「アイディア出しの技術」を生成AIに学ばせた結果がすごすぎた。 - STUDY HACKER（スタディーハッカー）｜社会人の勉強法＆英語学習
企画を考えたり、問題解決の方法を模索したり、ビジネスの場面では、アイデアを考えることが多くあります。しかし、なかなかいいアイデアが浮かばない……ということも多いですよね。 そんなときは、生成AIにアイデア出しを手伝ってもらうのはどうでしょうか。 本記事では、ビジネスでよく使われるアイデア出しの基本技術をAIに適用させ、それを使って実際にアイデアを出すプロセスをご紹介します。今回は、多くの人にとって身近な「オフィスの生産性向上」をテーマにアイデア出しを試してみました。 生成AIはアイデア出しの強い味方になる！ まずは簡単な準備から。使うAIを選ぼう 1. アイデア出しの基本「逆算法」 2. アイデアを広げるなら「SCAMPER法」 3. 異なる視点を得るなら「ペルソナ法」 AIはアイデア出しの強い味方になる！ 実践してわかった、生成AIでアイデアを出すコツ 生成AIはアイデア出しの強い味方に
RAGの性能を改善するための8つの戦略 | Fintan
近年、OpenAIのGPT-4やGoogleのGemini、MetaのLLaMAをはじめとする大規模言語モデル（Large Language Model：LLM）の能力が大幅に向上し、自然言語処理において優れた結果を収めています[1][2][3]。これらのLLMは、膨大な量のテキストデータで学習されており、さまざまな自然言語処理タスクにおいて、タスクに固有なデータを用いてモデルをファインチューニングすることなく、より正確で自然なテキスト生成や、複雑な質問への回答が可能となっています。 LLM-jp-eval[4]およびMT-bench-jp[5]を用いた日本語LLMの評価結果。Nejumi LLMリーダーボード Neoより取得。 大規模言語モデルは近年急速な進歩を遂げていますが、これらの進歩にもかかわらず、裏付けのない情報や矛盾した内容を生成する点においては依然として課題があります。たとえ
各種Prompt Engineeringの日本語実例集（Zero-CoT、mock、ReAct、ToT、Metacog、Step Back、IEPなど） - Qiita
各種Prompt Engineeringの日本語実例集（Zero-CoT、mock、ReAct、ToT、Metacog、Step Back、IEPなど）Python機械学習入門ChatGPTLLM CoT、Zero-CoT、ToT、mock、ReAct、Step Back、Metacog、IEPなど、各種Prompt Engineering手法の概説と、日本語での実際のプロンプト例をまとめた記事です。 各種Prompt Engineering手法を日本語で実装したい方向けの記事となります。 本記事で取り扱う手法は以下の通りです。 項目数が多いため、記事右下の目次リンクもご活用ください。 本記事の内容 01: 通常のPrompt 02: Few-shot Learning 03: CoT（Chain of Thought） 04: 出力形式の指定方法 05: Zero-shot CoT（≒
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
LLMの現在 - Speaker Deck
AIが「長期記憶」を手に入れて進化、相手の名前や予定を覚え、文脈を共有して話せる「MemGPT」【イニシャルB】
