プロンプト・エンジニアリングとは| IBM

プロンプト・エンジニアリングとは

生成AI（人工知能）システムは、提供されたプロンプトの品質に基づいて特定の出力を生成するように設計されています。プロンプト・エンジニアリングとは、生成AIシステムが特定の高品質の出力を作成できるようにするために、入力を作成、洗練、最適化するプロセスのことです。

基本的なルールは、良いプロンプトは良い結果につながる、ということです。生成AIは、さまざまなプロンプト・エンジニアリング手法を繰り返し改良することで、入力される多様なデータから効果的に学習し、バイアスや混乱を最小限に抑え、より正確な応答を生成できるように適応します。

プロンプト・エンジニアたちは、生成AIモデルが言語だけでなく、クエリの背後にあるニュアンスや意図も理解できるようにするクエリを作成する上で極めて重要な役割を果たします。質の高い、徹底的で知識豊富なプロンプトは、画像、コード、データ要約、テキストなど、AIが生成するコンテンツの質に影響を与えます。

生のクエリとAIが生成した意味のある応答との間のギャップを埋めるには、プロンプトを作成するための慎重なアプローチが必要です。効果的なプロンプトを微調整することでエンジニアは出力の品質と関連性を大幅に最適化し、特定の問題と一般的な問題の両方を解決できます。このプロセスにより、手動レビューや生成後の編集の必要性が減り、最終的には望ましい結果を達成するための時間と労力が節約されます。

データ・リーダー向けのガイド

アプリケーション、分析、生成AIのために適切なデータベースを活用する方法について説明します。

関連コンテンツ

Prestoに関する電子ブックに登録する

プロンプト・エンジニアリングの仕組み

生成AIモデルは Transformerアーキテクチャーに基づいて構築されているため、言語の複雑さを把握し、ニューラル・ネットワークを介して膨大な量のデータを処理できます。AIプロンプト・エンジニアリングは、人工知能が有意義かつ首尾一貫した反応をするようモデルの出力を成形するのに役立ちます。いくつかのプロンプト技術によって、トークン化、モデル・パラメーターのチューニング、トップ-kサンプリングなど、AIモデルが有用な応答を生成できるようにします。

生成AIを支える基盤モデルの可能性を最大限に引き出すには迅速なエンジニアリングが不可欠です。基盤モデルは、Transformerアーキテクチャー上に構築された大規模言語モデル（LLM）であり、生成AIシステムに必要なすべての情報が詰め込まれています。

生成AIモデルは自然言語処理（NLP）に基づいて動作し、自然言語インプットを使用して複雑な成果を生成します。基盤となるデータサイエンスの準備、Transformerアーキテクチャー、機械学習アルゴリズムにより、これらのモデルは言語を理解し、大量のデータセットを使用してテキストまたは画像の出力を作成できます。

DALL-EやMidjourneyのようなテキストから画像への生成AIは、テキストの説明から画像を生成するための優れたモデルであるStable DiffusionとConcert LLMを使用します。効果的なプロンプト・エンジニアリングは、技術的な知識と自然言語、語彙、文脈の深い理解を組み合わせることで、少ない修正で最適なアウトプットを生み出します。

Llama 2を使用してシステムと指示プロンプトを開発する

Llama 2を使ったプロンプト・エンジニアリングのベスト・プラクティス

プロンプト・エンジニアリングのメリット

プロンプト・エンジニアリングの主なメリットは、生成後の労力を最小限に抑えて最適化された出力を達成できることです。生成AIが出力したものの品質は不安定な可能性があるため、多くの場合、熟練の専門家によるレビューと修正が必要になります。プロンプト・エンジニアたちは、正確なプロンプトを作成することで、AIが生成した出力が目的の目標や基準と一致していることを確認し、大規模な後処理の必要性を軽減します。

市場にあるさまざまな生成AIモデルから最良の結果を得る方法を理解することも、プロンプト・エンジニアの役割です。例えば、Open AIのGPT-3またはGPT-4のプロンプト作成は、Google Bardのプロンプト作成とは異なります。BardはGoogle検索を通じて情報にアクセスできるため、より最新の情報を結果に組み込むように指示できます。ただし、テキストの取り込みと要約が主な設計機能であるためChatGPTの方が優れたツールといえます。適切に作成されたプロンプトにより、AIモデルはより関連性が高く、正確でパーソナライズされた応答を作成できるようになります。AIシステムは利用するほど進化するため、高度に設計されたプロンプトにより、AIとの長期的な対話はより効率的で満足のいくものになります。

