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

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）