内容編成（目次）

序

第1章　大規模言語モデル（LLM）の産業界・企業への導入

1-1　概説
1-2　業界全体を変革するLLM／生成AI
1-3　エンタープライズLLMの理論的有用性
1-4　エンタープライズLLMの留意事項
1-5　エンタープライズLLMの微調整
1-6　LLMオーケストレーション
1-7　LLM APIの調整

第2章　エンタープライズ LLM導入における基盤モデルと自社開発のバランス

2-1　ビジネスへの実用的な応用を考えた場合のLLMの課題点
2-2　LLMの微調整とエンタープライズ LLMOps
　　［1］　概説
　　［2］　MLOps
　　［3］　LLMの導入における基盤モデルと自社開発のバランス
　　［4］　LLMモデル開発のアプローチ別特性
　　［5］　LLMOpsのワークフロー
2-3　企業データのLLM微調整とプライベートGPT
　　［1］概説
　　［2］QLoRA
　　［3］LoRA
　　［4］量子化
　　［5］HuggingFaceによる微調整のサポート
　　［6］Alpaca金融データセットによる推論

第3章　企業・産業におけるLLM活用フレームワーク

3-1　概説
3-2　AIガバナンスのプロフェッショナル化とエンタープライズLLMの位置づけ
3-3　大規模言語モデル(LLM)と企業データとの関連付け
3-4　製造業における大規模言語モデル
3-5　LLMによる企業のビジネスプロセス管理支援
3-6　LLMによるデジタル・ビジネス・マネジメント支援
3-7　企業の意思決定支援ツールとしてのLLM活用
3-8　意思決定分析とデータサイエンス
3-9　マーケティング、電子商取引におけるLLM／生成AIの利用
3-10　小売業界 カスタマー・エクスペリエンスの革新とLLM／生成AI
3-11　輸送とロジスティクス・オペレーションの最適化とLLM／生成AI
3-12　教育分野におけるLLM／生成AIの利用
3-13　ソーシャルメディア・マーケティングとLLM
3-14　セクター別に特化したLLM開発の留意事項
　　［1］　概説
　　［2］　金融データで訓練された大規模言語モデル　「BloombergGPT」
3-15　事例
　　［1］　三菱電機
　　［2］　パナソニックホールディングス
　　［3］　みずほ銀行
　　［4］　日立製作所
3-16　企業独自LLMの開発例
　　［1］　リコー　「LLMをノーコードでカスタマイズできるツール」

第4章　LLMオーケストレーションフレームワーク

4-1　概説
4-2　LLMオーケストレーションフレームワークと検索拡張世代ベースのチャットボット構築
4-3　RAGシステムを設計する際に陥りがちな失敗ポイント
4-4　能動的検索拡張生成（FLARE）
4-5　LLMを搭載したチャットボットで企業データの鮮度を確保するための条件
4-6　チャットボットのコスト経済性
4-7　チャットボットのテスト
4-8　企業コンテンツのアクセス制御
4-9　企業のガードレール
4-10　ケーススタディ
4-11　関連研究
　　［1］　NVIDIA　「検索拡張世代ベースのチャットボット構築」

第5章　企業全体に統合されたLLMの開発、テスト、展開

5-1　概説
5-2　プラットフォーム全体で実現するLLM
5-3　大規模なテスト
5-4　GitLab Duoの事例

第6章　LLMによる企業情報・データの品質管理／データ検証・妥当性確認

6-1　概説
　　［1］　データ管理とLLM
　　［2］　LLMによるデータ管理への影響
6-2　AIを活用したデータ管理における企業における実践的アプローチ
6-3　LLMのデータ管理における企業における実践的アプローチ
6-4　LLMデータ管理のベストプラクティス
6-5　マイクロサービスとLLMによるマスターデータ管理
6-6　データ管理のベストプラクティス
6-7　マイクロサービスと生成AIによるマスターデータ管理

