生成 AI の大規模言語モデル (LLM) プロンプトパターンのヒント

ChatGPT のような生成 AI モデル (Gen AI) は、インターネット上のさまざまなテキストを使用してトレーニングされます。しかし、人工知能 (AI) は、トレーニング中に使用される特定のドキュメントやソースに関する特定の情報を持っていません。モデルは、細部に焦点を当てるのではなく、一般的に使えるようにトレーニングされるので、クリエイティブな答えを導き出したり、複雑な会話に参加したり、ユーモアを表現したりすることができます。しかし、AI には理解力や信念といったものがありません。その応答は、トレーニングデータから学習したパターンに基づいて生成されます。

ChatGPT やその他の大規模言語モデル (LLM) のような AI システムは、人類の集合的な知識を単一のインタフェースに反映させたものです。それらはインターネットの既存のコンテンツを再編成しますが、「考える」ことはなく、人間的な意味での「知性」もなく、一般的な問題解決者としての「一般的な知性」もなく、発見したものを「意識」する訳でもありません。

生成 AI の仕組み：トークンとは

これらのモデルは、個々の文字から単語全体に至る言語の個別の単位である、 トークンの概念に基づいて運用されます。これらのモデルは、複雑な数学的計算を使用して一度に特定数のトークンを処理し、シーケンスの中で最も可能性の高い次のトークンを予測します。

生成的事前訓練変換器 (GPT) のようなモデルは、テキストを一度に 1 トークンずつ生成します。各トークンを生成した後、モデルはそれまでに生成したシーケンス全体をレビューし、再度処理して次のトークンを生成します。この再帰的なプロセスは、最後のトークンが生成されたテキストを完成させるまで続きます。

つまり、AI の応答の品質は、ユーザーのプロンプトや指示によって決まります。言い換えれば、AI との接し方や指導の仕方が、AI が生み出す答えの質に大きく影響します。

プロンプト・エンジニアリングとは

プロンプトエンジニアリングとは、AI モデルが望ましいアウトプットを達成できるよう、効果的なプロンプトや指示を設計し、作成することを指します。GPT-3 のような言語モデルのコンテキストでは、プロンプトエンジニアリングには、モデルが正確で、関連性があり、文脈的に適切な応答を生成するように導く入力テキストを策定することが含まれます。

GPT-3 のような言語モデルには真の理解や常識的な推論を持ち合わせていないため、効果的なプロンプトエンジニアリングが重要になります。それらは、トレーニングデータから学習したパターンに基づいて応答を生成します。適切に設計されたプロンプトを作成すると、より正確で意味のある出力を生成するようにモデルを導くことができます。一方、適切に作成されていないプロンプトを使うと、不正確で、意味のない結果が生じる可能性があります。

プロンプト設計とは

プロンプト設計とは、具体的で明確に定義された目的を達成することを目的として、ChatGPT のような LLM に対する適切な指示を系統的に作成することです。このプラクティスは、芸術的要素と科学的要素を組み合わせたもので、以下が含まれます。

• LLM についての理解：LLM は、同じプロンプトに対してそれぞれ異なる応答をします。さらに、特定の言語モデルには、その応答において特定の解釈をトリガーする特定のキーワードや cue (手がかり) がある場合があります。
• 専門知識： プロンプトを作成する際には、関連分野に精通していることが重要です。たとえば、医療診断を推測するためのプロンプトを作成するには、医療知識が必要です。
• 反復プロセスと品質評価: 完全なプロンプトを作成するには、多くの場合、試行と改良を重ねる必要があります。主観的な判断を超えて、生成されたアウトプットの品質を評価する方法を持つことが不可欠です。

プロンプトのサイズ制限

LLM のサイズ制約の重要性を認識することは極めて重要です。このサイズの制約は提供できる情報の量と性質に直接影響するからです。言語モデルは、無限の量のデータを一度に処理するようには設計されていません。むしろ、プロンプトを作成し、入力できるサイズには固有の制限があります。この制限は、プロンプトを効果的に作成し、使用する方法に大きな影響を与えます。

LLM には、プロンプトとそれに続く応答の両方を含むトークンの最大容量があります。そのため、プロンプトが長くなると、生成される応答の長さが短くなってしまう場合があります。簡潔でありながら必要な情報を伝えるプロンプトを作成することが重要です。

実際のシナリオでは、エディターとしての役割を担い、タスクに必要な詳細を注意深く選択する必要があります。このプロセスは、特定の文字数やページ数の制限内でレポートや記事を書く場合のアプローチ方法と同様じです。この場合、単に無作為の事実を並べることはできません。反対に、主題に直接関連する情報を注意深く選び、整理する必要があります。

プロンプト設計は人のスキルであり、正確で適切に構成されたコンテンツを確保するのに役立ちます。ツールはライターの生産性を高めるのに役立ちますが、ライターの代わりとなることはできません。生成 AI は、知識と経験が豊富なライターや研究者および編集者の支援を必要とします。優れたプロンプトデザイナーになるには、優れたコンテンツライターになるために必要なスキルと同じものが必要です。

