生成系AIやプロンプトエンジニアリングを学ぶ上で、基礎的な用語や概念を理解することは欠かせません。この用語集では、初心者にも分かりやすく、AIに関連する重要な言葉をカテゴリ別に整理して解説しています。
ちょっとした辞典としてご活用いただければ幸いです。
プロンプトエンジニアリングの基礎
1. プロンプト
定義:
AIに指示を与えるための文章や入力データのこと。プロンプトが適切であればあるほど、AIはユーザーの意図を正確に理解し、期待通りの結果を返す可能性が高まります。
具体例:
- シンプルな例:
「AIとは何ですか？」 - 応用的な例:
「AIの歴史を簡単に説明し、5つの重要なマイルストーンを挙げてください。」
ポイント:
具体的で明確なプロンプトを作ることで、AIが効果的に機能します。
2. プロンプトエンジニアリング
定義:
AIが正確な回答を生成できるように、プロンプト（指示文）を設計・最適化する技術のこと。AIが持つ能力を最大限に引き出すために欠かせないスキルです。
具体例:
ユーザーが「天気を教えて」とだけ入力すると、AIはどの地域や日付について尋ねているのか分からず、適切な回答が得られません。しかし、「東京の明日の天気を教えてください」という明確なプロンプトを設計すれば、正確な答えが得られます。
3. 良いプロンプト／悪いプロンプト
良いプロンプトの特徴:
- 明確である
- 具体的な指示を含む
- シンプルで簡潔
悪いプロンプトの例:
- 「もっと詳しく教えて」→ 具体性がなく、AIが何を答えるべきか不明確。
良いプロンプトの例:
- 「AIプロンプトエンジニアリングの定義を300文字以内で初心者向けに説明してください。」
ポイント:
良いプロンプトを作ることで、無駄なやり取りを減らし、目的に合った出力が得られる。
4. 明確化（クラリフィケーション）
定義:
曖昧な指示を明確にするために、プロンプトの内容を再構築するプロセスのこと。
具体例:
- 曖昧なプロンプト: 「AIについて説明してください。」
- 明確なプロンプト: 「AIとは何か、その基本的な仕組みを初心者向けに簡単に説明してください。」
実践:
ユーザーが期待する答えを明確にすることが重要。
5. 出力（アウトプット）
定義:
AIがプロンプトに基づいて生成する回答や結果のこと。出力の質はプロンプトの質に依存します。
具体例:
- プロンプト: 「AIがどのようにテキストを生成するかを教えてください。」
- 出力: 「AIは、大規模なデータセットを学習し、入力データの文脈に基づいてテキストを生成します。」
ポイント:
出力を確認し、不足があればプロンプトを調整するのが基本です。
6. ゼロショット／ワンショット／フューショット学習
定義:
AIに新しいタスクを与える際の学習方法の違いを表します。
- ゼロショット: 例を一切示さずに指示する方法。
- ワンショット: 1つの例を示して指示する方法。
- フューショット: 複数の例を示して指示する方法。
具体例:
「Eメールの例文を作成してください」というプロンプトを考えます：
- ゼロショット: 「Eメールの例文を作成してください。」
- ワンショット: 「Eメールの例文を作成してください。例: ‘こんにちは、会議の件について確認です。’」
- フューショット: 「以下の例を参考に、Eメールの例文を作成してください。例1: ‘お世話になります。’ 例2: ‘いつもありがとうございます。’」
7. プロンプト最適化
定義:
AIの出力を改善するために、プロンプトを試行錯誤しながら調整するプロセス。
実践方法:
- 初期プロンプトを作成
- 出力結果を確認
- 必要に応じてプロンプトを修正
具体例:
- 初期プロンプト: 「AIについて教えて。」
- 修正プロンプト: 「AIの基礎的な概念を初心者向けに200文字以内で説明してください。」
8. プロンプト設計（Prompt Design）
定義:
特定の目的に合ったプロンプトを計画的に構築するプロセス。
具体例:
マーケティング用コピーを生成する場合：