第7章　企業モデリングLLM／企業エンジニアリングLLM

7-1　概説
7-2　LLMによる情報システム工学の刷新

第8章　エージェント型大規模言語モデル

8-1　エージェント型LLMがDXにもたらす新たな価値
8-2　実世界への応用が開始されたエージェント型LLM
8-3　責任あるAIに新たなソリューションをもたらすエージェント型LLM
8-4　分散型エコシステムにおけるプライベートLLMエージェント
8-5　LLMエージェントの発展シナリオ
8-6　LLMエージェントのインフラ、プラットフォーム
　　［1］　LLMエージェントのインフラ
　　［2］　LLMエージェントのプラットフォーム
　　［3］　LLMのインファレンス（推論）フェーズに特化した分散型インフラの構築
8-7　LLMエージェントの機能用途別特性
　　［1］　シングルエージェントとマルチエージェントシステム（MAS）
　　［2］　反応型・反射型エージェント
　　［3］　目標ベースのエージェント
　　［4］　効用ベースのエージェント
　　［5］　プロアクティブエージェント
　　［6］　学習・適応型エージェント：
　　［7］　非学習型エージェント
8-8　研究チーム、参入企業動向
8-9　主なLLMエージェント
　　［1］　ChemCrow
　　［2］　ToolLLM
　　［3］　OS-Copilot
8-10　主要プレーヤーの動向
　　［1］　グーグル　＜Vertex AI Agent Builder＞
　　［2］　エヌビディア　＜GenAIエージェント＞

第9章　LLMエージェントのカテゴリーと産業別活用

9-1　概説
9-2　カスタマーサービス
9-3　オペレーションと生産性
9-4　マーケティングとセールス
9-5　教育
9-6　サイバーセキュリティ
9-7　法務
9-8　営業
9-9　人事部門
9-10　製造業
9-11　金融
9-12　ヘルスケア
9-13　保険業界
9-14　小売・Eコマース
9-15　各種ホスピタリティ

第10章　LLMに基づくAIエージェントとCRMシステムの統合

10-1　概説
10-2　CRMタスクを実行するLLMエージェント
10-3　事例
　　［1］　セールスフォース　「CRMArenaLLMエージェント」

第11章　LLMベースのコーディング／LLMエージェントベースのソフトウェア開発

11-1　概説
　　［1］　概要
　　［2］　コードのためのLLM
　　［3］　LLMベースのコーディングタスクのベンチマーク
　　［4］　エージェントベースのソフトウェア開発
11-2　関連研究
　　［1］　AGENTLESS :LLMベースのソフトウェア・エンジニアリング・エージェントを解明する

第12章　LLM駆動型会話型レコメンダーシステム(CRS)

12-1　概説
12-2　LLM主導型CRSの戦略的可能性
12-3　LLM駆動型CRSのフレームワーク
12-4　LLM駆動型CRSに対する顧客の評価と経済的な実行可能性
12-5　関連研究
　　［1］　スイス連邦工科大学チューリッヒ校　「イベントチャット大規模なイベントチャットの実装とユーザー中心の評価」

第13章　LLMによる企業のオペレーショナルリスク管理

13-1　概説
13-2　LLM／生成AIの活用によるORMの強化
13-3　LLM／生成AIをORMに統合することの課題とリスク
13-4　LLMによるオペレーショナル・リスク管理の模索状況
　　［1］　ブルームバーグGPT
　　［2］　モルガン・スタンレーのGPT-4統合
　　［3］　エヌビディアとドイツ銀行の金融トランスフォーマー
　　［4］　Du Xiaomanのインテリジェント・クレジット・スコアリング・プラットフォーム
　　［5］　中国農業銀行のChatABC
　　［6］　中国工商銀行のAI統合
　　［7］　その他金融界の事例

第14章　LLMによるコンプライアンス・マネジメント支援

14-1　規制遵守のための法的生成AI
14-2　規制ニュースフィードのための生成AI
　　［1］　ホライゾン・スキャニング
　　［2］　プロンプトエンジニアリング
　　［3］　ユーザーインターフェース
14-3　法律による義務
14-4　LLMベースのエキスパートシステム
14-5　生成AIによる問題の軽減
14-6　結論と今後の課題

第15章　LLMによるリスク・エクスポージャ管理支援

15-1　概説
15-2　方法論と実装
15-3　データ処理
　　［1］　通話記録
　　［2］　資本市場変数
　　［3］　経済変数
15-4　記述統計処理
　　［1］　記述統計と産業別平均値
　　［2］　時系列変動
　　［3］　対面妥当性
　　［4］　分散分解
15-5　資本市場におけるリスクと対処
　　［1］　政治的リスク
　　［2］　気候リスク
　　［3］　AI関連リスク
　　［4］　GPT のトレーニング期間外の分析
　　［5］　ロバスト性の検証
15-6　リスク・エクスポージャーと企業の意思決定
　　［1］　投資決定
　　［2］　リスク・エクスポージャーを軽減するための企業の対応
　　［3］　更なるサンプル外分析
　　［4］　ロバスト性の検証
15-7　経時的なリスクの相対的重要性
15-8　株式市場のプライシング
15-9　関連研究
　　［1］　トランスクリプトからインサイトへ： LLM／生成AIによる企業リスクの発見

