1. はじめに

AI技術の進化により、自然言語処理 (NLP) や生成AIを活用したチャットボットや自動応答システムが急速に普及しています。これらのシステムは、ユーザーと自然な対話を行い、効率的に情報提供やサポートを行うための強力なツールとなっています。しかし、効果的なチャットボットや自動応答システムを構築するためには、適切なプロンプト設計が不可欠です。

本ガイドでは、AUTOMATIONフレームワークを用いて、プロンプトをどのように設計するかについて詳しく説明します。AUTOMATIONフレームワークは、生成AI（LLM）がユーザーの意図を正確に理解し、適切な応答を生成するための強力な指針となります。

まず、AUTOMATIONフレームワークの各要素について説明し、その後、具体的なプロンプトの例を通じて実践的な活用方法を示します。また、Few-Shot LearningやChain of Thoughtの概念についても触れ、プロンプト設計のための包括的な知識を提供します。

このガイドを通じて、読者は効果的なプロンプトを設計し、AIを活用した対話システムの構築に役立てることができるようになるでしょう。それでは、AUTOMATIONフレームワークの詳細な説明から始めましょう。

2. AUTOMATIONフレームワークとは

AUTOMATIONフレームワークは、株式会社自動処理が開発したAIチャットボットや自動応答システムのプロンプトを設計するための包括的なガイドラインです。このフレームワークは、LLMがユーザーの意図を正確に理解し、適切かつ効果的な応答を生成するための指針を提供します。このフレームワークを利用することで、LLMにユーザーが意図した動作をさせる為の道筋を示します。

2.1 テンプレートの説明

A - Act as a ... 役割

役割を明確に定義することは、適切な応答を生成するための第一歩です。LLMが特定の役割を持つことで、ユーザーとの対話がより自然で効果的になります。

例: あなたはプロのジャーナリストとして行動してください。

U - User Persona, Audience - ユーザーペルソナ、聴衆

対象となるユーザーや聴衆の背景や知識レベルを説明します。これにより、LLMは適切な言葉遣いや情報の深さを調整することができます。

例:5歳の子供に説明するように行動してください。

T - Targeted Action 目的

具体的に何を行うべきかを明確に指示します。これにより、応答が具体的で有益なものになります。

例: 以下のテキストを要約してください。

O - Objective 目標

プロンプトによって達成したい具体的な目標を設定します。これにより、LLMの応答が目的に沿ったものになります。

例: ユーザーに詳細な情報を提供してください。

M - Modify/Tone/Style 修正/トーン/スタイル

応答のトーンやスタイルを指定します。これにより、LLMの応答がユーザーにとって親しみやすいものになります。

例: 共感的なトーンで回答してください。

A - Atypical Cases 異常ケース

特殊な状況や例外的なケースに対応する方法を定義します。これにより、LLMは予期しない入力に対しても適切に応答できます。

例: 入力データに不明な値が含まれている場合は「不明」としてください。

T - Taboo Topics 避けるべき話題

避けるべきトピックや取り扱うべきでない内容を明確にします。これにより、LLMが適切で安全な対話を維持できます。

例: 政治や宗教に関する話題を避けてください

I - Input Context 背景情報

LLMが適切な応答を生成するために必要な背景情報やコンテキストを提供します。これにより、応答が状況に即したものになります。

例: これは CR2032バッテリーの交換方法についての質問です。

O - Output Definition 出力定義

期待される出力の形式や内容を詳細に定義します。これにより、LLMの応答が期待通りの形式で提供されます。

例: 以下のフォーマットで提供してください: { "質問": "市役所の住所はどこですか？", "回答": "市役所の住所は東京都新宿区1-1-1です。" }

N - Next Steps 次のステップ

LLMが次に提案すべきアクションやフォローアップの質問を定義します。これにより、ユーザーとの対話が途切れずに続きます。

例: 次に、「他に質問はございますか？」と提案してください。

以上の各要素を組み合わせることで、効果的なプロンプトを作成し、AIチャットボットや自動応答システムとして、より有益でユーザーに親しみやすいものになります。

2.2 プロンプトテンプレート

今まで説明してきたLLMフレームワークをまとめたテンプレートについて紹介します。マークダウン形式のプロンプトテンプレートの例と、文章としてまとめた文章テンプレートの例の2つを紹介します。LLMにとってはどちらで記載しても問題ありません。また部分的に省いても問題ありませんので、必要に応じてカスタマイズしながら利用してください。

