Few-shot promptingの考え方
Few-shot promptingは、プロンプト内に少数の入出力例を含め、モデルにタスクの解き方や出力形式を示す方法です。LLMは例からパターンを読み取り、同じ形式や判断基準で新しい入力に応答しやすくなります。
正解の理由
選択肢1は、少数の入出力例を示して望ましい解き方や形式を誘導すると説明しています。これはFew-shot promptingの定義です。たとえば分類タスクで「入力文」と「カテゴリ」の例を2、3件示すと、モデルは次の入力にも同じカテゴリ体系で答えやすくなります。
他の選択肢の評価
- 選択肢2はZero-shot promptingです。例を示さず、指示だけで解かせます。
- 選択肢3はファインチューニングです。モデルの全パラメータまたは一部パラメータを追加学習する方法で、プロンプトに例を入れるだけのFew-shotとは異なります。
- 選択肢4はランダムな並べ替えであり、プロンプト設計の説明ではありません。
実務上の注意
- 例の品質が低いと、誤った形式や判断基準を学習してしまいます。
- 例が多すぎるとコンテキストを圧迫し、コストや遅延が増えます。
- 例の順序や偏りが出力に影響することがあります。
G検定では、Zero-shot、One-shot、Few-shot、ファインチューニングの違いを整理しましょう。Few-shotは重みを更新せず、推論時の入力に例を含める点が重要です。
試験対策の確認
生成AI・LLMの論点では、便利さだけでなく、制約とリスクを同時に押さえることが重要です。プロンプト、RAG、ファインチューニング、トークン、コンテキスト、権利・機密情報の各用語は相互に関連します。実務では、モデルの出力をそのまま正解とみなさず、根拠確認、アクセス制御、ログ管理、人間によるレビューを組み合わせて安全に運用します。
追加の確認観点
生成AI・LLMの問題では、技術用語を単独で覚えるより、入力、検索、生成、検証、運用管理の流れに置いて理解することが重要です。トークンやコンテキストは制約、プロンプトは制御、RAGは外部知識の参照、ファインチューニングは振る舞いの調整、ガバナンスは安全な利用のための仕組みです。実務では、出力が自然でも根拠が正しいとは限らず、機密情報や著作権のリスクも残ります。G検定では、便利な応用例と同時に、限界、確認手順、人間のレビューが必要な場面を押さえてください。