プロンプト技術について

プロンプトとは生成AIに対する指示や質問のことで、様々な実践方法があります。

一部この記事で紹介していきます。

Zero-Shot Prompting(ゼロショットプロンプティング)

一切の事前例示を行わずに直接モデルに質問や指示を与えるプロンプト手法です。

利点は、簡潔でユーザが手間をかけずにモデルから回答を得られることです。特定の文脈や例が不要な一般知識問題に適しています。

課題として、複雑な推論や専門性の高いタスクでは、誤答や不十分な回答になる可能性が高くなります。

具体的な利用方法

・Q「1+1は何ですか？」

・A「1 + 1 は ２ です。」

Few-Shot Prompting(フューショットプロンプティング)

プロンプト内に少数の例(フューショット)を示すことでモデルにタスクのパターンを学習させ、回答精度を高めるプロンプト手法です。この手法はGPT-3の論文で注目されました。

利点は、追加の学習やデータ調達なしでモデルの出力を制御・調整できる点です。また、タスクに関連した文脈を設定することで、ゼロショットより高品質な回答や安定したフォーマットを得られます。

モデルをファインチューニングせずに特定領域のスタイルや専門知識を反映させたい場合、適切な例を与えるだけでモデルにそのパターンを倣わせることができます。

課題として、プロンプトが長くなりトークン数を圧迫しがちで、大量の例は与えられません。モデルが例に過度適合しすぎると、想定外の入力には対応できない恐れがあったりします。

具体的な利用方法

・Q「‘犬’ -> ‘動物’, ‘バラ’ -> ‘植物’, ‘トマト’ ->」

・A「野菜」

Role Prompting(ロールプロンプティング)

モデルに対して特定の役割や人格を与えることで、応答のスタイルや視点を制御するプロンプト手法です。

利点は、回答に一貫した視点・口調を持たせられ、目的に沿ったスタイルを維持できることです。また、モデルの知識領域を限定したロールを与えることで、その分野に特化した回答を引き出しやすくします。

課題として、役割設定が事実上の内容保証にはならないことです。専門家ロールでも不正確な情報を回答をする可能性があります。

具体的な利用方法

・Q「あなたは有能なソフトウェアエンジニアです。以下のコードに専門的なフィードバックを返してください。」

Emotion Prompting(感情プロンプティング)

プロンプトに心理学的理論(自己モニタリング・社会的認知理論・認知的感情調整理論)に基づいて設計された、感情的な表現や語調を含めることでモデルの応答品質や内容に変化を与えるプロンプト手法です。

利点は、人間らしいコミュニケーションに近づけられること、一部研究で回答の正確さが向上する効果が示されていること、ユーザーの興味を惹く応答になりUXの向上などにつながることが挙げられます。

課題として、感情表現の効果はタスクによってまちまちで、常に性能向上をするわけではないことです。過度な感情入力はモデルを混乱させる可能性もあり、回答が焦点から逸れるリスクもあります。

具体的な利用方法

・Q「あなたなら優秀なので、このタスクをきっとやり遂げられます。」

Chain-of-Thought Prompting(チェイン・オブ・ソートプロンプティング)

モデルに中間の思考過程を逐次的に出力させることで複雑な推論を可能にするプロンプト手法です。モデルの内部推論を顕在化させることで検証可能な形にし、複雑な課題に対する解答の正確性を高めることで、特に数理的推論や論理的思考を要する問題をで誤りを減らせる効果が期待できます。

利点として、モデルの推論プロセスが透明化されるため、答えに至る根拠が得られ信頼性が増します。中間ステップを踏ませることで複雑なタスクにも対処しやすくなり、精度向上にも繋がります。

課題として、全てのタスクで有効とは限らず、簡単なん質問では助長になり、創造的文章生成では逆に自由度を奪う可能性があります。

具体的な利用方法

・プロンプト中にモデルに対し思考の連鎖を記述するように指示すると、モデルは問題を分解・推論する過程(Chain of Thought)を箇条書きや文章で出力し、最後に答えを提示するようになります。

Self-Consistensy (自己一貫性)

Chain-of-Thoughtプロンプティングをさらに強化するために提案された高度な推論手法です。CoTで用いられる単一の推論に代えて、複数の多様な推論経路をサンプリングし、その中で最も一貫した答えを選ぶというアイデアに基づきます。

利点として、単一回答に頼らず多数決的アプローチを取るため偶発的な誤りを低減し正答率が向上します。CoTの弱点である「その一度の推論が外れると誤答になる」点を補完し、安定性の高い回答を得られます。

