JTP Technology Port

    技術や情報、そして人々が集まる"港"

AWS AI Practitioner (AIF)で学ぶ AIの基礎テクニック ― プロンプト設計・推論パラメーター・責任あるAI | AWS AIF入門①

生成AIを業務で使う機会は増えましたが、「どう指示すれば狙いどおりの回答になるのか」を説明できる人はまだ多くありません。AWS Certified AI Practitioner(以下、AIF)は、こうしたAIの基礎を体系的に学べる資格です。本記事では社内のAIF勉強会の内容をもとに、試験の概要、AIFで学べるAIテクニック、責任あるAIの考え方を解説します。

AWS Certified AI Practitioner(AIF)とは

AIFは、AI・機械学習(ML)・生成AIの概念とユースケースに関する知識を証明する、AWSの基礎(Foundational)レベルの認定資格です(出典:AWS Certified AI Practitioner)。

項目

内容

試験時間 / 問題数

90分 / 65問(うち採点対象50問)

合格ライン

700点(100〜1,000点の換算スコア)

受験料

100 USD(円建て価格は為替により変動)

受験方法

テストセンター または オンライン(日本語可)

有効期限

3年

※受験の際は必ず公式サイトをご確認ください(AIF-C01 試験ガイド)

出題分野は「AIとMLの基礎(20%)」「生成AIの基礎(24%)」「基盤モデルの応用(28%)」「責任あるAIに関するガイドライン(14%)」「AIソリューションのセキュリティ、コンプライアンス、ガバナンス(14%)」の5つです(出典:AIF-C01 試験ガイド)。サービスの構成設計を問う問題は少なめで、AWS資格に初めて挑戦する人にも取り組みやすい入口です。

プロンプトのベストプラクティス

プロンプトのベストプラクティスとは、目的・前提条件・制約・出力形式を明らかにし、AIが迷わず処理できるよう指示を構造化することです。AWSも、希望する応答を明確に定義し、形式の制約を含めた出力要件をプロンプトに含めることを推奨しています(出典:プロンプトエンジニアリングとは - AWS)。

<プロンプトのベストプラクティス>

  1. 明瞭かつ簡潔にする
    「この文章をいい感じにまとめて」ではなく、「次の文章を200字以内で要約し、重要な事実を残して箇条書き3点にまとめてください」のように、目的・条件・出力形式を明示します。
     

  2. 必要に応じてコンテキストを含める
    「北海道の旅行プランを作って」に、「20代男性向け、2泊3日、グルメ中心、予算1人3〜4万円、公共交通機関を利用」といった対象者や前提条件を補います。ただし、回答に関係のない情報は重要な点をぼやけさせるため入れすぎに注意します。
     

  3. 適切な応答タイプの指示を活用する
    「テレワークのメリットとデメリットを教えて」に「表形式で整理してください」と添えるだけで出力が安定します。箇条書き、表、手順、メール形式など、形式・文体・詳しさを指定しましょう(出典:プロンプトを設計する - Amazon Bedrock)。
     

  4. 複雑なタスクを分割する
    「新商品のプレゼン資料を作って」と一度に頼まず、「特徴を整理 → 想定顧客と課題を整理 → 解決方法を説明 → 構成を作成 → 各スライドの要点を提示」と手順に分けると、抜けや誤りを減らせます。

Chain-of-Thought(CoT)プロンプティング

CoTとは:AIに「途中式」を書かせる手法

Chain-of-Thought(思考の連鎖、CoT)は、複雑な質問を、思考の流れを模倣した小さな論理的ステップに分解して解かせる手法です(出典:プロンプトエンジニアリングとは - AWS)。算数のテストの「途中式」をイメージするとわかりやすいでしょう。答えだけでは「どう考えたのか」がわかりませんが、途中式があればどこで間違えたのかを確認でき、書く本人も手順を一つずつ確かめながら解けます。

使い方は簡単で、指示文に「ステップバイステップで考えてください」「答えをいきなり出さず、一文ずつ箇条書きで考えてください」「計算の根拠となる式と使った数値を明示してください」といった一文を加えるだけです。Amazon Bedrockのドキュメントでも、複雑なタスクで段階的に考えるよう指示する方法が紹介されています(出典:プロンプトを設計する - Amazon Bedrock)。

 

利益計算で比べてみる

勉強会では、売上高10,000円、売上原価6,500円、販管費・営業外収益・営業外費用・法人税等が各500円という条件で、各段階の利益をAIに計算させました。正解は売上総利益3,500円、営業利益3,000円、経常利益3,000円、純利益2,500円です。

CoTなしでも金額はすべて正解でした。しかし、営業利益の「−500円」が販管費なのか営業外費用なのか、純利益の計算に使った「3,000円」が営業利益なのか経常利益なのかは、式から読み取れません。今回はたまたま同じ金額だったため結果が合っただけで、条件が変われば誤りに気づけない可能性があります。CoTありでは、どの数値をどの式に使ったかが手順ごとに示されるため、人間が一行ずつ検証できます。AIの回答を業務で使う場合、根拠を確認できることは大きな利点です。

 

メリットと注意点

CoTのメリットは、回答の精度と一貫性が向上すること、そして推論の過程が見えるため、AIの誤り(ハルシネーション)を見つけやすくなることです。計算や条件分岐のある判断など、複数ステップの推論が必要なタスクで特に効果を発揮します。

一方、手順を書き出す分だけ出力が長くなり、応答時間も延びやすくなるため、単純な質問にまで使う必要はありません。途中の手順自体が誤っている可能性もあるため、最終確認は人間が行いましょう。AIFの試験ガイドでも思考の連鎖は出題範囲に含まれており(出典:AIF-C01 試験ガイド コンテンツ分野3)、主な利点は「モデルの推論プロセスを明示的にする」ことだと押さえておきましょう。

