今日のアジェンダ

1. 機械学習の基本 — AIはどうやって「学ぶ」のか
2. 大規模言語モデル (LLM) — テキスト生成の仕組み
3. AIツールを使ってみよう — ChatGPT / Gemini / Claude を操作
4. プロンプトエンジニアリング — 書き方で出力が変わる
5. マルチモーダルAI — 画像・音声・動画を扱うAI

AIとは何か？

AI (人工知能) とはコンピュータに知的なタスクを行わせる技術の総称

• AIに学習能力を持たせる取り組みをMachine Learning (ML; 機械学習) と呼ぶ
• 機械学習の中で高い性能を発揮している手法にDeep Learning (DL; 深層学習) がある

AI ⊃ ML ⊃ DL の関係性

ルールベース vs 機械学習

機械学習の3ステップ

人間でいうと：
① たくさんの猫を見る → ② 猫の特徴を覚える → ③ 初めて見た動物が猫か判断する

機械学習の種類

現在の生成AI（LLM）は 自己教師あり学習 + 教師あり学習 + 強化学習 を段階的に組み合わせて作られている（詳しくは後述）

ニューラルネットワーク

機械学習の中でも特に強力な手法：ニューラルネットワーク

人間の脳の神経細胞（ニューロン）のつながり方を模倣した計算モデル

基本構造：

• 入力層：データを受け取る（画像のピクセル値、テキストの単語など）
• 隠れ層：データを変換・加工する（特徴を抽出する）
• 出力層：結果を出す（「猫：95%」「犬：3%」...）

深層学習（ディープラーニング） = 隠れ層を多段に積み重ねたもの
→ 層が深いほど複雑なパターンを学習できる

なぜ今AIが急速に進歩しているのか？

3つの要因が同時に揃った：

① データの爆発的増加
インターネット上のテキスト・画像・動画が膨大に蓄積された

② 計算能力の向上
GPU（グラフィック処理装置）が大規模な並列計算を可能にした

③ 「学び方」の工夫が次々と発明された
画像が得意な仕組み、文章の流れを読む仕組み、文全体を一気に見渡す仕組み…と、扱うデータに合わせた手法か登場

LLMとは何か

LLM = Large Language Model（大規模言語モデル）

• 大量のテキストデータ（Web、書籍、論文...）で学習した巨大なニューラルネットワーク
• パラメータ数：数十億〜数兆個（人間の脳のニューロン数 約860億と同程度の規模）
• 「次に来る単語を予測する」という単純なタスクを繰り返し学習した結果、文章生成・要約・翻訳・推論などの多様な能力を獲得した

LLMの基本原理：次の単語を予測する

LLMの本質は「次に来る確率が最も高い単語 (トークン) を予測する」こと

例：「今日の天気は」の次に来る単語は？

→ 確率に基づいて1つ選ぶ → 「晴れ」
→ 「今日の天気は晴れ」の次は？ → 「です」(40%)
→ 繰り返して文章を生成する

確率はどこから来るのか：コーパス

LLMはWeb・書籍・論文など膨大なテキスト（コーパス）を読み、どの単語の後にどの単語が続きやすいかを数え上げている

例：「日本の首都は」の次に来る単語
コーパスを検索すると…

• 「日本の首都は東京」 … 数百万件
• 「日本の首都はどこ」 … 数十万件
• 「日本の首都はパリ (誤り)」 … 少数

→ 出現頻度が高い単語ほど、次に選ばれる確率が高くなる

この学習効率を高めるために様々なアルゴリズムやアーキテクチャが考案されている

LLMはどうやって学習するのか

Step 1：事前学習（Pre-training） ＝ 自己教師あり学習
インターネット上の膨大なテキスト（数兆トークン）から「次の単語予測」を学習
→ 言語の文法、知識、推論パターンを獲得
→ 数千台のGPUで数か月かけて学習（数十億円規模のコスト）

Step 2：ファインチューニング（Fine-tuning） ＝ 教師あり学習
人間が書いた高品質な対話データで追加学習
→ 「質問に対して適切に回答する」振る舞いを学ぶ

Step 3：RLHF（人間のフィードバックによる強化学習） ＝ 強化学習
人間が「良い回答」「悪い回答」を評価 → その評価をもとにモデルを改善
→ 有害な回答を減らし、有用な回答を増やす

LLMの能力と限界

ChatGPTをはじめとするLLMサービスはLLMを中心としたツールチェーンを構築することによってLLMの弱点の解消を進めている (Web検索で最新情報を取得、プログラムを書いて計算、...)