第16章　LLMによる基幹系運用トランスフォーメーション

16-1　LLMとメインフレームOS、COBOLレガシーシステム設計
16-2　基幹系システム・コード用の大規模言語モデル
16-3　LLMによる大きな言語モデルのコード化
16-4　ドメイン固有のタスクのためのLLM
16-5　大規模にCOBOLのLLMを育成する上での障壁
16-6　メインフレームシステムのモダナイゼーションを目指した大規模言語モデル「XMainframe」
16-7　生成AIによるCOBOLからJavaへの高速変換

第17章　LLMによる基幹系運用トランスフォーメーションの各種ケーススタディ

17-1　生成AIによる古いコードから最新のJavaへの自動変換
17-2　ケーススタディ
　　［1］　KDDI、アルティスリンク、ELYZA
　　［2］　日立製作所
　　［3］　リコー
　　［4］　NEC（日本電気株式会社）
　　［5］　NTT
　　［6］　デロイトトーマツコンサルティング
　　［7］　情報・システム研究機構、国立情報学研究所

第18章　LLMとエンタープライズ検索

18-1　概説
　　［1］　記憶モデル
　　［2］　レイト・インタラクション・リランキングのための圧縮
18-2　関連研究
　　［1］　MEMORY-VQ: インターネット・スケール・メモリーのための圧縮
　　［2］　ユーザー中心のエージェントの検索プロセスへの組み込みによるRAGフレームワークの拡張
　　［3］　エージェントベースシステムとパーソナライズされたRAGアーキテクチャーとの統
　　［4］　PersonaRAG: ユーザー中心エージェントによる検索支援システムの強化

第19章　エンタープライズLLMとRAG：自社データ活用［1］
19-1　概説

19-2　LLMにおけるRAGの統合
19-3　RAGのタイプ別・アプローチ別特性
　　［1］　ナイーブRAG（Naive RAG）
　　［2］　高度なRAG（Advanced RAG）
　　［3］　モジュラー型RAG（Modular RAG）
　　［4］　RAG対微調整
19-4　RAGの構造・改良経過
　　［1］　検索の粒度
　　［2］　クエリーの最適化
　　［3］　埋め込み
　　［4］　アダプター

第20章　エンタープライズLLMとRAG：自社データ活用［2］

20-1　RAGの調整
　　［1］　コンテキスト・キュレーション
　　［2］　LLM微調整
20-2　RAGにおける増強プロセス
　　［1］　復検索
　　［2］　再帰的検索
　　［3］　適応的検索
20-3　課題と評価
20-4　RAGの当面のテーマ／課題
　　［1］　RAG対ロング・コンテクスト
　　［2］　RAGの堅牢性
　　［3］　ハイブリッド・アプローチ
　　［4］　RAGのスケーリング法則
　　［5］　プロダクション・レディRAG
　　［6］　マルチモーダルRAG
20-5　関連研究
　　［1］　大規模言語モデルのための検索補強型生成：サーベイ

第21章　LLMにおける学習と推論の限界とRAGによる限界の克服

21-1　概説
21-2　関連研究
　　［1］　同済大学上海知能自律システム研究所他研究チーム　「大規模言語モデルのための検索補強型生成：サーベイ」

第22章　既存のRAGアプローチの組み合わせによるRAG最適化

22-1　概説
　　［1］　クエリーと検索の変換
　　［2］　レトリーバー強化戦略
　　［3］　レトリーバーとジェネレーターの微調整
22-2　関連研究
　　［1］　復旦大学他研究チーム　「検索支援型ジェネレーションのベストプラクティスを探る」

第23章　検索拡張生成（RAG）と検索拡張理解（RAU）の両方を含む包括的なアプローチ

23-1　概説
23-2　関連研究
　　［1］　北京大学他研究チーム　「RAGとRAU：自然言語処理における検索補強言語モデルに関するサーベイ」

第24章　RAGに関する最新の手法／最近の研究動向

24-1　RAGシステムにおける最近の開発
24-2　クエリーと検索の変換
24-3　レトリーバー強化戦略
24-4　レトリーバーとジェネレーターの微調整
24-5　多くの先進的なアプローチを付加すした上級RAG
24-6　関連研究
　　［1］　音声・言語情報処理研究センター他研究チーム　「修正検索 拡張世代」
　　［2］　復旦大学他研究チーム　「検索支援型ジェネレーションのベストプラクティスを探る」