プロンプト設計とプロンプトエンジニアリングのための技術

どの状況で、どのプロンプトを使用するかは、ユーザーが決めることです。たとえば、長い記事を書く場合に、思考連鎖プロンプトは一度に 1 つのセクションずつ情報を生成するのに便利です。以下は、プロンプト設計におけるすべての戦略を網羅したリストではありませんが、現在使用されている主なパターンの一部です。

ペルソナパターン

ペルソナパターン は、AI に特定の立場から動作するよう指示する手法で、職業上の役割を採用したり、架空の人物を体現したりします。このアプローチにより、モデルは、その特定のペルソナに関連付けられた責任に沿ったアウトプットを生成できるようになります。たとえば、コードを評価する際にサイバーセキュリティの専門家の役割を担うように AI に指示することができます。この戦略は、ガイダンスを求めているものの、希望するアウトプットについての正確な仕様がない場合にとくに役立ちます。以下に例を示します。

このシナリオでは、AI がペロポネソス戦争の原因を中心に、歴史家の視点からの包括的な検証内容を提供することが予想されます。プロンプトで使用されている、高度でアカデミックな文体や語彙に注目してください。応答はプロンプトのスタイルに一致します。つまり、プロンプトでの記述スタイルによって、生成されるコンテンツのスタイルが決まります。これはプロンプトのすべてのアプローチに当てはまるので、公開するコンテキストに合わせてプロンプトのスタイルを調整してください。

マーケティング担当者の観点から見ると、ペルソナパターンを使用すると顧客の心理に入り込むことができます。機密情報を公開することなく、AI にターゲット層のペルソナを担うように依頼し、質問をすることができます。AI は、理論上、顧客の視点から応答します。もちろん、これは確実な方法ということではなく、優れたユーザー調査やマーケティングデータに代わるものでもありません。ただし、さまざまな形式のコピーを作成したり、アイデアを生み出したりするのに役立ちます。

新しい情報のパターン

AI には限界があり、非常に重要な点として、トレーニングデータが終了した時点以降の情報を認識することができません。AI は、最近のイベントを含めたり、トレーニング後に起きた更新を考慮に入れることができません。ただし、プロンプトを効果的に構成することで、新しい情報をモデルの知識に組み込むことができます。たとえば、次の対話について考えてみましょう。

プロンプトにもう少しコンテキストを加えることで、より説得力のある説明を生成できます。

改善される質問のパターン

AI には、クエリの質の改善を支援する機能があります。たとえば、ユーザーが質問をすると、AI は、より正確な結果を引き出す可能性が高い、正確に記述された質問を提案することができます。

この能力については、改善される質問のパターンで説明できます。特定の分野に関する専門知識が不足している場合や、質問の最適な表現方法がわからない場合にはとくに、この質問パターンが役立ちます。次のサンプルのプロンプトについて考えてみましょう。

このシナリオでは、AI が統計分析の側面を考慮する質問に絞り込むことで、一般的なデータサイエンスのクエリを強化することが予想されます。その後、AI はユーザーが絞り込まれた質問で続行したいかどうかを問い合わせます。

認識的検証パターン

認知検証パターンでは、複雑な質問を、より小さく扱いやすい小質問に分解する方法を使用します。次に、これらの小さな構成要素に対する回答は、主な質問に対する包括的な応答を生成するために統合されます。このアプローチは、最初の質問が漠然とし過ぎている場合や、詳細な回答を提供するためにさらに明確にする必要がある場合に、とくに有効です。以下に例を示します。

このシナリオでは、AI は検索推論フレームワークに関する複雑な質問を 3 つの小質問に分解します。それぞれの小質問に対する回答を収集したら、それらを統合して包括的で正確な回答を生成します。

このパターンでは、複数のクエリを生成し、より正確な最終の応答を導き出します。このプロセスでは、情報の検証と統合の両方が行われ、確実で詳細なアウトプットを導き出します。これは、教育戦略における学習と指導の「ホールパート (Whole-Part-Whole)」メソッドに類似しています。

思考連鎖 (chain-of-thought) プロンプト

「Chain-of-Thought Prompting Elicits Reasoning in Large Language Models」という最近の研究論文で、Jason Wei と彼のチームは LLM 内の推論能力を模倣することを試みました。直接的なプロンプトを使用する従来の方法とは異なり、チームは、思考連鎖と呼ばれるものを形成する相互に接続された一連のプロンプトを使用します。

たとえば、人工知能が雇用市場に与える潜在的な影響を調べたいと考えているユーザーについて考えてみましょう。

思考連鎖型プロンプトのアプローチでは、言語モデルとの「会話」を確立するために、一連のプロンプトを使用します。このアプローチは、モデルをより正確で文脈に合った応答へと導き、アイデアと推論の進行を促します。また、プロンプトが理想的な回答と同じトーン、スタイル、姿勢、構成で書かれている限り、その特定のライティングスタイルを模倣するように AI を訓練することもできます。

