バックナンバーはこちら
要約
- テキスト生成AIのプロンプト制作では、LLMのしくみ、プロンプトの4要素、Zero-ShotとFew-Shotをつなげて押さえます。
- 実践では、校正、要約、変換、話者調整、例え話などを業務活用へ広げます。
- 文字数、計算、最新情報、主観評価は、生成後の確認を前提に使うことが重要です。
解説動画
生成AIパスポート第5章の全体像
生成AIパスポート第5章は、テキスト生成AIを「どう動くか」と「どう頼むか」の両方から学ぶ章です。GUGAのシラバスでも、第5章にはLM、n-gramモデル、ニューラル言語モデル、LLM、プロンプトエンジニアリング、Zero-Shot、Few-Shot、ビジネス応用、不得意なことが学習項目として並んでいます。(生成AI活用普及協会(GUGA))
この章の流れは、次の5段階で見ると整理しやすくなります。
- LMとLLMの理解
- プロンプティングの基礎
- LLMプロンプティングの実践
- テキスト生成AIのビジネス応用
- テキスト生成AIの不得意領域
プロンプトは、ただの質問文ではありません。AIに何をしてほしいか、どんな前提で考えるか、何を材料にするか、どの形式で出すかを設計する入力です。つまり、プロンプト制作は「AIへのお願い文を書く作業」ではなく、「出力まで見据えた依頼設計」と考えると理解しやすくなります。
LMとLLMの基礎
LMはLanguage Model、つまり言語モデルです。言語モデルは、単語や文字などの並びをもとに、次に来る語や文を予測するモデルとして理解できます。Google DevelopersのLLM解説でも、言語モデルはトークンやトークン列が文脈内に現れる確率を推定するものとして説明されています。(Google for Developers)
古典的な考え方として、n-gramモデルがあります。これは直前のいくつかの語をもとに、次の語を確率的に予測する方法です。ただし、n-gramモデルは長い文脈を扱うのが得意ではありません。そこで、ニューラルネットワークを使って文脈を扱うニューラル言語モデルが登場しました。
LLMはLarge Language Model、大規模言語モデルです。大量のデータと多くのパラメータを使って学習した言語モデルであり、要約、翻訳、文章作成、質問応答など、多様なテキスト処理に使われます。
LLMと合わせて覚えたい用語は、次の通りです。
- プレトレーニング：大量データによる事前学習
- ハイパーパラメータ：生成時の出力傾向を変える設定
- Temperature：生成時のランダム性の調整
- Top-p：生成候補の範囲を調整する設定
- プロンプト：AIへの入力となる指示や質問
- プロンプトエンジニアリング：目的に合わせたプロンプト設計
Temperatureを低めにすると安定した出力になりやすく、高めにすると多様な表現が出やすくなります。Top-pは、候補に含める語の範囲を調整する考え方です。どちらも「AIの答え方の傾向」に関わる設定として押さえると十分です。
プロンプトの4要素
プロンプティングの基礎では、プロンプトを4つの要素で考えます。
- Instruction：タスクの指示や命令
- Context：背景、条件、前提
- Input Data：処理対象となるデータや素材
- Output Indicator：出力形式や評価指標
たとえば「次の文章を、初心者向けに、3行で要約してください」という依頼なら、次のように分解できます。
- Instruction：要約してください
- Context：初心者向け
- Input Data：次の文章
- Output Indicator：3行
この4要素で見ると、プロンプトの抜けが見つけやすくなります。OpenAIのプロンプトエンジニアリング資料でも、プロンプト内に関連するコンテキストを含めることの有用性が説明されています。(OpenAI Developers)
プロンプトで失敗しやすい原因は、AIの性能不足だけではありません。人間側の依頼が曖昧な場合も多くあります。「いい感じにして」だけでは、何を優先するかが不明確です。目的、前提、材料、形式を入れることで、出力の方向性を合わせやすくなります。
Zero-ShotとFew-Shot
Zero-Shotプロンプティングは、例を示さずに依頼する方法です。たとえば、次のような依頼です。