プロンプトテンプレート例

# A - Act as a ... 役割
- {役割}
# U - User Persona, Audience - ユーザーペルソナ、聴衆
- {ユーザーペルソナ、聴衆}
# T - Targeted Action 目的
- {目的}
# O - Objective 目標
- {目標}
# M - Modify/Tone/Style 修正/トーン/スタイル
- {修正/トーン/スタイル}
# A - Atypical Cases 異常ケース
- {異常ケース}
# T - Taboo Topics 避けるべき話題
- {避けるべき話題}
# I - Input Context 背景情報
- {背景情報}
# O - Output Definition 出力定義
- {出力定義}
# N - Next Steps 次のステップ
- {次のステップ}

文章テンプレート例

{役割} として行動し、{ユーザーペルソナ} 向けに {目的の行動} を行い、{目標} を達成するために{修正/トーン/スタイル}トーンで回答し、{異常ケース} に対応し、{避けるべき話題} を避けながら、{背景情報}を考慮して、出力を以下のフォーマットで提供してください: {出力定義}。次に、{次のステップ} を提案してください。

2.3 実装例

具体的なプロンプトの例を通じて、AUTOMATIONフレームワークの各要素がどのように統合され、効果的なプロンプトが作成されるかを示します。ここでは、自治体の案内ボットを例にとり、プロンプトの設計方法を詳しく説明します。

2.3.1 自治体の案内ボットのプロンプト例

自治体の案内ボットは、市民からの問い合わせに対して迅速かつ正確に情報を提供する役割を担います。このプロンプトの例では、ユーザーが市役所の住所を尋ねた場合の応答を示します。

プロンプトテンプレート例

# A - Act as a ... 役割
- 自治体の案内窓口
# U - User Persona, Audience - ユーザーペルソナ、聴衆
- 自治体に問い合わせに来た住民
# T - Targeted Action 目的
- 問い合わせに対する適切な情報を提供
# O - Objective 目標
- 質問に対して正確で迅速な回答を提供する
# M - Modify/Tone/Style 修正/トーン/スタイル
- 住民が安心して質問できるように丁寧で親しみやすい
# A - Atypical Cases 異常ケース
- 追加の情報を求めることで適切な回答を提供
# T - Taboo Topics 避けるべき話題
- 行政手続きに関係のない話題
# I - Input Context 背景情報
- 市民への案内を行うための案内ボットであること
# O - Output Definition 出力定義
- 説明不要で、ダイレクトに回答します。
# N - Next Steps 次のステップ
- 「他にご質問はございますか？」と提案する。

文章テンプレート例

自治体の案内窓口として行動し、自治体に問い合わせに来た住民向けに問い合わせに対して、適切な情報を提供を行い、質問に対して正確で迅速な回答を提供するために、住民が安心して質問できるように丁寧で親しみやすいトーンで回答し、問い合わせ内容が不明瞭な場合は追加の情報を求めることで適切な回答を提供し、行政手続きに関係のない話題を避けながら、市民への案内を行うための案内ボットであることを考慮して、出力を以下のフォーマットで提供してください: 説明不要で、ダイレクトに回答します。次に、「他にご質問はございますか？」と提案してください。

このプロンプト例は、AUTOMATIONフレームワークの各要素がどのように統合され、どのように反映されるかを示しています。これにより、ユーザーとの自然な対話を維持しつつ、効果的に情報を提供することができます。

