利益:
- 次の単語を予測することで大規模な言語モデルがどのように機能するのか、またこれが迅速な文章作成に何を意味するのかを説明する
- 彼は、Prompt が出力品質を大きく左右する理由を、自身の作品の例を使って説明します。
- モデルの長所と短所を区別することで、どのタスクに安全に使用するかを決定できます。
人工知能とプロンプトの概要: モデルがどのように「考える」か
プロンプトの書き方を真に学ぶ最善の方法は、まずツールがどのように機能するかを理解することです。この単元では、大規模言語モデル (略して LLM、つまりテキストを生成する人工知能システム) の基本ロジック、それが日常業務で非常に役立つ理由、および限界がある場所を見ていきます。この基礎が整っていない状態でプロンプトを作成すると、多くの場合、「なぜ素晴らしい結果が得られる場合もあれば、ひどい結果が生じる場合もあるのか?」という疑問が生じます。質問はあなただけに残してください。このユニットが完成すれば、この不確実性はほとんど解消されます。
大規模な言語モデルは実際に何をするのでしょうか?
最も単純な定義では、大きな言語モデルは、指定されたテキストの後に続く可能性が最も高い単語を予測するシステムです。数十億の文を調べることにより、モデルは「どの単語がどの単語の後に来るか」のパターンを学習しました。文を始めると、モデルはそれまでに書かれた内容を調べて、最も可能性の高い続きを生成し、生成された単語を入力に追加して次の単語を予測します。このサイクルは、応答が完了するまで続きます。
ここで使用されているトークンという用語を明確にしましょう。トークンとは、モデルがテキストを分割する最小単位です。おおよその単語または単語の一部のサイズです。モデルは単語ごとにではなく、トークンごとに進行します。あなたにとっての実際的な結果は、モデルはあなたの意図を「理解する」人間ではなく、あなたが与えたテキストに最も適切な続きを統計的に選択する非常に強力な予測マシンであるということです。
この定義の最も重要な意味は、出力の方向を最も強力に決定するのは入力として与えるテキストであるということです。それで、あなたのプロンプト。このモデルは、(特に明記されていない限り) データベースから既成の回答を引き出したり、インターネット上でライブ検索を実行したり、ページをコピーしたりしません。指定したコンテキストに最も適合するテキストのみを生成します。良好なインプットは、良好なアウトプットを生み出すための最も決定的な条件です。
なぜ「同じモデルでも結果が異なる」のでしょうか?
また、このモデルは、毎回最も可能性の高い単語を選択する際に、ランダム性のわずかなマージンを使用します。したがって、同じプロンプトを 2 回尋ねても、まったく同じ文が返されない可能性があります。これはバグではなく、設計の一部です。あなたの仕事は、結果を偶然に任せないようにするために十分に明確な枠組みを描くことです。フレームワークが明確であればあるほど、2 つの異なる実験の結果がより近く、より有用になります。
ステップバイステップ: リクエストはモデル内でどのように進行するのでしょうか?
- 入力を読み取ります。あなたが書くすべての言葉は、予測を導く手がかりになります。 「上級弁護士のように」と言った場合、モデルではテキストがその口調に近づく可能性が高くなります。
- コンテキストを重み付けします。提供する背景、制約、例により、推定値が絞り込まれます。コンテキストが空の場合、モデルは独自の仮定を使用して空白を埋めます。
- それは一語一語を生み出します。生成される各トークンは、次のトークンの入力になります。したがって、最初に与えた指示は、答え全体に引き継がれます。
- 彼は立ち止まる。タスクが完了するか、指定した長さに達すると、生産が中断されます。
3 つのミニケース: すぐに数字が違う
ケース 1 — マーケティング専門家、電子メールの件名。マーケティングの専門家が「キャンペーンのトピックを提案してください」と言うと、一般的なタイトルが 5 つありましたが、どれも気に入らなかったそうです。彼は 20 分をかけて手作業で修正しました。翌日、「ターゲットは30～45歳の中小企業経営者、製品はクラウド会計ソフト、6ユニット、各最大45文字、興味をそそられるが控えめだ」と述べた際には、6つの見出しのうち4つをそのまま使用した。継続時間は 20 分から 4 分に短縮されました。
ケース 2 — 人事、広告文。人事スペシャリストは、「ソフトウェア開発者の仕事を書いてください」というプロンプトを含む定型文を受け取りました。企業の実際の文言（3 文の文化説明）、4 つの必須資格、および「給与範囲を明確に書く」という制限をプロンプトに追加したところ、テキストが期待を明確に示したため、次の広告では無資格応募者の割合が顕著に減少しました。
ケース 3 — 会計、レポートの概要。ある会計幹部が12ページの経費報告書を「要約した」と述べたところ、モデルでは重要な項目が省略されていた。 「このレポートから、上位 5 件の費用項目が前月との変化率で集計されています」と彼が言うと、まさに経営会議に提出する構造がわかりました。内容は同じで、説明書が異なりました。
弱いプロンプト / 強いプロンプト
同じジョブですが、2 つの異なる指示があります。
弱いプロンプト:
