プロンプトエンジニアリング

LLMなどの生成AIに対して、望ましい出力を得るために入力（プロンプト）を工夫・設計する技術。指示の明確化、文脈の提示、出力形式の指定などの手法がある。

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。

特定分野の専門家の知識をルールベースとして蓄積し、推論エンジンにより問題解決を支援するAIシステム。知識ベースとルールを用いて人間の専門的判断を模倣する。

コンピュータがデータから規則性やパターンを自動的に学習し、予測や分類を行う技術の総称。教師あり学習、教師なし学習、強化学習の3つに大別される。AIの中核技術の一つ。

入力データと正解ラベルのペアを学習データとして与え、未知のデータに対する予測モデルを構築する機械学習手法。回帰（数値予測）と分類（カテゴリ予測）に大別される。

正解ラベルのないデータからパターンや構造を自動的に発見する機械学習手法。クラスタリング（データの分類）や次元削減が代表的なタスク。顧客セグメンテーションなどに応用される。

エージェントが環境と相互作用しながら、報酬を最大化する行動方策を学習する機械学習手法。試行錯誤を通じて最適な行動を学ぶ。ゲームAIやロボット制御に応用される。

データの特徴量や条件に基づいて分岐を木構造で表現し、分類・回帰・意思決定を行う手法。結果の解釈が容易で可視化しやすい。機械学習ではランダムフォレストの基礎となり、意思決定分析では期待値やリスクの評価に用いられる。