第25章　テーブル拡張生成（TAG）によるLLMとデータベースの統合

25-1　概説
25-2　Text2SQL LMを用いたText2SQL
　　［1］　RAG
　　［2］　密な表検索（DTR）モデル
　　［3］　半構造化データに対するNLクエリ
　　［4］　エージェント型データアシスタント
25-3　タグ・モデル
　　［1］　クエリー合成
　　［2］　クエリーの実行
　　［3］　回答生成
25-4　タグのデザインスペース
　　［1］　クエリの種類
　　［2］　データモデル
25-5　関連研究
　　［1］　スタンフォード大学他研究チーム　「Text2SQLだけでは不十分：TAGでAIとデータベースを統合する」

第26章　業務用途の時系列解析のためのエージェント型RAGフレームワーク

26-1　概説
26-2　関連研究
　　［1］　IITダルワド他研究チーム　「時系列解析のためのエージェント検索-拡張生成」

第27章　AIアシスタント／テキスト生成／チャットボット関連のLLM

27-1　オープンソースチャットボット
　　［1］　概説
　　［2］　LLaMA-13Bをベースにしたオープンソースチャットボット　「Vicuna」
27-2　GPT-Turbo-3.5アシスタントスタイル生成の言語モデル　「GPT4All」
　　［1］　概説
　　［2］　Meta　「GPT-Turbo-3.5アシスタントスタイル生成の言語モデル：GPT4All」
27-3　自動テキスト配信、チャットボット、言語翻訳、コンテンツ制作の開発・作成モデルの訓練および微調整　「xTuring」
　　［1］　概説
　　［2］　ストキャスティック　自動テキスト配信、チャットボット、言語翻訳、コンテンツ制作の開発・作成モデルの訓練および微調整：　「xTuring
27-4　ChatGLM（中国人ユーザー向けに特別に設計されたチャットロボット）

第28章　責任あるAIアシスタントの開発と運用

28-1　概説
28-2　高度AIアシスタントの倫理
28-3　高度なAIアシスタントの全体構造

第29章　LLMによるユーザビリティとアクセシビリティ促進

29-1　ヒューマンコンピュータインタラクションとソーシャルコンピューティング
29-2　効果的なインタラクションの設計

第30章　スマート産業と大規模言語モデルの活用

30-1　概説
30-2　スマートファクトリーとLLMの導入・活用
30-3　インダストリー4.0 とLLM／生成AIの統合
30-4　インダストリー5.0によるエンタープライズ・オートメーションとLLM
30-5　産業のスマート化、自動化とLLM
　　［1］　ヘルスケア業界
　　［2］　金融業界
　　［3］　カスタマーサービス業界
　　［4］　教育セクター
　　［5］　製造業
　　［6］　エンターテインメント産業
　　［7］　輸送とロジスティクス
30-6　インダストリー4.0、インダストリー5.0における生成AI／LLMの可能性

第31章　LLMプラットフォーム／LLMによるAIソリューション

31-1　Google　生成AIプラットフォーム　「Vertex AI」
31-2　事実の関連付けを効率的に検索・編集するためのLLMソリューション
　　［1］　概説
　　［2］　ROME（Rank-One Model Editing）
　　［3］　ChatGPTをクローンするオープンソースのAIソリューション　「ColossalChat」

第32章　エンタープライズLLMの主なプレーヤーと最新動向

32-1　Microsoft
　　［1］　マイクロソフト　「GPT-RAG」
　　［2］　マイクロソフト　「Azure ChatGPT（企業向けにカスタマイズされたChatGPTのプライベート版（）
32-2　NVIDIA／NVIDIA A(
　　［1］　NVIDIA AI　「FACTS：エンタープライズRAGベースチャットボットのための包括的なフレームワーク」
　　［2］　NVIDIA　「AI Enterprise Suite」
　　［3］　NVIDIA 　「NVIDIA Base Command Platform」
32-3　Anthropic
　　［1］　Anthropic　「Claude Enterprise」
　　［2］　Anthropic　「Google CloudのVertex AIプラットフォーム上でClaude ファミリーの提供」
　　［3］　Anthropic　「Claude 2.1」
32-4　IBM
　　［1］　IBM　「Watsonx Code Assistant」
　　［2］　IBM　「Granite 3.0 2Bおよび8B AIモデル」
32-5　Cohere
　　［1］　Cohere　「エンタープライズAIを進化させる：生成モデル、多言語処理、開発者ツール」
　　［2］　Cohere　「Coral（生産性向上を目指す企業のためのナレッジ・アシスタント）」
　　［3］　Cohere AI　「Cohere Toolkit」
32-6　Tabnine
　　［1］　タブナイン　「Tabnine Chat（エンタープライズ・グレードのコード中心チャット・アプリケーション）」
32-7　Hugging Face
　　［1］　ハギング・フェイス　「SafeCoder（企業向けに構築されたコードアシスタントソリューション）」