AIF基盤モデルのアプリケーション
ある企業がAmazon Bedrock上の基盤モデルを使い、顧客レビューを「肯定的・否定的・中立」の3分類に振り分けるツールを開発しています。モデルの追加学習は行わず、出力フォーマットと分類基準をできるだけ安定させたいと考えています。プロンプト内で最も少ない労力でこれを実現する手法はどれですか。
A例を一切示さず指示文のみを与えて推論させるゼロショットプロンプティング
指示文のみで例を示さないため、出力フォーマットや分類基準の解釈がモデルに委ねられ、ラベルの表記ゆれが起きやすく安定性に欠ける。
Bプロンプトに分類済みの例を数件含めて望ましい出力パターンを示すフューショットプロンプティング
✓ 正解
プロンプトに分類済みの例を数件含めることで望ましい出力パターンを直接示せるため、再学習なしで出力フォーマットと分類基準を安定させられ、最小の労力で要件を満たす。
Cモデルに特定分野の専門家を演じさせて回答させるロールプロンプティング
モデルに役割を与えて回答の視点や口調を制御する手法であり、分類出力のフォーマット統一を主目的とした手法ではないため要件に最適とはいえない。
Dラベル付きデータでモデルの重みを更新するファインチューニング
モデルの重みを更新する手法で、データ準備や学習コスト・時間が必要となり、「追加学習を行わず最小の労力で」という制約に合致しない。
解説
フューショットプロンプティングは、プロンプト内に「入力と望ましい出力」のペアを数件示すことで、モデルに出力フォーマットや分類基準を例示する手法です。
再学習なしでプロンプトを書き換えるだけで、分類ラベルの表記ゆれを抑え、一貫した出力を得やすくなります。
選択肢のゼロショットプロンプティングは例を示さず指示のみを与えるため、フォーマットや基準が安定しにくい。
選択肢のロールプロンプティングは回答の視点や口調を制御する手法で、出力フォーマットの統一を主目的とはしない。
選択肢のファインチューニングはモデルの重みを更新するためデータ準備や学習コストが大きく、「追加学習を行わず最小の労力で」という要件に反する。
ドメイン別正答率・予想スコアでリアルタイムに実力把握
無限ノックでAIFを徹底対策。全問AI生成のオリジナル問題。
無料で演習を始める →