AI駆動でサービスを創る――スモールAIサービスを作りながら学ぶ、生成AIを最大限活かす方法

■■■■第一部　AI駆動によるサービス創りの全体像
■■■第1章　AIサービスの基本
■■1.1　AIサービスをなぜ作るのか
■1.1.1　AIサービスの基本的な活用例：Consensus
■1.1.2　ドメインデータを活用したAIサービス：
■1.1.3　画像処理を用いたAIサービス：冷蔵庫レシピ生成Sous Chef
■■1.2　AIサービス創りに必要な3つの観点と3つの分析
■■■第2章　AIサービス創りのための3つの観点
■■2.1　どのようなAIサービスを創るか？
■■2.2　観点1：不確実な対象に使う
■2.2.1　AIサービスと非AIサービスの違い
■2.2.2　入力の不確実性と出力の不確実性
■［Column］AIとデータ分析：データ分析と不確実性も相性が良い
■■2.3　観点2：チャットでないもの、生成しないものにも使う
■2.3.1　“チャット”の暗黙バイアス
■2.3.2　チャットではないものにもAIを使う
■2.3.3　“生成AI”の暗黙バイアス
■2.3.4　生成ではないものにもAIを使う
■2.3.5　暗黙バイアスを意識的に取り除く
■■2.4　観点3：ドメインの強みを活かす
■2.4.1　ドメインデータやドメイン知識がAIサービスの肝
■2.4.2　活用できるデータがない場合の対応策：ミニマムPoC
■2.4.3　構造化データと非構造化データ
■［Column］生成AIとデジタルトランスフォーメーション
■■■第3章　AIサービス創りのための3つの分析
■■3.1　サービス創りの前の事前準備
■■3.2　分析1：ビジネス分析
■3.2.1　組織内のコストダウン
■3.2.2　既存サービスの収益向上
■3.2.3　新規サービス開発
■3.2.4　AI駆動のビジネス分析
■■3.3　分析2：効果分析
■3.3.1　AIサービスに対する効果分析
■3.3.2　ミニマムPoCによる効果分析
■3.3.3　AIサービスのコスト算出
■3.3.4　AI駆動の収支分析
■■3.4　分析3：リーガル分析
■3.4.1　特許調査と知財権利化
■3.4.2　AI駆動の特許調査
■3.4.3　その他のリーガルリスク
■［Column］画像生成AI利用に関するリーガルリスク
■■■第4章　AIサービスの実装方式の種類と選択
■■4.1　AIサービスの実装方式
■4.1.1　サービス公開
■4.1.2　生成AIの基本性能
■4.1.3　自由度
■4.1.4　実装難易度
■4.1.5　データ秘匿性
■4.1.6　収益化
■■4.2　AIサービスの実装方式の選択
■4.2.1　分岐1：データの外部送信可否と生成AIの大規模チューニング
■4.2.2　分岐2：外部API連携と収益化
■■4.3　第一部のまとめ：AIサービス開発のはじめの一歩

■■■■第二部　AIサービスをノーコードで実装する
■■■第5章　ChatGPTの基本的な使い方
■■5.1　プロンプト
■5.1.1　プロンプトの基本
■5.1.2　システムプロンプトとユーザープロンプト
■5.1.3　プロンプトエンジニアリング
■5.1.4　プロンプトエンジニアリングにどこまで注力するべきか？
■5.1.5　入出力の単位：トークン
■■5.2　追加データの活用方法
■5.2.1　Zero-shot学習
■5.2.2　Few-shot学習
■5.2.3　外部知識活用
■［Column］画像ファイルの活用
■［Column］生成AI向けWebサイト情報収集への許可設定
■5.2.4　ファインチューニング

■■■第6章　カスタムGPTによるAIサービスのノーコード実装
■■6.1　カスタムGPTの基本
■6.1.1　［構成］モードの設定項目
■6.1.2　「知識」の活用
■6.1.3　サービスの公開
■［Column］従来のノーコード開発と生成AIノーコード開発の違い
■■6.2　カスタムGPTの応用
■6.2.1　例1：ユーザーサポートサービス（知識の活用）
■6.2.2　例2：ビジネス分析サービス
■6.2.3　例3：生成AIの収支予測サービス
■6.2.4　プロンプト作成時のトライアンドエラー
■■6.3　第二部のまとめ：AIサービスの可能性と課題
■6.3.1　ハルシネーション
■6.3.2　出力結果の多様性
■6.3.3　情報のリーク・プロンプトインジェクション

