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

著者プロフィール

• 梅田弘之（著者）

  東芝、SCSKを経て1995年に株式会社システムインテグレータを設立し、現在、代表取締役会長。2006年東証マザーズ、2014年東証第一部、2022年東証スタンダード市場に上場。創業以来、独創的なアイデアの製品・サービスを次々とリリース。主な著書に「Oracle8 入門」「グラス片手にデーターベース設計」「実践！プロジェクト管理入門」「これからのSIerの話をしよう」「エンジニアなら知っておきたいAIのキホン」「システム設計とドキュメント」「徹底攻略JSTQB Foundation」、ほか多数。