課題として、多数決で選ばれた回答が必ずしも正解とは限らず、特に難問では全ての出力が間違える可能性も残ります。

具体的な利用方法

・複数回の応答を取得する

・回答の集計と比較

・最終的な判断を下す

Tree of Thoughts(ToT、思考の木)

Chain-of-Thoughtの発展形として提案された探索的推論フレームワークで、LLMが問題解決の際に、木の枝のように分岐する複数の思考パスを探索・評価することで最適な解決策を導き出す手法です。

利点として、単一の試行経路に頼らず分岐探索するため、複雑で入り組んだ問題でも解決策を見出す可能性が高まることです。

課題として、複数の経路評価やバックトラッキングにより計算負荷が増大し、処理時間やメモリ消費が大きくなる点が挙げられます。

具体的な利用方法

・Tree of Thoughtsを使う場合、まず問題を解くための思考ステップをモデルに提案させます。CoTでは単一直線でしたが、ToTではある段階で複数の案を生成させ、それぞれについて次の思考を展開します。最終的に木の葉(末端)まで到達した解答候補の中から最適解を選びます。

Generated Knowledge Prompting(知識生成プロンプティング)

モデルに最終的な回答を求める前に関連する知識や情報を一度生成させてから回答させるプロンプト手法です。

利点として、モデルの内部知識を体系立てて活用でき、一度に答えを出すよりも正確性や一貫性が向上しやすい点が挙げられます。

課題として、一度生成された知識にモデルが引きずられ、他の可能性を無視するバイアスがかかる懸念があります。場合によっては、外部の知識ソースや人間のレビューと併用するべきです。

具体的な利用方法

・事前に知識を生成する(Knowledge Generation)

LLMに対して、対象のタスクに関連する知識を生成するプロンプトを与えます。

・知識を活用する(Prompting with Generated Knowledge)

事前に生成した知識を利用して、回答をさせる新しいプロンプトを作成します。

Reflection(リフレクション)

モデルが自分の思考プロセスを振り返り、問題解決や意思決定の質を向上させるための手法です。具体的には、過去の判断や行動を分析し、そこから得られた知見を次回の判断に生かすことを目的としています。

利点として、モデルに自己検証を促すことで、一発では間違えた回答も修正され、結果的に精度や完成度が向上する点です。間違いから学ぶ過程を組み込むため、モデルのロバスト性(環境の変化や予期せぬ質問への適応力)も高まります。

課題として、常に上手くいくとは限りません。モデルが誤った反省をする(誤認した誤りを修正しようとしてさらに悪化する)ケースもありえます。

具体的な利用方法

・Q「この回答の内容をもう一度検証し、不明瞭な点や誤りを指摘してください。」

Meta-Prompting(メタプロンプティング)

プロンプトそのものを生成・改善するためにLLMを使うテクニックです。効果的なプロンプトを設計するためにモデルに「より良いプロンプト」を考えさせたり、洗練させたりします。

利点として、人間には思い付かないような視点でプロンプトを設計してくれることがあり、結果としてより優れたモデル応答を引き出せることです。

課題として、モデルが提案したプロンプトが常に最良とは限らず、人間の評価と調整が必要なことが挙げられます。

具体的な利用方法

・プロンプト生成

モデルに対しタスクの概要を説明し、このタスクに適したプロンプトを作成するように依頼します。

・プロンプトの改善

人間が初稿のプロンプトを書き、それをモデルに渡して、そのプロンプトをもっと明確で効果的にする方法を尋ねます。

Prompt Chaining(プロンプト・チェイニング)

複雑な要求を一度でモデルに処理させようとすると誤りが生じたり扱いきれないことがあります。そこでタスクを論理的なサブタスクに分け、各スッテプごとにモデルから部分的な回答を得て、その結果を次のプロンプトに投入する連鎖プロセスを構築します。

利点として、タスクを小分けにすることでモデルの負荷が減り、各ステップに集中させることで精度と信頼性が向上します。

課題として、設計が複雑になり、どのようにタスク分割するか高度な判断が必要になります。誤った分割だと効果がでないかチェイン構築が無駄になります。また、各スッテプのプロンプト間のインターフェースをきちんと設計しないと情報の齟齬が生じる可能性があります。

具体的な利用方法

・解決したいタスクを分析し、ステップに分割します

・各ステップに対して個別のプロンプトを用意し、初回プロンプトの出力を次のプロンプトに組み込んでいきます

上記を元にプロンプトを作成し試してみてください！