ハルシネーション（幻覚）とは

LLMが事実と異なる情報をもっともらしく生成してしまう現象

例：
Q: 「〇〇大学の△△教授の研究業績を教えて」
A: 「△△教授は2019年にNature誌に論文を発表し...」← 実在しない論文を生成

なぜ起きるのか：
LLMは「次の単語の確率」で文章を生成しているだけで、「事実かどうか」を検証する仕組みを持っていない

対策：

• AIの出力を鵜呑みにしない。重要な情報は必ず一次情報源で確認する
• 「出典を示して」と依頼し、その出典が実在するか確認する
• AIは下書き生成の道具として使い、最終判断は人間が行う

様々なLLMサービス

LLMを使った作業のパフォーマンスをさらに高めるには複数サービスの使い分けが有効

• タスクによって得意・不得意が異なる
• 同じサービスでも軽いモデル・重いモデルが用意されている

一方で、どれも互いの良さを取り込んで進歩しているので、「今どれが一番か」を追い続けるより、手に馴染んだ1つを深く使うことがおすすめ

LLMの出力には必ず「ゆらぎ」がある

LLMの出力にはランダム性（確率的サンプリング） が含まれている

「今日の天気は」→ 「晴れ」(35%) 「曇り」(20%) 「雨」(15%)...
→ 毎回確率に基づいてランダムに選ぶので、結果が変わる

ランダム性を調整するためのtemperatureという内部パラメータ (小さい値ほど安定、大きい値ほど創造的だが不安定) があるが、基本的には各LLMサービス/APIが理想値を設定しているので編集不要

ランダム性を無理に制御しようとするのではなく、複数の案を出力して選択する視点が重要

コンテキストウィンドウと「記憶」

LLMは会話のコンテキスト (文脈) を一定量しか保持できない

コンテキストウィンドウ = AIが一度に見られるテキストの長さ

• GPT-4o：128,000トークン（本1冊分程度）
• Claude (Sonnet 4.6)：1,000,000トークン（本10冊分程度）
• Gemini：1,000,000〜2,000,000トークン

重要な性質：

• ウィンドウを超えると古い情報は「忘れる」
• 新しい会話を始めると、前の会話の内容は引き継がれない

長い作業を依頼するときは、必要な情報を別ファイルに書いて会話を仕切り直すと良い

プロンプトとは

プロンプト（Prompt） = AIへの入力テキスト（指示文）

AIの出力品質はプロンプトの書き方に大きく左右される

悪いプロンプトの例：

なんかいい感じのアプリのアイデア教えて

良いプロンプトの例：

大学1年生が履修登録で困っている場面を想定して、その課題を解決するスマホアプリのアイデアを3つ提案してください。各アイデアについて、ターゲットユーザー、解決する課題、主な機能を1文ずつで説明してください。

→ 具体的で、条件が明確で、出力形式を指定している

プロンプトの基本構造

良いプロンプトには4つの要素がある：

全部入りの例：

あなたはUXデザイナーです。大学生向けの時間割管理アプリのユーザビリティ改善案を3つ提案してください。各提案は「課題→改善案→期待される効果」の形式で、それぞれ140文字以内で記述してください。

プロンプトのテクニック①：具体性を上げる

曖昧 → 具体的 に変えるだけで出力が大幅に改善する

ポイント： AIは「あなたの頭の中」を読めない。
文脈・条件・期待する出力をすべて言葉にして伝える必要がある。

プロンプトのテクニック②：段階的に指示する

一度に複雑な指示を出すより、ステップに分ける方が精度が上がる

一度に全部（精度が落ちやすい）：

大学生向けアプリのアイデアを考えて、ペルソナを作って、画面設計もして

段階的に（精度が上がる）：

① 大学1年生が困っていることを5つ挙げて
② その中で「空きコマの過ごし方」に焦点を当てて、ペルソナを1人作って
③ そのペルソナが使うアプリの画面構成を3画面分提案して

→ 各ステップでAIの回答を確認し、必要なら修正を加えてから次に進む

プロンプトのテクニック③：例を示す（Few-shot）

AIに「こういう形式で答えてほしい」という例を1〜2個示すと精度が上がる

例なし：

以下のアプリレビューの感情を分析してください

例あり（Few-shot prompting）：

以下のアプリレビューの感情を分析してください。

例1：「使いやすくて毎日開いてます！」→ ポジティブ（理由：満足度が高い）
例2：「アップデートで重くなった」→ ネガティブ（理由：品質低下への不満）

分析対象：「デザインは良いけど通知が多すぎる」→

→ 形式・粒度・判断基準が例から伝わるので、期待通りの回答が得られやすい

プロンプトのテクニック④：役割を与える

AIに専門家の役割を与えると、その分野に適した回答が得られやすい ...こともある

役割なし：

このアプリの問題点を教えて

役割あり：

あなたは10年の経験を持つUXデザイナーです。新入社員が持ってきたこのアプリの問題点を...

基本的にはどのLLMサービスも「デフォルト」で良い出力が得られるようチューニングされているので、あくまで別の視野が必要な時に使うくらいで良い

プロンプトのテクニック⑤：出力形式を指定する

出力形式を明示すると、整理された使いやすい回答が得られる

形式指定の例：

表形式で出力してください：
| 機能名 | メリット | デメリット | 優先度(高/中/低) |

以下の構成で出力してください：
【課題】〇〇
【解決策】〇〇
【実装の難易度】〇〇

→ 後で加工しやすい形式を指定すると、作業効率が上がる

プロンプトのアンチパターン

避けるべきプロンプトの書き方：

「AIが期待通りの回答をしない」のは、多くの場合プロンプトの問題。
→ まず自分の指示を見直す習慣をつけよう。

マルチモーダルAIとは

モーダル（Modality） = 情報の種類・形式
テキスト、画像、音声、動画、コード... これらは異なるモーダル

マルチモーダルAI = 複数のモーダルを同時に扱えるAI

画像生成AI

テキストの指示（プロンプト）から画像を生成する技術

主なサービス：

• DALL-E 3（OpenAI / ChatGPTに統合）
• Midjourney（Discord経由で利用）
• Stable Diffusion（オープンソース）
• Adobe Firefly（Adobeツール統合、商用利用に配慮）
• Gemini Imagen（Google）