- プロンプト: 「新しいAIツールを宣伝するキャッチコピーを作ってください。特徴は、簡単、迅速、高性能です。」
9. リフレーミング（Reframing）
定義:
AIの応答を改善するために、プロンプトを異なる視点から書き直す技術。
具体例:
- 初期プロンプト: 「AIの利点を説明してください。」
- リフレーミング: 「AIが企業に与える3つの主要なメリットを、簡潔に説明してください。」
10. 実行可能プロンプト（Executable Prompt）
定義:
AIが正確に解釈し、期待通りの出力を生成できるプロンプト。曖昧さを排除し、実用的な結果を保証します。
具体例:
- 不十分なプロンプト: 「面白い話を書いて。」
- 実行可能なプロンプト: 「子供向けにわかりやすい言葉で、友情についての短い物語を200文字以内で作ってください。」
生成系AIに関する基礎用語
1. 大規模言語モデル（LLM: Large Language Model）
定義:
膨大なデータを学習し、テキスト生成や質問応答などの自然言語処理タスクを実行できるAIモデルのこと。GPT-4やBERTなどが代表的です。
具体例:
- GPT-4は、数百万冊の本やインターネット上のデータを基にトレーニングされ、人間のように文章を作成します。
- 例: 「次の文章を200文字以内に要約してください。」という質問に対して適切な回答を生成します。
2. 生成系AI
定義:
テキスト、画像、音声、動画など、さまざまな形式のコンテンツを生成できるAIの総称です。
具体例:
- テキスト生成: ChatGPTを使った文章の生成。
- 画像生成: DALL-Eを使ったイラストやデザインの作成。
- 音声生成: 音声合成ツールによるナレーションの作成。
ポイント:
生成系AIは、プロンプト次第で応用範囲が無限に広がります。
3. 自然言語処理（NLP: Natural Language Processing）
定義:
AIが人間の言語を理解、生成、分析する技術のこと。プロンプトエンジニアリングは、この技術を活用して最適な指示を作成するスキルです。
具体例:
- メールの自動要約: 「このメールを3行に要約してください。」
- テキスト翻訳: 「この文章を英語に翻訳してください。」
ポイント:
プロンプト設計は、NLPを活用してAIの応答を効果的に制御するカギです。
4. モダリティ（Modality）
定義:
AIが扱うデータの種類を指します。テキスト、画像、音声、動画などが含まれます。
具体例:
- テキスト: 「文章生成」
- 画像: 「写真風のイラストを生成してください。」
- 音声: 「人間の声に似た音声でこの文章を読み上げてください。」
ポイント:
複数のモダリティを統合する「マルチモーダルAI」が次世代技術として注目されています。
5. コンテキスト
定義:
AIが出力を生成する際に参考にする文脈や背景情報のこと。プロンプトに含まれる言葉だけでなく、これまでの会話履歴や関連情報を含みます。
具体例:
- 質問: 「彼はどこに行きましたか？」
- コンテキスト: その前のプロンプトに「ジョンは昨日東京に行きました。」とある場合、AIは「東京」と答えます。
ポイント:
プロンプトの質を高めるには、AIが理解できる適切なコンテキストを提供することが重要です。
6. トークンとトークン化（Token and Tokenization）
定義:
トークンとは、AIがテキストを解析する際の最小単位（単語、文字、句読点など）です。トークン化は、文章をトークンに分割するプロセスを指します。
具体例:
- 文章: 「AIは未来を変える。」
- トークン化: [「AI」、「は」、「未来」、「を」、「変える」、「。」]
ポイント:
AIはトークン単位で動作するため、プロンプトが長くなると計算コストが増大します。
7. モデルサイズ（パラメータ数）
定義:
AIモデルの規模を示す指標で、パラメータの数によって性能が変わります。大きなモデルほど複雑なタスクに対応可能ですが、計算コストも高くなります。
