題さそう ▪ 詳細→Difyの商用利用に関して詳しく聞いてみたなど Why Dify?
17. AI 17 • Difyのメリット2 ◦ 各モデルプロバイダのモデルを 利用可能 ◦ これまでもプロバイダに紐づい たローコードツールはあった ▪ Azure Prompt Flowなど Why Dify?
18. AI 18 • Difyのメリット３：直感的なWorkflow機能 ◦ RAG・質問分類や、コードブロックなどのブロックを簡単に組み合わせ可 ◦ 変数もある程度わかりやすく管理 Why Dify?
19. AI 19 • Difyのメリット４：直感的なRAG機能 ◦ RAGのPipelineをGUIのみで構成できる Why Dify?
20. AI 20 • Difyのメリット４：直感的なRAG機能 ◦ 全文検索やハイブリッド検索、rerankのモデル調整などもGUIで可能 Why Dify?
21. AI 21 • Difyのメリット４：直感的なRAG機能 ◦ 全文検索やハイブリッド検索、rerankのモデル調整などもGUIで可能 ◦ Why Dify?
22. AI 22 • Difyのメリット5：実行トレース・ダッシュボード機能 ◦ ユーザーの利用履歴や利用回数・アクティブユーザー数など ◦ ユーザ検証やLLMOpsにつながる Why Dify?
23. AI 23 03 運用（LLMOps）に繋げるツール
24. AI 24 • LLMOpsとは ◦ LLMを効果的に管理し、LLMのデプロイ、メンテナンス、安全かつ責任 ある利用を保証する ◦ LLMOps https://speakerdeck.com/rkaga/llmops-at-loglass-now
25. AI 25 • LangChain ◦ Difyでやったような機能をより柔軟に実装可能なライブラリ • LangSmith ◦ ざっくりLangChainのGUI版・最近Azure上（セキュア）で購入可能に ◦ 実行のトレースに加え、 データセット管理・アノテーション・プロンプト管理も ◦ 詳細 ▪ LangChain社LLMOpsツール「LangSmith」を触ってみた（詳細解説つ き） - ABEJA Tech Blog • Azure PromptFlow ◦ Azureのサービスが前提になるが、上記と同様の機能が可能 ◦ Azure上のMLサービスなどと組み合わせるなら良さそう LLMOpsツールいくつか
26. AI 26 04 まとめ
27. AI 27 • LLMを用いたアプリケーション開発の技術的難易度 ◦ Prompt Engineering ◦ RAG（Retrieval Augmented Generation） ◦ 不確実性の高いモジュールの組み合わせを高速に検証したい • PoC/MVP開発での検証速度の要請 ◦ 従来のAIモデル開発に比べて、ユーザ検証のハードルが著しく低下 ◦ 従来のWebアプリ開発に近い速度でのユーザー検証が可能かつ必要 • 2024.5現在のツール ◦ PoC/MVP開発のためのプロトツール：Difyなど ◦ LLMOpsのためのツール： ▪ LangChain/LangSmith, Azure Prompt Flowなど まとめ