次の文章を3行で要約してください。
対象読者は生成AIを初めて学ぶ人です。この場合、要約例は示していません。指示、条件、対象文章、出力形式だけでAIに依頼しています。
Few-Shotプロンプティングは、いくつかの例を示してから依頼する方法です。Google AI for Developersのプロンプト設計資料でも、指示と入力に加えて例を与えることで、モデルが例や文脈を考慮できることが説明されています。(Google AI for Developers)
Few-Shotは、次のような場面で役立ちます。
- 出力の文体をそろえたい場面
- 判断基準を例で伝えたい場面
- 分類や変換の形式を示したい場面
- 社内ルールに沿った文面を作りたい場面
覚え方はシンプルです。
- Zero-Shot：見本なし
- Few-Shot：見本あり
見本なしで十分ならZero-Shot、出力の雰囲気や判断の仕方を伝えたいならFew-Shotと考えると、使いどころが分かりやすくなります。
LLMプロンプティング実践例
LLMプロンプティングの実践では、テキスト生成AIに何を依頼できるかを具体的に押さえます。第5章では、校正、整理、要約、変換、対象変更、話者設定、会話形式、例え話などが重要な実践技法になります。
校正と整理
文章の校正では、誤字脱字や不自然な表現を直してもらえます。ただし、修正版だけを受け取るよりも、修正箇所と理由を一緒に出してもらうほうが確認しやすくなります。
例として、次のような依頼が使えます。
次の文章を校正してください。
修正版だけでなく、修正箇所と修正理由も表で示してください。文章の整理では、長い説明を見出しごとにまとめたり、論点を並べたりできます。要約では、文章の要点を短くまとめられます。
変換
変換は、文章の形を変える使い方です。
- 箇条書きを文章に変換
- 文章を箇条書きに変換
- 数字表記や形式の変換
- 会話形式への変換
- 例え話による説明
ここで注意したいのは、数字の表記変換と計算は別という点です。「123を漢数字にする」と「123×456を正確に計算する」は違います。後者は検算が必要です。
対象と話者の調整
同じ内容でも、読み手が変わると表現も変わります。初心者向け、専門家向け、社内向け、取引先向けでは、説明の細かさや語調が変わります。
例として、次のような依頼が使えます。
次の説明を、生成AIを初めて学ぶ社会人向けに書き直してください。
専門用語は必要最小限にし、例え話を1つ入れてください。話者設定も重要です。硬いビジネス文、親しみやすい解説文、研修資料向けの文体など、用途に合わせて指定できます。
テキスト生成AIのビジネス応用
テキスト生成AIは、ビジネスのさまざまな場面で使えます。特に文章作成、分析・整理、翻訳・外国語、発想支援・対話の4領域は押さえておきたいところです。
文章作成
文章作成では、メール、キャッチコピー、ビジネス書類のテンプレート、会議アジェンダなどを作れます。
ただし、AIに丸投げするのではなく、目的、相手、トーン、必要情報を伝えることが重要です。たとえばメール作成では、次のような情報を入れると出力が安定しやすくなります。
- 宛先の立場
- メールの目的
- 必ず入れる内容
- 避けたい表現
- 希望する文体
分析・整理
分析・整理では、アンケート項目の作成、アンケート回答の分類、業務手順の分解、タスク抽出、姓と名の分離、ふりがな付与などに使えます。
ただし、ふりがなは読み方が複数あるため、確認が必要です。特に人名や地名は、AIの出力をそのまま正解と見なさないほうが安全です。
翻訳・外国語
外国語の翻訳、英単語から英文の作成、海外企業向けメールの下書きにも使えます。
ただし、重要な文書では、意味、事実関係、相手への印象を確認する必要があります。契約、採用、法務、医療、安全に関わる文書では、専門家や担当者による確認を前提にしたほうが安心です。
発想支援・対話
発想支援では、ブレインストーミング、ディベート、質問を受けながら考えを深める使い方があります。
AIは、答えを出すだけの道具ではありません。自分の考えを整理する相手としても使えます。たとえば「新商品の訴求案を10個出して」「反対意見も挙げて」「見落としやすいリスクを質問して」と依頼すると、検討の幅を広げやすくなります。
テキスト生成AIの不得意領域
便利なテキスト生成AIにも、不得意な領域があります。第5章では、正確な文字数、計算、最新情報、芸術の批評が重要な注意点になります。