思考連鎖は、記事の作成にとくに効果的です。記事やエッセイ、または議論の概要がすでに決まっている場合は、その流れに沿ってプロンプトの連鎖を構成することができます。AI が与えることのできる文字数には限りがあるため、AI に記事全体を一度に生成させようとするのではなく、思考の連鎖を利用することで、記事の一部分の情報を一度にプロンプトすることができます。これにより、情報をより詳細に制御し、より正確で詳細な回答を得ることができます。ユーザーが構造を制御し、AI がユーザーのガイダンスに従って、一度に 1 つのプロンプトで 、全体に対する部分的な情報を生成します。

リサーチアシスタント・パターン

このプロンプトでは、調査プロジェクトのソースを見つけるための支援をリクエストします。AI は関連する 3 つのリサーチ記事を推奨します。記事のタイトル、著者、発行の詳細に加えて、コンテンツの簡単な説明が表示されます。また、AI は相互参照し、情報源の信頼性を評価することの重要性を強調します。プロンプトの設計は、AI の機能を効果的に活用して、詳細な調査用の信頼できる情報源を提案することによって調査を支援します。以下は例になります。

重要な点として、このプロンプトは AI と LLM の主要な弱点の 1 つである誤情報を回避するのに役立ちます。AI にコンテンツではなく、情報源を要求することで、 AI はプロジェクトの調査に必要な時間を大幅に短縮できますが、ユーザーは引き続き情報源を評価した上で、そこから必要な情報を取得します。

引用ジェネレータプロンプトの強化

同様に、AI にコンテンツの作成を依頼する場合は、情報源を明示し、参照セクションを提供するように要求できます。優先する引用の形式を宣言すると、インターフェースにその形式が返されます。たとえば、この短縮された形式の例について考えてみましょう。

通常通り、編集者として情報の正確さをチェックする必要があります。AI が提供したそれぞれの情報源を調べ、情報源の議論についての AI の主張が正しいことを確認します。さらに、参照セクション自体が APA の正しいフォーマットであることを確認します。

調査分野にもよりますが、参照セクションで著名人の名前をすぐに特定できる場合があり、これは、正確性を確認するための簡単な方法になります。たとえば、Alain Aspect 氏は、数十年にわたる量子もつれの研究により、2022 年にノーベル物理学賞を受賞しました。そのため、量子もつれに関するプロンプトで彼の名前が参照リストのトップに表示されるなら、それは AI が使用した情報源が信頼できることを示す有望なサインとなります。

この種のプロンプトは、コンテンツ作成プロセスにおいて、特定の分野に精通した人のライター、編集者、研究者が極めて重要である理由を示すもう 1 つの例となります。AI はプロセスをスピードアップすることはできますが、人のライターの代わりになることはできません。

AI に情報源を引用するよう求める質問は、思考連鎖プロンプトと組み合わせて使用する場合にとくに効果的です。この 2 つを組み合わせるには、上記のように、思考連鎖プロンプトの戦略に従ってください。チェーン内の各プロンプトを送信する前に、必要な形式でソースを示すように AI に依頼します。連鎖の個々のプロンプトを提出する前に、AIに指定する形式で情報源を引用するように依頼します。その後に、リクエストを送信します。

Few-shot パターン

Few-shot プロンプトは、AI に特定パターンに準拠したり、タスクを実行したりするようにトレーニングするために使用される強力な手法です。基本的な考え方には、実際の質問を投げかける前に、モデルにいくつかの例を示すことが含まれます。このプラクティスは、望ましい行動を定義し、モデルの後の応答を導くのに役立ちます。

新しいハイテク機器についての簡潔で魅力的なマーケティング・メッセージを作成する状況を想像してみてください。

Few-shot 学習の注目すべき点は、これが詳細な手順の指示ではなく、デモンストレーションに依存していることです。この特徴により、様々なアプリケーションへの適応が可能になります。この技術は、基本的な I/O マッチング以上のものを提供します。これにより、モデルは特定の目標を達成するための中間ステップの処理方法を学習できます。この方法は、マーケティング・ライターが、見出し、短い本文コピー、件名、ソーシャルメディア広告、CTA (calls-to-action) などの短い形式のコピーを反復して作成するのに最適です。

これらのとくに役立つプロンプト・パターンを紹介したところで、お好みの LLM でこれらを実際に試してみてください。紹介した例では、ChatGPT を使用しました。

人工知能はさまざまな分野や業界で新たな発見や体験の原動力となっています。詳細をお知りになりたい場合は、Red Hat のプラットフォームを使用し、オープンソース・コミュニティのスピード、信頼性、透明性によって強化された AI モデルとアプリケーションを構築、デプロイ、監視、活用する方法をご確認ください。

Red Hat の AI について学ぶ