オープンソース環境で働く賢明なプロンプト・エンジニアは、生成AIの初期設計の範囲では組み込まれていないことを実行させ、驚くべき現実世界の結果を生み出しています。例えば、研究者は対訳文のトレーニングを受けずに言語を翻訳できる新しいAIシステムを開発しました。エンジニアたちは生成AIをゲームに埋め込んで人間のプレイヤーを応答性の高いストーリーテリングに参加させたり、ブラックホールの天文現象に関する正確かつ新しいインサイトを得たりしています。今後、生成AIシステムの範囲と複雑さが増大するにつれ、プロンプト・エンジニアリングはさらに重要になっていきます。

プロンプト・エンジニアに必要なスキル

大手テクノロジー企業は、新しいクリエイティブなコンテンツを開発し、複雑な質問に答え、機械翻訳やNLPタスクを改善するために即戦力となるエンジニアを求めています。プロンプト・エンジニアに必要なのは、大規模言語モデルに精通し、しっかりとしたコミュニケーションが取れ、技術的概念を説明する能力を持ち、プログラミングの専門知識（特にPython）、データ構造とアルゴリズムを深く理解していることです。さらに創造性と新しいテクノロジーのメリットとリスクに関する現実的な評価ができることも重要です。

モデルは複数の言語でトレーニングを行いますが、生成AIのトレーニングでは主に英語を使します。プロンプト内のすべての単語が結果に影響を与える可能性があるため、プロンプト・エンジニアは語彙、ニュアンス、フレーズ、文脈、言語学を深く理解する必要があります。

プロンプト・エンジニアはAIモデルに必要なコンテキスト、指示、コンテンツ、データを効果的に伝える方法も知っている必要があります。

また、コードを生成することが目的の場合、プロンプト・エンジニアはコーディング原則とプログラミング言語を理解しておく必要がありますし、画像ジェネレーターを扱う人は、美術史、写真、映画の用語を知る必要があります。言語コンテキストを生成する人は、さまざまな物語のスタイルや文学理論を知る必要があるかもしれません。

さらにプロンプト・エンジニアは幅広いコミュニケーションスキルに加え、意思決定の指針となる生成AIツールと深層学習フレームワークを理解する必要があります。プロンプト・エンジニアは、次の高度なテクニックを使用して、モデルの理解と出力品質を向上させることができます。

zero-shotプロンプティングは、明確なトレーニングがされていないタスクを機械学習モデルに提供します。そうすることで先行例に依存せずに、関連出力を生成するモデルの能力を試します。
few-shotプロンプティングまたはコンテキスト内学習は、モデルにいくつかのサンプル出力（ショット）が提供され、要求者が何を実行したいか学習するのに役立ちます。学習モデルに利用できるコンテキストがある場合、その学習モデルは目的の出力をよりよく理解することができます。
思考連鎖プロンプト（CoT）は、モデルが従うべき推論を段階的に提供する高度なテクニックです。複雑なタスクを中間ステップ、つまり「推論の連鎖」に分割することで、モデルが言語をよりよく理解し、より正確な出力を作成するのに役立ちます。

ユースケース

生成AIがより利用しやすくなるにつれて、組織はプロンプト・エンジニアリングを使用して現実世界の問題を解決するための新しい革新的な方法を探し求めています。

チャットボット

プロンプト・エンジニアリングは、AIチャットボットがリアルタイムの会話で状況に応じて一貫した応答を生成できるようにする強力なツールです。チャットボットの開発者は、効果的なプロンプトを作成することで、AIがユーザーのクエリを理解し、意味のある回答を提供することができます。

ヘルスケア

ヘルスケア業界では、プロンプト・エンジニアがAIシステムに医療データを要約し、推奨治療法を作成するよう指示します。効果的なプロンプトは、AIモデルが患者データを処理し、正確なインサイトと推奨事項を提供するのに役立ちます。

ソフトウェア開発

プロンプト・エンジニアリングは、AIモデルを使用してコードスニペットを生成したり、プログラミングの課題に対するソリューションを提供したりすることで、ソフトウェア開発でも役割を果たします。ソフトウェア開発でプロンプト・エンジニアリングを使用することで時間を節約でき、開発者のコーディング・タスクをサポートできます。

ソフトウェア・エンジニアリング

生成AIシステムはさまざまなプログラミング言語を使ってトレーニングされるため、プロンプト・エンジニアはコード・スニペットの生成を効率化し、複雑なタスクを簡素化できます。開発者は特定のプロンプトを作成することで、コーディングの自動化、エラーのデバッグ、手作業を削減するためのAPI統合の設計、データ・パイプラインの管理とリソース割り当ての最適化のためのAPIベースのワークフローの作成を行うことができます。

サイバーセキュリティーとコンピューターサイエンス

プロンプト・エンジニアリングは、セキュリティー・メカニズムの開発とテストに使用されます。研究者と実務家はAIを生成してサイバー攻撃をシミュレートし、より優れた防御ストラテジーを設計します。さらに、AIモデルのプロンプトを作成するとソフトウェアの脆弱性の発見に役立ちます。