このテキストを要約します。[テキスト]
強力なプロンプト:
取締役会に提出するために、以下の会議メモを要約してください。 - アイテムは最大 5 つまでです。 - 各項目には決定またはアクションが含まれている必要があります。チャットの詳細をスキップします。・責任者が判明している行為については、括弧内に氏名を記入してください。 - 平易でフォーマルな言葉を使用します。テキスト: [テキスト]
2 番目のプロンプトは、何を、誰に対して、どの形式で生成するか、何をスキップするかをモデルに指示します。モデルは「思考」を行うのではなく、正しい継続を生成します。その継続の枠組みを描くのはあなたです。
4 つのコピー可能なテンプレート
この単元のロジックをすぐに実践するための 4 つのシンプルなスターター テンプレート。括弧内に独自の情報を入力します。
1) 要請を強化するための枠組み:
このタスクを実行してほしい: [タスク] 対象者: [購入者/視聴者] どのような形式: [長さ、構成] スキップするもの: [やりたくないもの]
2) モデルの境界をチェックする (検証反射):
以下の回答に事実に基づく主張 (番号、日付、名前、出典) がある場合は、それぞれを別のリストとして抽出し、「検証が必要」としてマークしてください。答え: [モデルの出力]
3) 同じタスクを 2 つのレベルで試します。
次のトピックを 2 回説明します。A) まったく知らない人に、日常の言葉で。B) 専門家に、専門用語で。トピック: [トピック]
4) モデルに不確実性を認識させる:
リクエストを行う前に、不足している点や不明瞭な点について 3 つの質問をしてください。その後、私の回答に従って作成します。リクエスト: [リクエスト]
モデルの長所と短所
件名
モデルは強いよ
モデルが弱い・注意
言語事情
書く、要約する、翻訳する、口調を変える
非常に専門的/専門用語の間違い
構造
テキストを表、リスト、スケッチに変換する
長文の一貫性を保つ
アイデア
ブレーンストーミング、代替案の生成
「正しい」ことを保証する
ケース
一般情報、定義、説明
現在/正確なデータ、数値、日付、ソース
推論
ステップごとにガイドされれば良い
黙って複雑な計算を間違えないでください
ヒント: モデルを「何でも知っている専門家」としてではなく、「非常に速く書き、たくさん読むが、発言はすべて検証する必要があるアシスタント」として見てください。このビューは、あなたの期待とコントロールの習慣の両方を正しく調整します。
注意: モデルは非常に自信に満ちた言語で情報を記述することがありますが、これは情報が正しいことを意味するものではありません。事実の詳細、特に番号、名前、日付、法令、出典を常に独立して検証してください。この主題については、単元 11 で詳しく説明します。
よくある間違い
- モデルを人間と間違える。 「どうせわかるだろう」と中途半端な指示をする。モデルはユーザーの意図を読み取りません。入力した内容のみが処理されます。
- 一発で諦める。初期出力が悪い場合は、ツールのせいにしてください。ただし、ほとんどの場合、問題は説明書にあり、少し修正するだけで結果が変わる可能性があります。
- 事実を検証せずに使用する。モデルによって生成された統計やソースを何の疑問もなく受け入れることは、最も危険な習慣です。
- 機密データを何も考えずに入力してしまう。ツールの仕組みを知らずに機密情報を貼り付ける。プライバシーの章で説明するように、これにはルールがあります。
- ランダム性を間違いと誤解する。 2 つの異なる結果を「車両が壊れている」と解釈します。ただし、明瞭度を高めると、結果は収束します。
要約すると
- 大きな言語モデルは、指定されたテキスト内で次に出現する可能性が最も高い単語 (トークン) を予測することによって機能します。彼は既成の答えを選びません。
- 出力の方向を決定する最も強力な要素は、入力として与えるプロンプトです。
- モデル言語、構造、概念化に強い。正確な事実、最新のデータ、複雑な計算に注意を払っています。
- ランダム性が低いため、同じプロンプトでも異なる結果が得られる場合があります。明確さが増すにつれて、結果の一貫性が高まります。
- モデルは「言うことをすべて忠実に実行する専門家」ではなく、「速いが検証が必要なアシスタント」です。
アプリケーションタスク
定期的に行う日常の仕事 (電子メール、要約、リストなど) から執筆タスクを選択します。まず、最も単純な 1 文のバージョンを作成し、AI ツールに与え、出力を保存します。次に同じタスクに進みます。 「誰に向けて、どのような形式で、どのくらいの長さで、何を省略するか」という質問に答えを加えて、もう一度質問してください。 2 つの出力を並べて配置し、どちらの加算が結果を最も改善するかを 1 つの文で書き留めます。
チェックリスト
- [ ] モデルが「次の単語を予測」していて、私の意図を読んでいないことに気づきました。
- [ ] 出力の品質はプロンプトの品質に大きく依存することに気づきました。
- [ ] モデルが強いタスクのタイプと弱いタスクのタイプを区別できます。
- [ ] 事実の詳細 (番号、日付、名前、情報源) を確認する必要があることを理解しています。
- [ ] 同じプロンプトで異なる結果が得られる理由を説明できます。