目次

第1章　情報抽出の概要

1-1　構造化データ

1-2　非構造化データ

1-3　情報抽出の代表例

1-4　ルールベースによる情報抽出

1-5　LLMによる情報抽出

第2章　LLMことはじめ

2-1　LLMとは何者か？

• 2-1-1　言語モデル
• 2-1-2　原理に立ち返る意味
• 2-1-3　賢い予測変換器
• 2-1-4　言語モデルの形式的な定義
• 2-1-5　ボキャブラリ
• 2-1-6　トークン
• 2-1-7　Transformer
• 2-1-8　LLMの学習プロセス
• 2-1-9　LLMの推論プロセス
• 2-1-10　すべてのタスクを「テキスト生成」として解く

2-2　マルチモーダルモデルの発展

• 2-2-1　マルチモーダルモデルの進化段階
• 2-2-2　情報抽出におけるEnd-to-Endモデルの恩恵

2-3　モデルの分類と代表例

• 2-3-1　分類軸1：モダリティ（扱えるデータの種類）
• 2-3-2　分類軸2：提供形態（クローズドとオープン）
• 2-3-3　代表的なクローズドモデル
• 2-3-4　代表的なオープンモデル

第3章　情報抽出タスクの精度改善

3-1　入力を整える前処理

• 3-1-1　モデルの入力仕様と制約
• 3-1-2　クレンジング
• 3-1-3　チャンク化
• 3-1-4　データ構造の付与
• 3-1-5　重要箇所の抽出・圧縮
• 3-1-6　前処理は「精度」と「運用」を同時に改善する

3-2　出力を安定させる後処理

• 3-2-1　出力形式を固定する
• 3-2-2　パースと正規化
• 3-2-3　バリデーション：型・制約・整合性のチェック
• 3-2-4　失敗時のリカバリ
• 3-2-5　ログと評価への接続
• 3-2-6　後処理は「対症療法」ではなく「アーキテクチャ設計」である

3-3　パラメータ設定の見直し

• 3-3-1　モデルの変更
• 3-3-2　ハイパーパラメータの調整

3-4　プロンプトエンジニアリング

• 3-4-1　プロンプトとは
• 3-4-2　プロンプト作成の鉄則
• 3-4-3　マニュアルによるプロンプトエンジニアリング
• 3-4-4　プロンプト自動最適化

3-5　複数ステップによる推論

• 3-5-1　マルチステージ推論
• 3-5-2　マルチエージェント

3-6　モデルのファインチューニング

• 3-6-1　ファインチューニングとは
• 3-6-2　ファインチューニングが効きやすいパターン
• 3-6-3　学習データ作成が成否を左右する
• 3-6-4　Open Model/Closed Modelでの進め方の違い
• 3-6-5　導入前に押さえるべき運用上の論点

第4章　LLM活用における注意点

4-1　タスクやコンテキストに起因する問題

• 4-1-1　ドメイン固有の専門知識が必要なタスク
• 4-1-2　知識のカットオフ以降の出来事・常識に関するタスク
• 4-1-3　主観性が強い判断基準を含むタスク

4-2　モデルの構造に起因する問題

• 4-2-1　トークナイザーによる現実世界の感覚との不一致
• 4-2-2　パラメータ知識の干渉
• 4-2-3　自己回帰生成による「誤りの蓄積」
• 4-2-4　確率的推論による「計算と論理」の不安定さ
• 4-2-5　コンテキストウィンドウの制約と位置バイアス

4-3　運用上の注意点

• 4-3-1　タスクに対する性能と推論速度・運用コストのトレードオフ
• 4-3-2　APIの制約とスケーラビリティ
• 4-3-3　モデルのライフサイクルとバージョン管理

4-4　精度評価の難しさ

• 4-4-1　評価手法と評価指標の選択
• 4-4-2　正解データ作成の負荷
• 4-4-3　LLM-as-a-Judge

4-5　セキュリティとデータ保護

• 4-5-1　API で送信したデータは「学習」に使われるのか？
• 4-5-2　匿名化とマスキングによる保護
• 4-5-3　閉域環境とローカルLLM
• 4-5-4　間接的プロンプトインジェクションのリスク
• 4-5-5　抽出後のデータ管理

第5章　テキストデータからの情報抽出

5-1　代表的な前処理

• 5-1-1　推論高速化のための前処理
• 5-1-2　推論精度向上のための前処理

5-2　適用事例

• 5-2-1　要約
• 5-2-2　エンティティ抽出
• 5-2-3　関係抽出
• 5-2-4　属性抽出
• 5-2-5　感情分析
• 5-2-6　キーワード・見出し抽出
• 5-2-7　数学の問題の解答生成

5-3　苦手なタスク

第6章　画像データからの情報抽出

6-1　代表的な前処理

• 6-1-1　推論高速化のための前処理
• 6-1-2　推論精度向上のための前処理
• 6-1-3　OCRによる画像のテキスト化

6-2　適用事例

• 6-2-1　要約
• 6-2-2　エンティティ抽出
• 6-2-3　行と列の構造認識
• 6-2-4　表構造認識
• 6-2-5　物体検出
• 6-2-6　画像生成
• 6-2-7　画像編集

6-3　苦手なタスク

第7章　音声／動画データからの情報抽出

7-1　音声データ

• 7-1-1　代表的な前処理
• 7-1-2　適用事例

7-2　動画データ

• 7-2-1　代表的な前処理
• 7-2-2　適用事例

付録

A-1　Pythonの使い方

• A-1-1　Pythonの導入とパッケージの利用
• A-1-2　テキストデータの扱いに慣れる
• A-1-3　画像データを扱う
• A-1-4　画像の読み込みと基本操作
• A-1-5　OpenCVによる画像フィルタリング

A-2　Geminiの使い方

• A-2-1　Geminiの特徴と強み
• A-2-2　Web版Gemini
• A-2-3　Google AI Studio版Gemini
• A-2-4　APIによるGeminiの利用