推論パラメーター:温度とトップP

生成AIは「次に続く言葉」を確率で選んでいる

生成AIは、入力された文章に続く「次のトークン(単語や文字のかたまり)」の候補ごとに確率を計算し、その中から1つを選ぶ処理を繰り返して文章を作っています。たとえば「今日の天気は」に続く候補が「晴れ50%・曇り30%・雨15%・雪5%」だったとします(説明用の仮の値)。勉強会では「We are」に続く言葉を参加者に思い浮かべてもらい、人によって候補が異なることを体験しました。AIも同様に複数の候補を持っており、どの候補をどれくらい選びやすくするかを調整するのが、温度やトップPといった推論パラメーターです。

 

トップP:候補を「上位から何%分」に絞る

トップPは、確率の高い候補から順に確率を足し合わせ(累積確率)、指定した値に達するまでの候補だけを選択対象にする設定です(出典:推論パラメータ - Amazon Bedrock)。

上記の例では、累積確率は「晴れ」50%→「曇り」80%→「雨」95%→「雪」100%と増えていきます。トップP=0.1なら「晴れ」だけで10%に達するため候補は「晴れ」のみ、0.9なら「雨」まで含めて90%に達するため「晴れ・曇り・雨」が候補になります。小さくすると出力は安定しますが単調に、大きくすると表現は豊かになりますが文脈に合わない言葉も混ざりやすくなります。

なお、候補を「上位何個」で絞るトップKというパラメーターもあり、トップK=2なら「晴れ」「曇り」だけが候補になります。

 

温度:確率の「差」を強めたり弱めたりする

温度(Temperature)は、候補を絞るのではなく確率分布の形を変える設定です。低いほど確率の高い候補に集中して決定論的な応答に、高いほど候補間の差が縮まりランダムな応答になります。天気の例では、温度を下げると「晴れ」が約69%に高まり「雪」はほぼ選ばれなくなる一方、温度を上げると「晴れ」約38%、「雪」約12%と差が縮まります。

勉強会では、「介護の現状の課題を小学生にもわかるように3行で教えて」というプロンプトを温度だけ変えて実行しました。内容は似ていても、温度が高い方が言葉の選び方に幅が出ます。また、温度が低いと実行するたびに似た文章になり、高いと毎回異なる表現になる傾向も見られました。

目安としては、議事録の要約やマニュアル作成など再現性が重要な用途は低め(0〜0.3)、社内問い合わせへの回答やメール作成は中間(0.4〜0.8)、新サービスの名前案を大量に出すようなアイデア出しは高め(0.9〜)です。ただし設定できる範囲はサービスによって異なります。また、温度を下げても正確性が保証されるわけではありません。同じ答えが出やすくなるだけで、その答えが誤っていれば誤りが安定して出力されます。

 

温度とトップPの使い分け

温度は「候補全体の選ばれやすさ」、トップPは「選択肢にする候補の範囲」を調整します。表現の幅を広げたいときは温度を上げる、不自然な言葉が混ざるのを防ぎたいときはトップPを下げる、と考えるとわかりやすいでしょう。両方を同時に動かすと変化の原因がわかりにくくなるため、まずは一方ずつ調整するのがおすすめです。AIFの試験ガイドにも「推論パラメータがモデルの応答に与える影響を説明する」という項目があるため(出典:AIF-C01 試験ガイド コンテンツ分野3)、「より一貫性のある出力にしたいなら温度を下げる」のように、それぞれの役割を言葉で説明できるとよいでしょう。

責任あるAIの要素

責任あるAIとは、潜在的なリスクを抑えながら、AIシステムが透明で信頼できるものであることを保証するための実践と原則です。AWSは次の8つをコアとなる観点として定義しています(出典:責任ある AI - AWS)。

要素

意味

具体例

公平性

多様な利害関係者への影響を考慮する

採用AIが特定地域の出身者を優遇しない

説明可能性

出力を理解・評価できる

融資審査AIが否決理由を示す

プライバシーとセキュリティ

データとモデルを適切に扱い保護する

匿名化・暗号化、アクセス制御

安全性

有害な出力や誤用を防ぐ

ロボットが人を検知して停止する

可制御性

AIの動作を監視・制御できる

非常停止ボタンで人が介入できる

正確性と堅牢性

想定外の入力でも正しく動作する

自動運転AIが悪天候でも安全に走る

ガバナンス

ベストプラクティスを組織と供給網に組み込む

ルール策定と責任の明確化

透明性

利用者が十分な情報で選択できる

「AIが回答します」と明示する

混同しやすいのが説明可能性と透明性です。前者は「なぜその結果になったか(Why)」、後者は「AIがどのように使われているか(How)」を明らかにするもの、と整理すると覚えやすくなります。また、バイアス対策ではデータ量を増やすだけでは不十分で、多様で対象者を代表するデータを使い、結果を継続的に検証することが重要です。

今回のまとめ

  • AIFはAI・ML・生成AIの基礎を幅広く学べる、初学者向けのAWS認定資格
  • プロンプトは「明瞭・簡潔」「コンテキスト」「応答タイプ」「タスク分割」で質が上がる
  • CoTは推論過程を可視化し、精度向上と誤りの検証に役立つ
  • 温度は分布の形を、トップPは候補の範囲を調整する
  • 責任あるAIは8要素で整理し、説明可能性と透明性の違いを押さえる

次回は、AIFで頻出のAWS AIサービスの特徴と使い分けを解説します。

本記事の内容は、公開時点での内容のものです。
実際に導入を検討する際は、各製品・サービスの情報は、公式サイトのドキュメント等をご参照ください。

JTP Technology Port 新着記事