コース: 生成AIと従来型AIの違い
今すぐ登録して、25,300件以上登録されている、業界エキスパート指導のコースを受講しましょう。
プロンプトエンジニアリングとは
新しい予測 AI システムにおける 課題として、 実際には、生成 AI システムと 重複する部分があるというのが 挙げられます。 例えば、あなたがある 大手クレジットカード会社の プロダクトマネージャーで、 会社では不正取引を特定するため、 すでに予測 AI システムを 開発していたとします。 これはつまり、ラベル付きデータを使って トレーニングされた 人工ニューラルネットワークが あるということです。 このシステムは、教師あり学習を使用し、 ラベルをつけた不正取引データで トレーニングされており、 それぞれの取引を不正か安全かに 分類します。 現在、あなたの会社は、 生成 AI を使って同じ処理をしたいと 考えています。 そのためには、基盤モデルを 作る必要があります。 これはテラバイト単位の 非構造化データを分析するため、 教師なし学習を行います。 数十億件ものクレジットカード取引に加え、 クレジットスコアや金融履歴、 給与情報、居住地域の住宅価格の安定性 といった様々な情報を 分析してくれるでしょう。 ある意味、こうした金融データの パターンを分析できるよう、 モデルにあらかじめ学習させるのです。 ChatGPT は膨大な量のテキストを 事前学習しているからこそ、 数十億もの異なるパターンを 前もって把握しています。 基礎モデルは、予測型の 人工ニューラルネットワークより はるかに柔軟性が高いですが、 そのために大量のデータを必要とします。 加えて、実用的な基盤モデルを 作成するには、 より高い処理能力も必要です。 実用的な基盤モデルができたら、 プロンプトエンジニアリングという プロセスに移ります。 モデルから必要な結果を得るために、 専用プロンプトを作成するステップです。 今回の例であれば、 これは不正取引ですか、のような 簡単なものかもしれません。 基盤モデルにタスクを再度割り当て、 予測モデルと同じ方法で 取引を分類することもできます。 予測モデルに使うのと同じ ラベル付きデータを少し使って、 再度不正検知のタスクを 割り当てても良いでしょう。 実際、これは基盤モデルを作成する 大きなメリットでもありますが、 不正取引の却下、 融資の提案、 クレジットカードに関する オファーの提供など、 様々な業務に カスタマイズすることができます。…
コースをダウンロードして学習しましょう。
ラーニングコースをダウンロードしてオフラインで視聴しましょう。ダウンロードしたコースはLinkedInラーニングのモバイルアプリ (iOSまたはAndroid) で視聴できます。