以下のURLにて実行デモが閲覧できますので、参考にしてください。

自治体案内窓口ボット プロンプト作り方講座基礎編（デモ版）

3. Few-Shot Learningの説明

Few-Shot Learningは、限られた数の例を用いてモデルに特定のタスクを学習させる技術です。従来の機械学習では大量のデータが必要とされますが、Few-Shot Learningは数例のデータから学習し、同様のタスクを実行する能力を向上させることを目指しています。これにより、少ないデータで高いパフォーマンスを発揮するモデルを作成することが可能になります。AUTOMATIONフレームワークにてユーザーの意図を明確にし、追加して具体的に例示することで、LLMに何をすべきか指示をすることができます。

Few-Shot Learningの重要性

Few-Shot Learningは、以下のような状況で特に有効です。

• データが限られている場合: 特定のタスクに関連するデータが少ない場合でも、Few-Shot Learningを用いることでモデルに有用な知識を提供できます。
• 迅速なプロトタイピング: 新しいタスクやドメインに対して迅速にプロトタイプを作成する際に役立ちます。
• コスト削減: 大量のデータ収集やアノテーションが困難またはコストがかかる場合に、少数の例でモデルを訓練することでコストを削減できます。

Few-Shot Learningの実装方法

Few-Shot Learningを効果的に実装するためには、以下の手順に従います。

1. 適切な例を選択する

タスクに関連する数例のデータを選択します。このデータは、モデルが学習すべきパターンや特性を反映している必要があります。

例:

{"質問": "市役所の住所はどこですか？", "回答": "市役所の住所は東京都新宿区1-1-1です。"}

2. モデルに例を提示する

選択した例をモデルに提示し、学習させます。これにより、モデルは限られたデータからパターンを認識し、類似のタスクを実行する能力を身につけます。

3. 応答の品質を評価する

モデルが生成した応答の品質を評価し、必要に応じて追加の調整を行います。評価の際には、モデルが提供した応答が期待通りのものであるかを確認します。

4. 応答の改良

モデルのパフォーマンスを向上させるために、追加の例やフィードバックを用いて応答を改良します。これにより、モデルはより高品質な応答を提供できるようになります。

Few-Shot Learningの具体例

以下に、Few-Shot Learningを用いたプロンプトの具体例を示します。

プロンプト例:

以下の例に基づいて、住民からの質問に回答してください。

### 例1:

{"質問": "市役所の住所はどこですか？", "回答": "市役所の住所は東京都新宿区1-1-1です。"}

### 例2:

{"質問": "市役所の営業時間は何時から何時までですか？", "回答": "市役所の営業時間は平日の午前9時から午後5時までです。"}

### 例3:

{"質問": "市役所で取得できる書類は何ですか？", "回答": "市役所では住民票、戸籍謄本、印鑑登録証明書などが取得できます。"}

このプロンプトでは、少数の具体例を提示することで、モデルが住民からの多様な質問に対して適切な応答を生成できるようにしています。Few-Shot Learningを活用することで、限られたデータからも有用なモデルを構築することが可能です。

Few-Shot Learningは、迅速なプロトタイピングやデータ不足の解消に非常に有効なアプローチです。これを活用することで、モデルのパフォーマンスを最大限に引き出し、ユーザーに対して高品質なサービスを提供することができます。

4. Chain of Thoughtの説明

チェーン・オブ・ソート（Chain of Thought、CoT）は、AIモデルが複雑な問題を段階的に解決するための手法です。問題を小さなステップに分解し、各ステップで論理的な思考を行うことで、最終的な解答に到達します。この手法は、特に数学的な問題や論理的な推論が必要なタスクに有効ですAUTOMATIONフレームワークにてユーザーの意図を明確にし、追加して具体的に検討ステップを例示することで、LLMがどう考えるべきかを指示する事ができます。

Chain of Thoughtの重要性

チェーン・オブ・ソートは以下の点で重要です：

• 複雑な問題解決: 問題を段階的に解決することで、AIが複雑なタスクをより正確に処理できます。
• 透明性と解釈可能性: 各ステップの思考過程が明確になるため、AIの応答がどのように導かれたかを理解しやすくなります。
• エラーの特定: ステップごとに結果を確認できるため、エラーが発生した場合に問題の箇所を特定しやすくなります。

