BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//https://techplay.jp//JP
CALSCALE:GREGORIAN
METHOD:PUBLISH
X-WR-CALDESC:キーワードはRAG ! Kaggle LLMコンペの攻略法を解
 説
X-WR-CALNAME:キーワードはRAG ! Kaggle LLMコンペの攻略法を解
 説
X-WR-TIMEZONE:Asia/Tokyo
BEGIN:VTIMEZONE
TZID:Asia/Tokyo
BEGIN:STANDARD
DTSTART:19700101T000000
TZOFFSETFROM:+0900
TZOFFSETTO:+0900
TZNAME:JST
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
UID:925977@techplay.jp
SUMMARY:キーワードはRAG ! Kaggle LLMコンペの攻略法を解説
DTSTART;TZID=Asia/Tokyo:20231130T193000
DTEND;TZID=Asia/Tokyo:20231130T203000
DTSTAMP:20260528T233642Z
CREATED:20231108T063404Z
DESCRIPTION:イベント詳細はこちら\nhttps://techplay.jp/event/92597
 7?utm_medium=referral&utm_source=ics&utm_campaign=ics\n\n講座概要\n
 今年の7月から10月にかけて、Kaggle主催でKaggle - LLM Scienc
 e Examというコンペが開催されました。\nLLMに選択式の
 問題を解かせて正解率を競うという内容で、2\,664チー
 ムが参加し、LLMを扱うコンペとしてはかなりの盛り上
 がりを見せていました。\n発表者 (早野) はこれに参加
 し、上位8% (205th) で銅メダルを獲得することができま
 した。本コンペでは特に、RAG (Retrieval Augumented Generation)
  によって、LLMへの入力となるプロンプトを如何に拡充
 させるかがキーとなっており、RAGに関するさまざまな
 手法が議論され試されていました。コンペに取り組ん
 でいく中でこうした議論や試行錯誤を直に体験するこ
 とができ、これまで参加した中でもトップクラスに実
 りの多いコンペだったと思います。\n本講座では、発
 表者が「Kaggle - LLM Science Exam」へどう取り組んだか、そ
 の取り組みの中で活用した手法 (RAGのほか学習データ
 生成やモデルアンサンブルなど) について解説します
 。また、上位チームがどのようにアプローチしたかに
 ついても解説します。\n主な対象者\n\nKaggleに興味があ
 る方\nRAGに興味がある方\n\n前提とする知識\n\n深層学習
 の基本的な知識\nLLM、トークナイザーなどの自然言語
 処理関連の用語についての知識\n\n会場\nZoomウェビナー
 での開催となります\n※ 参加登録してくださった方に
 、このページ上部の「参加者への情報」の欄にZoom URL
 が表示されます。\nタイムテーブル\n\n\n\n時刻\n内容\n\n
 \n\n\n19:30\nはじめに\n\n\n19:35\nキーワードはRAG ! Kaggle LLM
 コンペの攻略法を解説\n\n\n20:20\n質疑応答\n\n\n20:30\n終
 了\n\n\n\n※質疑の内容や数などにより、終了時刻が前
 後する可能性があります。\n発表者プロフィール\n発表
 者: 早野康太\n東京大学農学生命科学研究科生物・環境
 工学 修士課程修了。都内のIT企業で自然言語モデルに
 関わる研究開発に従事。Kaggleで獲得したメダルは銀メ
 ダル1個、銅メダル2個。
LOCATION:Zoom オンライン
URL:https://techplay.jp/event/925977?utm_medium=referral&utm_source=ics&utm
 _campaign=ics
END:VEVENT
END:VCALENDAR