具体例:
- GPT-3: 約1750億のパラメータを持ち、高度な文章生成が可能。
- 小規模モデル: スマートフォンアプリなどに使われ、特定の用途に特化しています。
ポイント:
プロンプトエンジニアリングは、モデルサイズに関わらず応用可能な技術です。
8. アテンション機構（Attention Mechanism）
定義:
AIが入力データの中で重要な部分に焦点を当てる仕組み。Transformerモデルの中核技術であり、効率的な学習と応答を実現します。
具体例:
- 文章生成時に、主語や動詞など重要な要素に「注意」を集中させることで、文脈に合った応答を生成します。
ポイント:
アテンション機構のおかげで、AIは長い文章の文脈を理解しやすくなっています。
9. Transformerモデル
定義:
現在の生成系AIの基盤となるアルゴリズム。アテンション機構を利用し、大量のデータを効率的に学習します。GPTシリーズやBERTは、この技術に基づいています。
具体例:
- GPTモデルはTransformerを基に開発され、大規模な文章生成が得意です。
- BERTモデルは、テキストの分類や意味解析に強みを持ちます。
ポイント:
Transformerの登場により、AIの精度と応用範囲が飛躍的に拡大しました。
10. GPT（Generative Pre-trained Transformer）
定義:
Transformerを基盤に開発された生成系AIモデルのシリーズ。事前学習（Pre-training）と微調整（Fine-tuning）を経て、自然言語処理に優れた性能を発揮します。
具体例:
- GPT-3は、文章生成や会話、要約など幅広いタスクに対応可能。
- GPT-4は、より高度な文脈理解と応答能力を持っています。
ポイント:
GPTシリーズは、生成系AIの代表格であり、プロンプトエンジニアリングの実践に最適なプラットフォームです。
AIツールと実践的用語
1. ChatGPT
定義:
OpenAIが開発したチャットボット型の生成系AIツール。会話形式で文章生成、質問回答、要約など多岐にわたるタスクに対応します。
具体例:
- 「今日の天気を教えて」と聞くと、その地域の天気情報を提供する。
- 「プレゼンテーションのアイデアを3つ提案してください」という指示に応じて創造的なアイデアを生成。
ポイント:
ChatGPTはプロンプトエンジニアリングを試すのに最適なプラットフォームです。
2. GPT-3/GPT-4
定義:
OpenAIが開発した大規模言語モデルシリーズ。GPT-4はGPT-3の進化版で、より高度な文脈理解と出力精度を持ちます。
具体例:
- GPT-3は、多言語翻訳やコード生成に対応可能。
- GPT-4は、さらに長い文脈を保持し、複雑なタスクを正確にこなせます。
ポイント:
プロンプトエンジニアリングの性能向上には、GPT-4の使用が特に有効です。
3. DALL-E
定義:
OpenAIが開発した画像生成モデル。プロンプトに基づき、イラストや写真風の画像を作成します。
具体例:
- 「青い空の下で咲く花畑の絵を描いてください。」と指示すると、具体的な画像を生成。
- 「未来的な都市の風景をデザインしてください。」という要望にも応じる。
ポイント:
DALL-Eは、プロンプトエンジニアリングを視覚的に学ぶのに適しています。
4. Hugging Face
定義:
AIモデルやツールを提供するオープンプラットフォーム。生成系AIモデルを簡単に利用できる環境を提供しています。
具体例:
- Hugging Faceのライブラリを使えば、GPT-2やBERTを迅速に導入可能。
- 「テキスト分類」や「名前付きエンティティ認識」のタスクに最適なモデルを選べる。
ポイント:
プロンプトエンジニアリングを自分のプロジェクトで活用する際、Hugging Faceは強力なサポートツールとなります。
5. API（アプリケーションプログラミングインターフェース）
定義:
