要約と抽出のプロンプト

大規模言語モデル（LLM）は、大量のテキストを処理するための強力なツールです。LLMで実行できる基本的かつ非常に有用なタスクに、要約と抽出があります。

要約を使うと、長い文書の要点をすばやく把握できます。抽出では、特定の構造化データを見つけ出して取り出せます。これらを習得すれば、時間を節約し、情報を実際に活用できるようになります。

要約とは、長い文章を、核となる意味と重要な情報を維持しながら短い形に凝縮するプロセスです。簡潔な概要や要旨を作成することだと考えてください。

LLMに要約を依頼するには、通常、テキストと明確な指示を提示します。たとえば、次のようにします。

"Summarize the following article: [ARTICLE TEXT]"

LLMに、目的にぴったり合った要約を生成させることができます。プロンプトでは、次の点を具体的に指定してください。

• 長さ：「3文で」「100語未満で」「簡潔な要約」
• 形式：「箇条書きで」「1段落で」「見出しとして」
• スタイル／トーン：「技術に詳しくない読者向けに」「フォーマルなトーンで」「ニュース報道のように」

具体的に指定すると、求めている出力を正確に得やすくなります。

プロンプトエンジニアリングについての短い段落を要約してみましょう。プロンプトは次のように作成できます。

入力テキスト： 「プロンプトエンジニアリングとは、人工知能、特に自然言語処理の分野における概念であり、幅広いアプリケーションや研究テーマで言語モデルを効率的に利用するために、プロンプトの開発と最適化に重点を置いています。これは比較的新しい分野であり、モデルの重みを変更することなく、望ましい結果が得られるようLLMに指示してその振る舞いを導くための方法を体系化しています。」

プロンプト：

"Summarize the following text in one concise sentence: Prompt engineering is a concept in artificial intelligence, especially natural language processing, that focuses on developing and optimizing prompts to efficiently use language models for a wide range of applications and research topics. It's a relatively new discipline, outlining the methods for communicating with LLMs to steer their behavior for desired outcomes without modifying the model's weights."

抽出とは、大きなテキストから特定の情報を見つけ出して取り出すことです。要約とは異なり、テキストを短くまとめるのではなく、特定のデータポイント、事実、エンティティを分離します。

一般的な抽出タスクには、名前、日付、場所、製品の機能、感情などの特定があります。この手法は、非構造化テキストを構造化データに変換する必要がある場合に重要です。

情報を抽出するときは、希望する出力形式を指定すると便利です。抽出したデータを処理、分析したり、他のシステムに統合したりしやすくなります。

• リスト：「言及されているすべての企業名を列挙してください。」
• JSON：「名前、年齢、都市をJSONオブジェクトとして抽出してください。」
• 表：「結果を、'Item'と'Price'の列を持つ表で示してください。」

構造化データを出力するには、明確な書式指定が不可欠です。

メールの一部から連絡先情報を抽出してみましょう。LLMには次のように指示できます。

入力テキスト： 「John Smith様、お問い合わせありがとうございます。弊社の営業担当者Sarah Jonesには、sarah.jones@example.comまたは電話（555）123-4567でご連絡いただけます。弊社オフィスは123 Main St, Anytown, USAにあります。」

プロンプト：

"Extract the following information from the text: recipient name, sales representative name, sales representative email, sales representative phone, and office address. Present the output as a JSON object. Text: Dear John Smith, Thank you for your inquiry. Our sales representative, Sarah Jones, can be reached at sarah.jones@example.com or by phone at (555) 123-4567. Our office is located at 123 Main St, Anytown, USA."

より複雑なタスクでは、これら2つの強力な手法を組み合わせることができます。

• 要約してから抽出：まず長い文書を簡潔に要約し、その後で特定のエンティティや事実をその要約から抽出します。
• 抽出してから要約：関連する事実をすべて抽出し、その後で抽出した事実を一貫した文章にまとめるようLLMに依頼します。

このモジュール式のアプローチにより、複雑さを管理し、結果の正確性を高めることができます。

LLMから効果的な要約や抽出結果を得るには、次の点に注意してください。

• 具体的に指定する：要件（例：要約の長さ、出力形式、抽出する特定のエンティティ）を明確に記述します。
• 区切り文字を使う：処理対象のテキストを、三重引用符（"""）やXMLタグなどの明確な区切り文字で囲み、指示と分離します。
• コンテキストを示す：LLMが目的を理解する助けになる場合は、要約や抽出の目的を簡潔に説明します。
• 反復改善する：最初の出力が完璧でなければ、プロンプトを改善します。小さな変更が大きな違いを生むことがあります。

このレッスンでは、LLMでテキストを処理するための、強力なプロンプトエンジニアリング手法を2つ学びました。

• 要約：テキストを短くまとめ、長さ、形式、スタイルを調整して、要点をすばやく把握する方法を学びました。
• 抽出：名前、日付、事実など、特定の構造化された情報を取り出すことに重点を置き、JSONやリストなどの出力形式を指定する重要性を学びました。

これらの手法を習得すると、LLMを使って非構造化テキストデータの情報を効率的に処理し、活用する能力が大きく向上します。