正確な文字数
「100文字ぴったりで」といった厳密な文字数指定は、テキスト生成AIが苦手とすることがあります。必要な場合は、生成後に人間が文字数を数えるか、別のツールで確認します。
「短めに」「300字程度で」といった依頼と、「100文字ぴったり」は別物として考えます。
計算
計算も注意が必要です。AIは自然な説明文を作るのが得意ですが、数理処理では誤った結果を出すことがあります。
計算結果を使う場合は、電卓、表計算ソフト、専用ツールなどで検算します。数字の表記変換と計算を混同しないことが重要です。
最新情報
外部検索やツール連携がない場合、AIは最新ニュース、最新価格、速報、直近の制度変更などを正確に扱えないことがあります。
業務資料や試験対策で最新情報を使う場合は、一次情報を確認します。NISTの生成AIリスク管理資料でも、生成AIのリスクはライフサイクル全体で管理する考え方が示されています。(NIST出版物)
芸術の批評
「良い」「悪い」「好き」「嫌い」だけでは、評価基準が曖昧になります。キャッチコピーやデザイン、文章の印象を評価する場合は、見る観点を指定します。
- ターゲットへの伝わりやすさ
- ブランドイメージとの整合
- 読みやすさ
- 印象の強さ
- 誤解の生みにくさ
評価基準を入れることで、主観だけに寄りすぎない出力に近づけます。
復元チェック
第5章は、用語を丸暗記するよりも、因果関係で覚えるほうが復元しやすくなります。おすすめは「原因、セット、結果」の3点で見る方法です。
プロンプト
原因：LLMに目的に合った出力をしてもらう必要
セット：Instruction、Context、Input Data、Output Indicator
結果：校正、要約、変換、文章作成、分析、翻訳、ブレストへの活用
Zero-ShotとFew-Shot
原因：見本なしでよい場合と、見本が必要な場合がある
セット：Zero-Shotは例なし、Few-Shotは例あり
結果：出力形式や判断基準を伝えやすくなる
不得意領域
原因：テキスト生成AIは万能ではない
セット：文字数、計算、最新情報、主観評価
結果：人間による確認と評価が必要
この3点で戻れるようにしておくと、試験中に用語だけ忘れても、周辺知識から思い出しやすくなります。
まとめ
第5章「テキスト生成AIのプロンプト制作と実例」は、AIへの頼み方を学ぶ章です。ただし、プロンプトだけを単独で覚えるのではなく、LLMのしくみ、プロンプトの4要素、Zero-ShotとFew-Shot、実践技法、ビジネス応用、不得意領域まで一本で理解することが重要です。
プロンプトは、AIとのやり取りの入口です。入口を整えると出力を活用しやすくなります。一方で、文字数、計算、最新情報、評価基準が必要な判断では、必ず確認を入れる必要があります。
最後に、まとめのまとめです。
- LMからLLM、プロンプトの4要素、Zero-ShotとFew-Shotを一本で理解
- 校正、要約、変換、文章作成、分析、翻訳、ブレストへ応用
- 文字数、計算、最新情報、主観評価は確認を前提に活用
FAQ
生成AIパスポート第5章では何を学ぶ？
第5章では、LMとLLM、プロンプトの基本要素、Zero-ShotとFew-Shot、LLMプロンプティングの実践、ビジネス応用、テキスト生成AIの不得意領域を学びます。
プロンプトの4要素とは？
プロンプトの4要素は、Instruction、Context、Input Data、Output Indicatorです。何をしてほしいか、どんな前提か、何を材料にするか、どんな形で出すかを整理します。
Zero-ShotとFew-Shotの違いは？
Zero-Shotは例を示さずに依頼する方法です。Few-Shotは入力例と出力例など、いくつかの見本を示してから依頼する方法です。
テキスト生成AIはビジネスで何に使える？
メール作成、キャッチコピー作成、ビジネス書類テンプレート作成、アジェンダ作成、アンケート分析、タスク抽出、翻訳、ブレインストーミングなどに使えます。
テキスト生成AIの不得意なことは？
正確な文字数指定、計算、最新情報、評価基準のない主観評価は苦手になりやすい領域です。生成後の確認や検算、一次情報の確認が必要です。
参考文献
- 一般社団法人生成AI活用普及協会（GUGA）「生成AIパスポート シラバス」