ソフトウェア同士がやり取りするためのインターフェース。生成系AIの機能を他のアプリケーションやサービスに統合するために使用されます。
具体例:
- AIをウェブアプリに統合し、ユーザーが直接質問できる機能を提供する。
- 「APIキー」を使って、GPT-4の機能を独自のアプリに組み込む。
ポイント:
プロンプトエンジニアリングを自動化する際、APIの知識が重要です。
6. トークンコスト（Token Cost）
定義:
AIモデルが入力を処理する際のコスト。プロンプトの長さに比例して計算され、使用料金が発生する場合があります。
具体例:
- 短いプロンプト: 「AIとは？」（低コスト）
- 長いプロンプト: 「AIの歴史、主な応用分野、課題について、それぞれ100文字以内で説明してください。」（高コスト）
ポイント:
効率的なプロンプト設計でトークンコストを削減できます。
7. レイテンシ（応答遅延）
定義:
AIがプロンプトに対する応答を生成するのにかかる時間。モデルの複雑さやサーバーの負荷によって影響されます。
具体例:
- 小規模なモデルでは数秒で応答。
- 大規模なモデルや複雑なプロンプトでは応答に数十秒かかることも。
ポイント:
プロンプトを最適化することで、応答速度を向上させることが可能です。
8. モデル切り替え（Model Switching）
定義:
用途やタスクに応じて、最適なAIモデルを選択して使用すること。
具体例:
- 文章生成にはGPTシリーズを使用。
- テキスト分類にはBERTモデルを使用。
ポイント:
目的に合ったモデルを選択することが、プロンプトエンジニアリングの成功につながります。
9. プロンプトテンプレート
定義:
特定のタスクに対応するためにあらかじめ用意されたプロンプトのひな形。効率的な作業を可能にします。
具体例:
- テキスト要約用テンプレート: 「次の文章を3行で要約してください: [本文]」
- 翻訳用テンプレート: 「次の文章を日本語に翻訳してください: [本文]」
ポイント:
プロンプトテンプレートを活用することで、初心者でも効率的にAIを利用できます。
10. デプロイ（Deploy）
定義:
AIモデルやアプリケーションを実際に使用可能な環境へ導入するプロセス。生成系AIのプロンプトエンジニアリング成果を現場で活用する最終ステップです。
具体例:
- ウェブアプリにChatGPTを統合し、ユーザーが質問できる機能を提供。
- 自社システムでAPIを使い、業務の自動化を実現。
ポイント:
デプロイを成功させるには、プロンプトが現実のユーザー要求に対応できるよう設計されている必要があります。
AI技術とアルゴリズム関連
1. トランスフォーマー（Transformer）
定義:
生成系AIの中核をなすアルゴリズム。入力データの重要な部分に「注意」を集中させるアテンション機構を活用して、効率的かつ高度な学習を可能にします。
具体例:
- GPTシリーズやBERTはトランスフォーマーを基盤に構築されています。
- 長い文章の中から重要なキーワードをピックアップして意味のある応答を生成します。
ポイント:
トランスフォーマーの導入により、従来のAIよりも大規模で精度の高いモデルが実現しました。
2. パラメータ
定義:
AIモデルの学習過程で調整される変数。これが多いほどモデルは複雑で、多様なタスクをこなす能力を持ちます。
具体例:
- GPT-3には約1750億のパラメータがあり、文章生成や質問応答で高い性能を発揮します。
- 小規模モデルはパラメータが数百万単位で、特定のタスクに特化しています。
ポイント:
パラメータの数が多いほど計算リソースが必要になるため、利用環境に合わせたモデル選択が重要です。
3. トレーニングデータ
定義:
AIモデルの学習に使用されるデータセット。モデルが正確な出力を生成するための基盤となります。
具体例:
- GPTシリーズは、ニュース記事、百科事典、ウェブサイトなど膨大なデータでトレーニングされています。
- 画像生成モデルの場合、写真やイラストのデータセットが使用されます。
