プロンプトエンジニアリング

AIモデルに対して適切な指示文（プロンプト）を設計し、望ましい出力を得るための技法。質問の仕方や文脈の与え方を工夫することで、生成AIの出力品質を向上させる。

生成AIへの指示文を工夫し、目的に沿った出力を安定して得るための技術。前提条件や出力形式、役割を明示することで精度と再現性を高める。

生成AIから目的に合った出力を安定して得るために、指示文（プロンプト）を設計・改善する技術。役割や前提の指定、出力形式の指定、具体例の提示（フューショット）、段階を追って考えさせる指示などを組み合わせ、出力を評価しながら改善を繰り返す。

生成AIから目的に合った出力を引き出すために、指示文（プロンプト）の内容や構成を設計・改善する技術。役割や前提条件、出力の形式を明示する、回答例を示すfew-shotプロンプティング、段階的に考えさせるChain of Thoughtなどの手法がある。

多数の中間層（隠れ層）を持つニューラルネットワークを用いた機械学習の手法。画像認識・音声認識・自然言語処理などで高い性能を発揮し、AIの発展を牽引している。

大量のデータを用いてモデルの基本的な知識や特徴抽出能力を事前に学習させる工程。この後にファインチューニングを行うことで、特定のタスクに適応させることができる。

事前学習済みモデルの重みを、特定のタスクに合わせて微調整する手法。少量のデータで効率的に高精度なモデルを構築でき、転移学習の代表的な方法である。

あるタスクで学習したモデルの知識を、別の関連するタスクに転用する手法。学習データが少ない場合でも高精度なモデルを構築でき、学習時間の短縮にもつながる。

画像認識に特化したディープラーニングのモデル。畳み込み層とプーリング層を組み合わせて画像の局所的な特徴を抽出し、画像分類・物体検出・顔認識などに高い精度を発揮する。

時系列データや文章などの順序のあるデータの処理に適したディープラーニングのモデル。出力を次の入力にフィードバックする再帰構造を持ち、文章生成や音声認識などに利用される。