プロダクトでの活用例：

• UIデザインのモックアップ生成
• プレゼン資料用のイラスト作成
• ブランドのビジュアルコンセプト検討

画像生成AIの仕組み（拡散モデル）

現在の画像生成AIの主流：拡散モデル（Diffusion Model）

原理：
① きれいな画像にノイズ（砂嵐）を少しずつ加えていく過程を学習
② 学習後、ノイズだらけの画像から「ノイズを除去」する方向に生成
③ テキストの条件（プロンプト）に合うようにノイズ除去を誘導

イメージ：

• 砂嵐の画面（ノイズ100%）からスタート
• 「青い空と海の風景」という条件に合うように、少しずつノイズを取り除く
• 最終的にプロンプトに合った画像が現れる

→ 「AIが絵を描いている」のではなく「ノイズから条件に合う画像を復元している」

画像認識・理解AI

画像を入力として受け取り、内容を理解・説明するAI

できること：

• 画像内の文字を読み取る (OCR; Optical Character Recognition)
• グラフや図表のデータを読み取る
• UIデザインのスクリーンショットを分析する
• 手書きのメモやスケッチを解釈する

プロダクトでの活用例：

• アクセシビリティ (画像の代替テキスト自動生成)
• レシート・領収書の自動読み取り
• 名刺のデジタル化
• 建物や植物の画像検索

音声AI

音声認識 (Speech-to-Text; 音声をテキストに変換する)

• OpenAI Whisper：多言語対応の高精度文字起こし
• Google Speech-to-Text：リアルタイム認識が得意
• 活用例：議事録自動作成、字幕生成、音声入力

音声合成 (Text-to-Speech; テキストを自然な音声に変換する)

• ElevenLabs：感情表現豊かな音声合成
• OpenAI TTS：多言語の自然な音声
• 活用例：読み上げ機能、ポッドキャスト生成、多言語対応

音声対話は認識＋生成を組み合わせてリアルタイム会話を実現している

動画生成AI

テキストや画像から動画を生成する（2024〜2025年に急速に発展）

主なサービス：

• Veo（Google DeepMind）：最新はVeo 4。音声同期・長尺に対応
• Runway Gen-4.5：クリエイター向け。物理シミュレーションが高精度

現状の限界：

• 物理法則の正確な再現が難しい場面がまだある
• 長時間の一貫性維持が課題
• 生成に時間がかかる

AIをプロダクトに組み込むパターン

① チャットボット型
ユーザーの質問に自然言語で回答する

② レコメンデーション型
ユーザーの行動から好みを学習し、おすすめを表示

③ 自動生成型
ユーザーの入力をもとにコンテンツを生成

④ 認識・分類型
入力データを自動で認識・分類する

AI活用の落とし穴

① AIを使う必然性があるか？
ルールベースで十分な問題にAIを使うのはオーバーエンジニアリング
例：「営業時間の表示」にAIは不要

② エラー時のフォールバックはあるか？
AIは100%正確ではない。間違えたときにユーザーが困らない設計が必要
例：AIの回答に「参考情報です。正確性は保証しません」と表示

③ ユーザーの信頼を損なわないか？
AIがもっともらしいウソを言うと、プロダクト全体の信頼を失う
例：医療・法律の情報をAIが断定的に回答 → 危険

④ 倫理的に問題はないか？
プライバシー、バイアス、著作権の問題を事前に検討する

AIのバイアス（偏見）

AIは学習データに含まれるバイアスを引き継ぐ

例：

• 「CEOのイラストを描いて」→ 男性のイラストばかり生成される
• 「優秀な学生の特徴は？」→ 特定の文化圏の価値観に偏った回答
• 「犯罪者の特徴を予測して」→ 人種や地域に基づく差別的な結果

学習データ（インターネット上のテキスト・画像）自体が社会の偏見を反映している

AIプロダクト設計で重要なこと：

• 特定の属性（性別、年齢、人種）に基づく判断にAIを安易に使わない
• AIの出力にバイアスがないかチェックするする機構をプロンプトやシステムに組み込む

今日学んだこと

次回：第3回 HCI・プロトタイピング

ユーザビリティ、アフォーダンス、フィードバックなど、ヒューマンコンピュータインタラクション (HCI) の基本原則を事例とともに学ぶ。「誰のどんな課題を解くか」を明確にするためのユーザーシナリオの作成手法を実践する。手描きやAI画像生成により、UIプロトタイプ (ワイヤーフレーム〜モックアップ) を作成する。

a日程：5/12 (火)　b日程：5/19 (火)