ポイント:
トレーニングデータの質がAIの出力の質を決定します。偏ったデータはバイアスの原因となるため注意が必要です。
4. バイアス（Bias）
定義:
AIモデルが学習データの偏りにより、特定の方向に偏った応答や結果を生成すること。
具体例:
- 不適切なデータでトレーニングされたモデルが、ステレオタイプに基づいた回答を生成する。
- 例えば、職業名に「男性」や「女性」を過剰に関連付ける。
ポイント:
プロンプトエンジニアリングでは、バイアスを避けるために中立的な表現を意識することが重要です。
5. 過学習（オーバーフィッティング）
定義:
AIがトレーニングデータに過度に適応し、新しいデータに対して柔軟に対応できなくなる現象。
具体例:
- 試験問題の過去問だけを完璧に覚えた学生が、少しでも異なる形式の問題に対応できない状況に似ています。
ポイント:
適切なトレーニングデータの選択やモデルの設計が、過学習を防ぐカギとなります。
6. アテンション機構（Attention Mechanism）
定義:
AIが入力データの中で重要な部分に焦点を当てる仕組み。これにより、文脈を理解しやすくなります。
具体例:
- 「AIの歴史を教えて」と尋ねた場合、AIは「歴史」という言葉に注意を集中して、適切な情報を選び出します。
ポイント:
アテンション機構は、長文の処理や複雑な質問への対応において特に有効です。
7. 正則化（Regularization）
定義:
過学習を防ぐためにAIモデルの複雑さを制御する手法。学習プロセスにおける調整技術の一つです。
具体例:
- モデルが特定のデータに依存しすぎないよう、パラメータの値を調整します。
ポイント:
正則化は、モデルの汎用性を高めるための重要な技術です。
8. ドロップアウト（Dropout）
定義:
モデルの学習時に一部のニューロンをランダムに無効化し、過学習を防ぐ手法。
具体例:
- 文章生成モデルでは、一部の単語に関連するニューロンをランダムに無効化して、より汎用的な文章生成能力を高めます。
ポイント:
AIモデルが特定のパターンに固執しないよう、学習の多様性を確保します。
9. ヒューリスティック（Heuristic）
定義:
複雑な問題を効率的に解決するための簡易的なルールやアプローチ。AIが全てを計算するのではなく、経験則に基づいて解決を目指します。
具体例:
- 検索エンジンが、ユーザーの過去の検索履歴に基づいて最適な結果を予測する。
ポイント:
ヒューリスティックは、特に計算資源が限られた状況で有用です。
10. トライ＆エラー（Trial and Error）
定義:
プロンプトエンジニアリングやAIモデルの調整で頻繁に用いられる、試行錯誤のプロセス。
具体例:
- プロンプトを微調整しながら、最適な出力を得る方法を探す。
例: 初期プロンプト「AIとは何か？」 → 修正プロンプト「AIの基本を初心者向けに200文字以内で説明してください。」
ポイント:
トライ＆エラーを重ねることで、AIを最大限に活用できます。
実践で役立つ用語
1. プロンプト最適化
定義:
AIの応答を改善するためにプロンプトを調整し、最適な結果を引き出すプロセス。
具体例:
- 初期プロンプト: 「AIとは？」
- 改善後: 「AIの基本的な概念を初心者向けに100文字以内で説明してください。」
ポイント:
プロンプト最適化は、トライ＆エラーを通じて目的に合った回答を得るための鍵です。
2. スクリプト
定義:
AIに一連の指示を与えるための事前に準備されたプロンプトの集合。複雑なタスクを自動化する際に使用します。
具体例:
- カスタマーサポート: 「顧客の質問に基づいて適切な回答を生成し、続けて追加の質問を確認してください。」
- データ処理: 「CSVデータを分析し、主要なトレンドをレポート形式で出力してください。」
ポイント:
スクリプトを活用することで、繰り返し作業を効率化できます。
3. テンプレートプロンプト
定義:
特定のタスクに対応するためにあらかじめ準備されたプロンプトのひな形。作業効率を大幅に向上させます。