■■■■第三部　AIサービスをAPI／OSSモデルで実装する
■■■第7章　OpenAIAPIによるAIサービスの実装
■■7.1　OpenAIAPI keyの取得
■［Column］OpenAIAPI利用の上限
■■7.2　Google Colaboratoryでのコーディングテスト
■7.2.1　Google Colaboratoryの準備
■7.2.2　コーディング
■7.2.3　コードの実行
■■7.3　Gradioを用いたデモ作成
■7.3.1　コーディング
■7.3.2　コードの実行
■■7.4　Hugging Face Spacesでの公開
■7.4.1　Hugging Face Spacesの利用準備
■7.4.2　OpenAIAPI keyの保存
■7.4.3　app.pyのコーディング
■7.4.4　requirements.txtの準備
■7.4.5　サービスの起動
■7.4.6　作成したサービスの公開設定
■［Column］Google ColaboratoryとHugging Face Spacesの使い分け
■7.4.7　ファインチューニング済みモデルの実行

■■■第8章　生成AIのOSSモデルによるAIサービスの実装
■■8.1　生成AIのOSSモデル利用の利点と注意点
■■8.2　Hugging Faceの生成AIモデルアクセス準備
■8.2.1　Hugging Faceアクセストークンの取得
■8.2.2　モデルアクセス権の取得（Llama3.1の場合）
■■8.3　Google Colaboratoryでのコーディング
■8.3.1　ハードウェアの選択とアクセストークンの設定
■［Column］Google Colaboratoryの利用コスト
■8.3.2　アクセストークンの設定
■8.3.3　コーディング
■8.3.4　コードの実行
■8.3.5　Gradioによるデモアプリ作成
■8.3.6　Hugging Face Spacesでの公開（Zero GPU使用）
■［Column］生成AIを用いたコード生成
■■8.4　生成AIのOSSモデルの種類と選択
■8.4.1　日本語特化の生成AIのOSSモデル
■8.4.2　OSSモデルのモデルパラメータとハードウェア要件
■［Column］GPUが使われる理由
■［Column］OSSモデルを用いる場合のRAGの利用
■■8.5　第三部のまとめ：AIサービスの実装、運用と管理へ向けて
■8.5.1　運用と管理（LLM Ops）

■■■■第四部　AIを正しく駆動させるためのAIの理解
■■■第9章　AIを理解する
■■9.1　AIの基本
■■9.2　ルールベースAI
■■9.3　機械学習の基本
■［Column］教師あり学習と教師なし学習
■■9.4　分類問題を解くためのAI
■9.4.1　生成モデルを用いた古典的分類
■9.4.2　識別モデルの利用
■［Column］生成AIを用いた機械学習の実装
■9.4.3　深層学習による特徴量抽出
■■9.5　機械学習に用いるデータ
■9.5.1　データの直感的・空間的理解
■9.5.2　学習データ、検証データ、テストデータ
■9.5.3　学習データ追加の方策と問題の見なおし

■■■第10章　大規模言語モデルを理解する
■■10.1　言語モデルの基本
■■10.2　統計的言語モデル
■10.2.1　Ngramモデル
■［Column］自己回帰で生成する
■10.2.2　単語の抽象化：クラスNgramモデル
■10.2.3　文脈の抽象化：トピックモデル
■10.2.4　単語と単語の関係に対するモデル化：トリガーモデル
■■10.3　ニューラル言語モデル
■10.3.1　単語の埋め込み（word2vec）
■10.3.2　文脈の深層学習：RNN（LSTM）
■10.3.3　単語と単語の関係に対する深層学習：注意機構、Transformer
■10.3.4　Transformerの転移学習：BERT/T5
■10.3.5　GPT（decoder onlyモデル）
■■10.4　大規模言語モデルの学習
■10.4.1　事前学習
■10.4.2　インストラクションチューニング
■10.4.3　人間の感覚との一致、倫理の学習
■■10.5　大規模言語モデルのドメイン適応
■10.5.1　RAG
■10.5.2　ファインチューニング
■10.5.3　継続事前学習
■■10.6　第四部のまとめ：LLMの現在と未来
■10.6.1　文法の正確性
■10.6.2　外部ドメイン知識
■10.6.3　指示応対能力