エンジニアなら知っておきたい生成AIのキホン ChatGPT/Copilot/Geminiから学ぶ最新技術と活用

著者名：梅田弘之

インプレス（2025/02発売）

• ISBN：9784295021049

内容説明

※この商品は固定レイアウトで作成されており、タブレットなど大きいディスプレイを備えた端末で読むことに適しています。また、文字列のハイライトや検索、辞書の参照、引用などの機能が使用できません。

●生成AIの仕組みをイメージする
生成AIは、革新的なIT技術として注目されていますが、同時にその技術背景は難解で専門的という印象がありました。本書では代表的な生成AIサービスを取り上げながら、その技術をできるだけ分かりやすく解説し、ビジネスの現場に応用していくための解法を提供するものです。
本書では生成AIの技術的な側面に迫りますが、専門家向けの解説を行うものではありません。生成AIの理解に必要な背景を比較的平易なコンピュータ用語で解説していきます。仕事でコンピュータを使っているさまざまな方のリテラシーを前提に、技術のイメージを大まかにつかんでもらえるような説明をしていきます。
●大規模言語モデルからチューニングなどの技術要素をフォロー
生成AIは従来の人工知能から進んで、文書や画像などのコンテンツを生み出すことができます。その背景には大規模言語モデル（LLM）という従来にはないデータ基盤を利用していることがあります。本書ではさまざまなサービスで採用されているTransformerというモデルを題材にLLCの仕組みを説明します。また、それら汎用モデルをカスタマイズし、ビジネスに活かしていく方法を探ります。
●さまざまなIサービスをカバー
本書では代表的な生成AIのサービスであるChatGPTのほか、マイクロソフトのBingやCopilotなどのサービスの特長や技術背景についても説明します。利用方法のほか、自身が必要とする生成結果を得るためのチューニングなど、より実践的な利用法を解説します。また、生成AIの分野ではさまざまなサービスが次々と登場しており、新しいサービスを含めた特徴や違いなどについても考察を加えています。

目次

表紙
はじめに
第1章 GPTで始まる大規模言語モデル時代
ChatGPTとは
GPT誕生までのヒストリー
ChatGPTの成長
OpenAIとMicrosoft
大規模言語モデル
大規模言語モデル競争
AIデバイド（AI Divide）
この章のまとめ
第2章 大規模言語モデルの学習
人の一生とAIの短期トレーニング
生成AIの学習データ
言語モデルの本質
大規模言語モデルは言語の天才
この章のまとめ
第3章 Transformerモデルの仕組み
回帰型ニューラルネットワーク
Transformerアーキテクチャー
エンべディングと多次元
ニューラルネットワークの構造
RLHF使ったマナー教育
AlphaGoと言語モデルの対比
この章のまとめ
第4章 Microsoftの「Bing」と「Copilot」
Microsoft Bingの「検索」と「チャット」
プロメテウス（Prometheus）
Bingの追い上げ状況
Copilotシリーズ
Copilot for Microsoft 365
Copilot for Microsoft 365の利用イメージ
Copilot for Microsoft 365のプラグイン
入力データのAI学習への利用
この章のまとめ
第5章 プラグインとカスタムGPT
ChatGPTのWeb Browsing機能
カスタム指示（Custom instructions）
ChatGPTのプラグイン機能
Popularタブのプラグイン
ChatGPTとプラグインの役割分担
Function Calling機能
プラグインとカスタムGPTの違い
GPTストア
カスタムGPTの構成
GPT BuilderでカスタムGPTを作成
厳選カスタムGPT
この章のまとめ
第6章 カスタムGPTと画像生成AI
ChatGPTチームが作成したGPT
画像生成AI
生成AIが画像を生成できるわけ
クロスモーダル学習
主な画像生成AI/画像生成AIの作品鑑賞
画像の編集の実践
図版の作成
画像生成AIの限界
この章のまとめ
第7章 ChatGPT-4oとChatGPT Enterpriseとmini
ChatGPT-4o
「チャット」と「API」
o1-previewとo1-mini
マルチモーダルの実力
ChatGPT Enterprise
GPT-4o with canvas
この章のまとめ
第8章 インコンテキスト学習とファインチューニング
生成AIに追加学習する構想
AI（Deep Learning）で取り組まれてきた活用例
生成AIに期待される応用例
自社データを追加学習させる3つの方法
インコンテキスト学習
インコンテキスト学習の方法
転移学習
ファインチューニング
ファインチューニングのやり方について
この章のまとめ
第9章 RAGとエンべディング
ファインチューニングの課題
RAGとは
LLM Orchestration Framework
LangChain
RAGを使った独自データ検索
Dify
ベクトルデータベース
RAG学習データ作成の工夫
この章のまとめ
第10章 プログラミング支援
生成AIがプログラミングに強い理由
コード生成およびアルゴリズム支援
コードの品質向上と最適化
テスト支援
ドキュメンテーション
プログラマーは生成AIに仕事を奪われる職業か
この章のまとめ
第11章 プロンプトの書き方
良いプロンプトを書くためのポイント
プロンプトエンジニアリング
OpenAIの推奨するプロンプトの書き方
この章のまとめ
第12章 いろいろな生成AIを試してみる
無料で使える生成AI/プロンプト：質問に対する回答
この章のまとめ
INDEX（索引）
奥付

感想・レビュー

※以下の感想・レビューは、株式会社ドワンゴの提供する「読書メーター」によるものです。

[たこ焼き]

Chat GPTは国立国語研究所のデータを活用している。LLMは考えているのではなく連想ゲームを鍛え上げた人という感じ。日本語でも英語でも言語を超えたAIモデルがそれぞれの言語で答えるだけ。前の言葉を単純に伝言ゲームのように伝えながら次の出力を予測するのが回帰型ニューラルネットワーク。LSTMは短期記憶と長期記憶で分ける。前後の文脈を考えずに一気に全単語を分析し、単語の重み付けをすのがattentionモデル。RLHFで悪い言葉を省いている。文章は碁の勝ち負けと違って成功が曖昧なので人間の手助けが必要

2025/09/23

[The pen is mightier than the sword]

Copilot for Microsoft 365でTeams オンライン会議でリアルタイムで会話の要点をまとめてOneNoteなどに表示し、必要な質問のアドバイスをしてくれるようだ。 自分にとってはRAGについて簡単にではあるが踏み込んでいる第9章がありがたい。LLM Orchestration frameworkとか、LangChainとか、Difyとか、これまで知らなかった分野に一歩踏み出させてくれた。もう一回読んだ方が良さそうだ。594

2025/10/23

[k]

浅く広く生成AIのことを記載している。知らない人には分からないところが多く、知ってる人からするとあまり参考にはならないのでは？と思う。これをマップとしてわからないところを調べるのが良いかな。

2025/04/21