はじめに

前回は基礎的なPromptingの手法を紹介したので、今回の記事ではAIの言語モデルをもっと頼りになる友達にするための応用的なプロンプトのテクニックを紹介します。
Chain-of-Thought Prompting、Zero-shot CoT、Self-Consistency、そしてGenerate Knowledge Promptingといった手法を使って、AIがより正確で役に立つ回答を出せるようになります！

1. Chain-of-Thought Prompting

ステップ毎の思考方法を事前に与えて回答の精度を上げるテクニック。
回答を得るために複数のステップを経るように言語モデルに指示しすることにより、より複雑な問題や状況に対処するために言語モデルが段階的に考えるようになります。

例）

プロンプト：

次のステップに従って、アイスクリームのレシピを考えてください。
ベースとなる材料を選ぶ。
フレーバーを決める。
トッピングを選ぶ。

出力：

ベースとなる材料：クリーム、砂糖、卵、ミルク。
フレーバー：バニラエキスを加えて、バニラアイスクリームにします。
トッピング：チョコチップとナッツをトッピングとして選びます。

2. Zero-shot Chain of Thought Prompting

Chain-of-Thought PromptingをZero-shot(事前情報を与えずに)で行うテクニック。
言語モデルに対して、複数のステップを経るように指示することなく、ステップごとに考えるように促します。これにより、言語モデルが複雑な問題や状況に対処するために自然に段階的な思考を行うようになります。

例)

プロンプト：

新しいアイスクリームのレシピを考える際、材料、フレーバー、トッピングを順番に決めてください。

出力：

まず、ベースとなる材料を選びます。これには、クリーム、砂糖、卵、ミルクを使用します。次に、フレーバーを決めます。今回は抹茶パウダーを加えて、抹茶アイスクリームにしましょう。最後に、トッピングを選びます。甘さと食感のバランスを考え、あずきとホワイトチョコレートをトッピングとして選びます。

3. Self-Consistency Prompting

CoTプロンプトの効果をさらに高める方法。ステップ毎に分けた論理的思考のQ&Aを大量に与える。
言語モデルが一貫性のある回答を提供するように促すことで、回答の質を向上させることができます。これは、複数のステップに分けて問題を解決する場合や、矛盾する情報が与えられた場合に特に有効です。

例：

プロンプト：

以下の記事が世界経済に与える影響がnegativeかpositeveかに分類する。
step by stepで考えてみてください。

---
米銀シリコンバレー銀行（ＳＶＢ）が10日に経営破綻した。カリフォルニア州の金融保護当局によって閉鎖され、連邦預金保険公社（ＦＤＩＣ）の管理下に置かれたと、両当局が発表した。過去10年余りで最大の米銀破綻となった。

　　ＳＶＢは増資を計画していたが不首尾に終わり、破綻処理に動いたカリフォルニア州の同当局がＦＤＩＣを管財人に選任した。　

　　米銀の経営難が明らかになったのは今週に入って２例目。銀行持ち株会社シルバーゲート・キャピタルは８日、銀行業務の縮小と清算計画を公表していた。

　　銀行業界の一部は既に、金利急上昇によるポートフォリオ価値の毀損（きそん）に見舞われていた。またテクノロジー業界や暗号資産（仮想通貨）業界の新興企業の間では、事業不振の中で預金を引き出す動きもあった。ＳＶＢのケースでは、同行の健全性への懸念から顧客が資金引き揚げを急いだという事情もあった。
---

出力：

1. シリコンバレー銀行（SVB）が経営破綻した。
2. 過去10年余りで最大の米銀破綻となった。
3. 今週に入って米銀の経営難が2例目となる。
4. 銀行業界の一部は金利急上昇によるポートフォリオ価値の毀損に見舞われていた。
5. テクノロジー業界や暗号資産（仮想通貨）業界の新興企業では、事業不振の中で預金引き出しの動きもあった。
6. SVBのケースでは、顧客が資金引き揚げを急いだという事情もあった。

これらの情報を考慮すると、この記事が世界経済に与える影響はnegativeと分類することができます。大きな銀行の経営破綻は金融市場に不安をもたらし、他の銀行や企業にも悪影響を及ぼす可能性があります。また、金利急上昇や事業不振、顧客の資金引き揚げなどが経済全体に悪影響を与える要因となります。

この例では、Self-Consistency Promptingを使用して、言語モデルが論理的な推論を行い、一貫性のある回答を提供するように促しました。このアプローチにより、モデルは問題を正しく解決しSVBの破綻をnegativeと分類することができました。

4. Generate Knowledge Prompting

言語モデルに知識が足りず回答できない課題に対して、先に一般的な知識を説明して正しい回答を得る手法。

例：

プロンプト：

Question: GPT-99は人間の頭の中で考えた内容で対話ができますか？YesかNoで答えてください。

出力：

No

この例では、モデルはGPT-99に関する知識が不足しているため、「No」と回答しました。しかし、Generate Knowledge Promptingを使用して架空の一般知識を提供することで、回答が変わるかどうかを確認してみましょう。

改善したプロンプト：

Question: GPT-99は人間の頭の中で考えた内容で対話ができますか？YesかNoで答えてください。

Knowledge: 2035年にリリースされたGPT-99は超小型のマイクロチップに搭載されており、人間の脳内に埋め込むことが可能です。

出力：

Yes

この例では、仮想の一般知識（GPT-99が人間の脳内に埋め込まれることができるという情報）を提供することで、言語モデルの回答が変わりました。この手法により、言語モデルは知識不足の問題を克服し、正しい回答を提供することができました。

さいごに

以上で、応用的なプロンプトのテクニックについての紹介は終わりです。Chain-of-Thought PromptingやZero-shot CoT、Self-Consistency、Generate Knowledge Promptingといった手法を使って、AIとの会話をもっと楽しく有益なものにしましょう。
これらのテクニックを試して、AIの言語モデルがどれだけ進化するか見てみてくださいね。
それでは、Happy Prompting！