利用者から提供者へ -AIエンジニア育成の取り組み-

AIエンジニア育成の取り組み

はじめに

生成AIの活用が進む中、単なるツール利用者ではなく「AIをシステムに組み込める」技術者の育成が急務となっています。TIS株式会社テクノロジー＆イノベーション本部開発基盤センター（以下、開発基盤センター）では、実務で通用する生成AIエンジニア、特にRetrieval-Augmented Generation（以下、RAG）を扱える人材の育成に取り組んでいます。

この記事では、本AIエンジニア育成プログラムの狙いや構成、実践で得られた気づきや今後の展望をご紹介します。

背景と育成の狙い

TIS社内では、生成AIの技術検証やPoCを通じて、開発メンバーに知見が蓄積されつつあります。一方で、こうした取り組みをスケールさせるには大きな課題があります。それは、人材の偏在と不足です。

現在、生成AI開発に精通した人材は限られており、少人数の有識者にノウハウが集中しています。中でも、外部ドキュメントを活用してユーザーに適切な回答を返すRAGのニーズが高まっている一方で、これに対応できる人材は非常に限られています。

このような背景から、開発基盤センターにおいてはまずニーズの高いRAG分野にフォーカスし、RAGエンジニアを育成することを第一フェーズの目標としました。これは社内の技術者育成に向け、他の事業部門へ展開するための足がかりとも位置づけています。

RAGとは、外部データソース（業務文書など）から情報を取得し、生成プロセスに統合する手法であり、業務に根差したFAQやチャットボット構築に欠かせない技術です。とりわけ、検索精度・応答精度の改善には多くの技術的工夫と検証が必要であり、育成カリキュラムにおいてもこの「精度改善」に特に重点を置いて設計しています。

育成方針と対象者像

育成では以下の方針を掲げています。

• 実務に近い課題に対して、試行錯誤を通じた”手を動かす”学習
• 専門知識がない人でも参加できる、段階的な習得フロー
• 最終的にはRAGアプリを一から構築・評価できる力を身につける

受講者は若手社員が中心で、以下のようにバックグラウンドも多様です。

• 生成AIに初めて触れるエンジニア
• クラウドを触ったことがないインフラ未経験者
• 個人でChatGPTを使った経験があるが、開発は未経験の技術者

カリキュラム構成と学習内容

3か月の育成期間は以下のようなステップで構成されています。

各フェーズでは、受講者が実装ベースの課題に取り組み、Slackで進捗共有を行いながら自走学習を進めていきます。セクションごとに技術の前提知識を補足するガイドやTips集も用意しており、未経験者でもキャッチアップできるよう設計されています。

主としてインプットの学習が多いセクション１～セクション４の各セクションは、以下の表に示すとおりの子セクションで構成されており、それぞれの子セクションにおいてセクションゴールを設けることで、学習の到達点としています。また、セクションごとにステップアップコンテンツ（以下子セクション内の*印）を設けており、進捗状況に応じてより発展的な学習に取り組むことができるようにしています。またセクションの取り組み順については、学習マップで定義することで、進捗状況や個人の理解度に応じた学習を自発的に実施できるような仕組みを醸成しています。

■子セクションごとのゴール設定

■学習マップ

実践を通じた学びと気づき

育成プログラムを通じて、以下のような気づきがありました。

精度改善の難しさと面白さ

多くの受講者が「精度評価」という新しい観点に苦戦しながらも、最も成長を実感した領域でした。特に、どのようなチャンキング手法が有効か、検索クエリの最適化がどれだけ応答に影響するかなどを自ら検証し、試行錯誤を重ねる体験は、明確な仕様と正解がある従来型のシステム開発とは異なり、“より良い応答”を模索する相対的な最適解を目指す、生成AIならではの開発体験です。

検索精度が悪い理由を分析し、チャンキングの粒度を変えるだけで大きく改善されたときは面白かった（受講者コメント）

LLM特有の開発フローの理解

プロンプト設計 → 評価 → 改善 という試行錯誤の繰り返しは、要件が明確に定義された仕様駆動型の開発とは異なり、出力の揺らぎや正解が一つに定まらない中で最適解を模索していくプロセスです。データの非決定性や相対的な評価基準と向き合うことで、受講者は柔軟で探索的な技術的思考を身につけています。

全体を通じた”変化”

受講前は「生成AIって難しそう」と感じていたメンバーも、育成後には「まず試してみる」「プロンプトを調整してみる」という姿勢に変わりました。自らAIを動かすことへの心理的障壁が下がったことも大きな成果です。

実際の受講者成果物（一例）

以下は実際の受講者成果物の一例です。RAGシステムの応答精度について定義後、試行錯誤で応答精度改善に取り組み、実際に定量的な精度を向上させることができています。

ここで紹介する応答評価は、RAGの性能を定量的に測定するために使用される指標であり、Ragasという評価フレームワークを用いています。Ragasは、RAGパイプライン内の各プロセス（検索・文脈選定・応答生成）に対して個別に評価指標を定めており、具体的には以下ような観点でスコアリングを行います：

• Faithfulness（忠実度）：生成された回答から特定される主張が与えられたコンテキストから推測できるかどうか
• Answer Relevancy（回答の関連度）：回答が質問に対してどれだけ関連しているか
• Context Recall（コンテキストの再現率）：検索されたコンテキストが、正解として扱われる注釈付き回答とどの程度一致するか
• Answer Correctness（回答の正しさ）：生成された回答と正解の間の整合性が高いかどうか

これらの指標値の改善手法として、RAGの精度改善に関する取り組みを実施しています。今回の例においては具体的には以下のような改善策を取り入れることで、精度向上を成し遂げることができました。

・回答が質問の意図に沿うようにLLMへのクエリに対するプロンプトエンジニアリングの実施

・RAGのドキュメント検索精度向上のため、チャンキング戦略の改善

・より期待する回答に近付けるため、回答結果に応じた回答の再作成プロセスの構築

今後の展望

今後は次の2つの軸で育成の幅を広げていきます。

1. スピードアップと対象者の拡大

現状は3か月×3名のサイクルで実施していますが、育成スピードと対象者数を増やすために、以下のような拡張を検討中です：

• コンテンツのオンデマンド化
• 社内の事業部へのコンテンツ展開
• 現場でのRAG導入支援へ繋がる動線の形成

2. AIインテグレーション人材の育成

RAGに限らず、AIエージェントや多段階プロンプト、社内DBとの統合など「AIをどうシステムに組み込むか」に踏み込んだAIインテグレーション人材育成も構想中です。

私たちが目指しているのは、「すべてを一人で担えるスーパーマン」を育てることではありません。RAGエンジニア育成を含む本取り組みのゴールは、AI技術を業務の中で適切に活用し、自ら考えて改善できる、そんな“第一歩”を踏み出せる人材を一人でも多く育てることにあります。

まとめ

本育成プログラムでは、「RAGを理解する」だけに留まらず、精度改善という実践的で奥深いテーマに真正面から向き合うことで、既存のSI開発とは異なる経験と視点を育んでいます。

受講者たちは、模索と試行錯誤の中で生成AIとの向き合い方を学び、自らの手でAIを組み込む実感を得ました。これは、単なる技術研修ではなく、“生成AI時代のエンジニア像”を自ら体感するプロセスだと言えるでしょう。

「AIを活用できる」から、「AIを開発し、改善できる」エンジニアへ。

そんな未来を描く第一歩を、私たちは踏み出しています。