Chain of Thoughtの実装方法

チェーン・オブ・ソートを効果的に実装するためには、以下の手順に従います。

1. 問題のステップに分解

問題を解決するためのステップを明確に定義します。それぞれのステップは、最終的な解答に到達するための一部です。

例:

ロジャーは5個のテニスボールを持っていて、さらに2個買います。合計でいくつになりますか？

ステップ1: ロジャーが持っているテニスボールの数を確認します。
ステップ2: ロジャーが買ったテニスボールの数を確認します。
ステップ3: 持っている数と買った数を合計します。

2. 各ステップの実行

定義したステップごとに、問題を解決していきます。各ステップの結果を順番に導き出します。

例:

ステップ1: ロジャーは5個のテニスボールを持っています。
ステップ2: ロジャーはさらに2個のテニスボールを買いました。
ステップ3: 合計で7個のテニスボールになります。

3. 最終解答の導出

各ステップの結果を基に、最終的な解答を導き出します。

例:

ロジャーは合計で7個のテニスボールを持っています。

プロンプト

次の問題をステップごとに解決してください。

### 問題:

ロジャーは5個のテニスボールを持っていて、さらに2個買います。合計でいくつになりますか？

### ステップ:

1. ロジャーが持っているテニスボールの数を確認します。
2. ロジャーが買ったテニスボールの数を確認します。
3. 持っている数と買った数を合計します。

### 解答:

ロジャーは合計で7個のテニスボールを持っています。

このプロンプトでは、問題を解決するためのステップが明確に示されています。各ステップを順番に実行することで、AIは論理的に問題を解決することができます。Chain of Thoughtを活用することで、複雑な問題でも正確な解答を導くことが可能です。

Chain of Thoughtは、特に論理的な推論や多段階の処理が必要なタスクにおいて非常に有用な手法です。この手法を活用することで、AIモデルの応答の正確性と信頼性を高めることができます。

5. まとめ

本書では、AUTOMATIONフレームワークを用いて効果的なプロンプトを作成する方法や、組み合わせて使うことのできるプロンプトテクニックについて詳しく説明しました。このフレームワークは、AIチャットボットや自動応答システムの性能を最大限に引き出すための強力なツールです。以下に、本書の重要なポイントを振り返ります。

主要なポイント

1. AUTOMATIONフレームワークの理解:
• フレームワークの各要素（役割、ユーザーペルソナ、目的の行動、目標、トーン、異常ケース、トピックホワイトリスト、入力コンテキスト、出力定義、次のステップ）について詳しく解説しました。
2. 具体的なプロンプトの例:
• 自治体の案内ボットのプロンプト例を通じて、AUTOMATIONフレームワークの実際の適用方法を示しました。
3. Few-Shot Learningの説明:
• 少数の例を使用して、LLMに出力結果を方法を明示的に指示する方法について説明しました。
4. チェーン・オブ・ソートの説明:
• LLMに段階的に考え方を伝え、段階的に問題をステップごとに分解し、解決してもらう方法を示しました。

AUTOMATIONフレームワークは、プロンプト設計のための包括的なガイドラインを提供します。本書で紹介した方法と例を基に、読者は自分のプロジェクトに合わせたプロンプトを設計し、AIの性能を最大限に引き出すことができます。常にユーザーの視点に立ち、明確で効果的なプロンプトを作成することが成功への鍵です。

最後に

AI技術は急速に進化しており、効果的なプロンプト設計はその活用を最大化するために不可欠です。本書が、読者のプロジェクトにおいて価値あるガイドとなり、AIの可能性を最大限に引き出す手助けとなることを願っています。今後もAI技術の発展に伴い、新しい知識やスキルを学び続けることが重要です。

読者の皆様が、本書を通じて効果的なプロンプト設計を習得し、実際のプロジェクトで活用できるよう願っています。