具体例:
- テキスト要約: 「以下の文章を3行以内に要約してください: [本文]」
- 翻訳: 「次の英文を日本語に翻訳してください: [英文]」
ポイント:
テンプレートプロンプトは、初心者でもすぐに効果的なAI活用を実現できます。
4. デバッグ
定義:
AIの応答に問題がある場合に、その原因を特定し、プロンプトや環境を調整するプロセス。
具体例:
- 問題: 「AIが意図した回答を返さない。」
- デバッグ: プロンプトを簡潔かつ具体的に修正する（例: 「もっと詳しく」→「AIの歴史を簡単に200文字以内で説明してください。」）。
ポイント:
デバッグスキルを磨くことで、AIの精度を向上させられます。
5. トライ＆エラー
定義:
目的に合ったプロンプトを作成するために、繰り返し試行錯誤するプロセス。
具体例:
- 初期プロンプト: 「AIとは？」
- 修正: 「AIの仕組みを簡単に説明してください。」
- 最終版: 「AIの基本的な仕組みを初心者向けに200文字以内で説明してください。」
ポイント:
プロンプトを少しずつ改善することで、理想的なアウトプットが得られます。
6. サンプルプロンプト集（Prompt Library）
定義:
プロンプトの成功例を集めたデータベース。初心者が効果的なプロンプトを学ぶ際に役立ちます。
具体例:
- 「ビジネス用メールの例文を生成してください。」
- 「ブログ記事の構成案を提案してください。」
ポイント:
プロンプト集を参考にすることで、初心者でも効果的なAI利用をスムーズに始められます。
7. 反応性評価
定義:
AIの応答がプロンプトに対して適切であるかを評価するプロセス。評価結果に基づき、プロンプトを改善します。
具体例:
- 評価基準: 応答が具体的で分かりやすいか、質問に対して直接的に答えているか。
- フィードバック: 「もっと具体例を含めるようにプロンプトを調整してください。」
ポイント:
応答を評価しながらプロンプトを改善することで、AIの出力品質を向上させられます。
8. ユーザーインターフェース（UI: User Interface）
定義:
AIツールを利用する際に、ユーザーが操作する画面や操作環境のこと。直感的なUI設計は、プロンプトエンジニアリングをスムーズにします。
具体例:
- ChatGPTのチャット画面では、プロンプトを簡単に入力してAIから即座に応答を得られる。
- API統合の場合、開発者がコマンドラインやコードで操作するUIを利用する。
ポイント:
使いやすいUIは、プロンプトエンジニアリングのハードルを下げます。
9. 繰り返し作業の自動化
定義:
AIを活用して、同じタスクを自動的に繰り返すプロセス。プロンプトテンプレートやスクリプトを使用します。
具体例:
- 毎日同じフォーマットで営業レポートを生成する。
- 定期的にニュース記事を要約して共有する。
ポイント:
自動化を取り入れることで、時間を節約しつつ効率を最大化できます。
10. 学習リソースの活用
定義:
プロンプトエンジニアリングを学ぶために、オンラインツールやガイドを活用すること。
具体例:
- OpenAIのドキュメントで、APIやプロンプト設計の具体例を学ぶ。
- コミュニティフォーラムで他のユーザーの成功例を参考にする。
ポイント:
学習リソースを活用すれば、初心者でも短期間でプロンプトエンジニアリングのスキルを習得できます。
未来や応用に関する用語
1. 強化学習（RLHF: 人間のフィードバックを活用した強化学習）
定義:
AIの学習プロセスで、人間からのフィードバックを活用してモデルの応答を改善する手法。
具体例:
- GPT-4の開発では、ユーザーが「適切」「不適切」と判断した応答データを使い、モデルがより良い回答を生成するように調整されています。
ポイント:
RLHFは、AIモデルの応答をユーザーの期待により近づけるための重要な技術です。
2. 自律型AIエージェント
定義:
ユーザーからの指示なしに、自律的にタスクを実行するAIシステム。目標を設定すると、それを達成するためのプロセスを自ら計画します。
具体例:
- マーケティングエージェント: 顧客データを分析し、最適な広告キャンペーンを自動で設計・実行。
- 研究エージェント: 指定されたテーマに基づいて、情報収集とレポート作成を自律的に行う。
ポイント:
自律型AIは、将来的にプロンプトエンジニアリングを補完する形で進化が期待されています。
3. マルチモーダルAI
定義:
テキスト、画像、音声、動画など、複数のモダリティを統合して処理・生成するAIのこと。
具体例:
- ChatGPTのようなテキスト生成機能に加え、DALL-Eの画像生成機能を統合して、「指定されたテーマに基づく文章とイラスト」を同時に作成する。
- 視覚的データと音声データを組み合わせ、動画を生成するシステム。
ポイント:
マルチモーダルAIの進化により、AIの応用範囲はさらに広がる見込みです。
4. アウトプット多様化
定義:
AIが生成する出力の種類やスタイルを多様化する技術や方法論。ユーザーの要件に応じて柔軟に対応できます。
具体例:
- 1つのプロンプトから、形式や文体が異なる複数の回答を生成する（例: フォーマル、カジュアル、学術的など）。
- 商品説明を異なるターゲット層向けにカスタマイズして生成。
ポイント:
プロンプトエンジニアリングでアウトプットの多様化を指定することで、AIの活用価値が高まります。
5. 応答速度
定義:
AIがプロンプトに対して応答を生成するまでの時間。モデルの性能やサーバーの負荷、プロンプトの複雑さに依存します。
具体例:
- 単純な質問（「AIとは何ですか？」）には1〜2秒で応答。
- 長文や複雑な計算を含む質問では10秒以上かかることも。
ポイント:
応答速度を考慮したプロンプト設計は、リアルタイムアプリケーションで特に重要です。
6. AGI（汎用人工知能）
定義:
特定のタスクだけでなく、幅広い分野で人間並みの知能を発揮するAIシステム。現在の生成系AI（例: GPT-4）はAGIではなく、特定分野に特化した「狭いAI」です。
具体例:
- まだ実現されていないが、将来的にAGIは科学研究から家事の手伝いまで、多岐にわたるタスクをこなせると期待されています。
ポイント:
AGIの開発は、倫理や安全性の観点から慎重なアプローチが求められます。
7. AI倫理
定義:
AI技術の利用が社会や個人に与える影響を考慮し、倫理的に適切な使用を目指す分野。
具体例:
- 偏見や差別を助長しない応答を生成する。
- プライバシー保護の観点から、個人情報を含むデータを使用しない。
ポイント:
プロンプトエンジニアリングでも、AIが不適切な出力を生成しないよう倫理的配慮が求められます。
8. ドメイン特化型モデル
定義:
特定の分野やタスクに特化してトレーニングされたAIモデル。汎用モデルよりも特定分野で高い精度を発揮します。
具体例:
- 医療分野: 患者の症状を解析し、診断を支援するAI。
- 法律分野: 法律文書を解析し、適切な助言を提供するAI。
ポイント:
特定の分野でのプロンプトエンジニアリングには、ドメイン特化型モデルの活用が有効です。
9. ファントムプロンプト
定義:
ユーザーには見えない形でAIモデルに提供されるプロンプト。システムの挙動を制御するために使用されます。
具体例:
- ユーザーが「天気を教えて」と尋ねた場合、システム内部で「東京の今日の天気を教えて」というファントムプロンプトが生成される。
ポイント:
ファントムプロンプトは、よりスムーズで直感的なユーザー体験を実現します。
10. AIの自己改善
定義:
AIが自ら学習し、応答精度やタスク遂行能力を向上させる能力。特に強化学習や継続学習（Continual Learning）によって実現されます。
具体例:
- ユーザーのフィードバックを取り入れ、次回以降の応答を改善。
- 新しいデータセットで再学習し、最新情報に基づいた回答を提供。
ポイント:
自己改善型AIは、長期的な応用可能性を高めます。
コメント