https://guga.or.jp/assets/syllabus.pdf (生成AI活用普及協会(GUGA)) - Google Developers「Introduction to Large Language Models」
https://developers.google.com/machine-learning/crash-course/llm (Google for Developers) - OpenAI API Docs「Prompt engineering」
https://developers.openai.com/api/docs/guides/prompt-engineering (OpenAI Developers) - Google AI for Developers「Prompt design strategies」
https://ai.google.dev/gemini-api/docs/prompting-strategies (Google AI for Developers) - Anthropic Docs「Prompting best practices」
https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/claude-prompting-best-practices (Claude Platform) - NIST「Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile」
https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf (NIST出版物)
以下のようにカテゴリ別で入れると、記事内容との相性がいいです。
生成AIパスポート対策・全体把握
『公式テキスト第4版対応版 生成AIパスポート テキスト＆問題集』
この記事の「試験対策」と最も直結する1冊
新シラバス対応版で、GUGA公認の対策書
LM・LLM、プロンプト、生成AIのリスク、AIリテラシーまで全体確認向け
LLM・自然言語処理の仕組みを理解
『大規模言語モデル入門』
LM、LLM、質問応答、文脈内学習、幻覚、検索との組み合わせなどを技術寄りに学ぶ本
「LMとLLM」「不得意なこと」「最新情報の確認」と相性がよい
『ゼロから作るDeep Learning ❷ 自然言語処理編』
word2vec、RNN、LSTM、seq2seq、Attentionなど、LLM以前の自然言語処理の基礎固め向け
n-gramからニューラル言語モデルへの流れを深掘りしたい読者におすすめ
プロンプトエンジニアリングを深める
『LLMのプロンプトエンジニアリング』
LLMを理解したうえで、プロンプトに何を組み込み、どう構造化するかを学ぶ本
Instruction、Context、Input Data、Output Indicatorの理解を一段深める用途に合う
『生成AIのプロンプトエンジニアリング』
生成AIから信頼できる出力を得るための原則、ハルシネーション対策、出力の安定化、評価の視点まで扱う本
「不得意なこと」「評価基準の明示」と特に相性がよい
『AI時代の質問力 プロンプトリテラシー』
プロンプトパターン、トリガープロンプト、AIとの対話力を学ぶ本
Zero-Shot、Few-Shotだけでなく「どう質問すれば使える答えになるか」を補強できる
ビジネス活用・仕事術
『生成AI最速仕事術』
メール作成、議事録、資料作成、日報、データ分析など、実務での生成AI活用に寄せた本
「テキスト生成AIを用いたビジネス応用」
『ビジネスパーソンのためのChatGPT活用大全』
メール、文章作成、スケジュール管理など、基本的なビジネス業務でのChatGPT活用を扱う本
初心者向けの「すぐ試せる活用例」
RAG・AIエージェントなど発展学習
『LangChainとLangGraphによるRAG・AIエージェント［実践］入門』
OpenAI API、LangChain、RAG、AIエージェント開発を実践的に学ぶ本
「最新情報に弱いなら検索と組み合わせる」という発展テーマにつなげやすい
AI倫理・リスク理解
『AIの倫理学』
AIがもたらす倫理的な疑問を、技術・哲学・実践の面から整理する本
「AIは万能ではない」「確認と評価が必要」
コメント