TAFS Advent Calendar

 - 実践的なプロンプト設計ガイド - はじめに 日々の業務や生活でAIチャットを活用する機会が増えてきました。しかし、「 期待通りの回答が返ってこない 」「 どのAIを使えばいいか分からない 」と感じることはありませんか？　実は、主要なAIチャットにはそれぞれ 得意とする領域 があります。　タスクに応じた使い分けで、こうした悩みを解消できるかもしれません。 使い分けと合わせて大切なのが、 プロンプト （AIへの指示や質問）の設計です。良いプロンプトは、AIに「 目的 」と「 役割 」を明確に伝える指示書のようなもので、各AIの能力を最大限に引き出すことができます。 ここでは、私が普段よく使っている3つのAI（ ChatGPT、Gemini、Claude ）を対象に、各AIの特性を活かした使い分けと、実践的なプロンプト設計のコツを整理してみます。 まずは、どのAIにも共通するプロンプト設計の基本を押さえた上で、各AIの特性を見ていきましょう。 ※この投稿記事は2025/11時点の情報です プロンプト設計の基本 ① 具体的に書く 「やり方を教えて」という 曖昧な質問 では、AIは一般的な回答しか返せません。「Azure環境の」「NSG設定を」「ARMテンプレート形式で」のように、 目的・対象・条件 を明確に伝えましょう。 ② 役割を与える 「あなたは経験豊富な中堅インフラエンジニアです」のように専門家の 立場を設定 すると、回答の質や専門性がぐっと向上します。 ③ お手本を見せる 特定の形式や文体を求める場合は、質問例と理想の回答例をセットで提示しましょう。設定ファイルの出力形式やコメントの書き方など、 サンプル を示すとAIがパターンを学習し、出力の精度が上がります。 ④ 段階的に考えさせる 難しい問題では、「 ステップ・バイ・ステップ で考えてください」と指示することで、AIの推論能力が高まり、より正確な答えが得られます。 各AIの特性と最適なプロンプト ChatGPT（GPT） 汎用性 が高く、 外部ツールとの連携 が得意です。 Markdown記法（見出し#やリスト-など）との相性が良く、参照テキストを渡すと 事実の捏造が減り ます。"""～"""などの区切り記号で情報を整理すると精度が上がります。 ...

 ― Google Chat ボットで知っておきたい2つの方式 ― はじめに Google Workspaceを使っていると、 毎朝の通知 やチャットでの 問い合わせ対応 を 自動化 したくなる瞬間がよくあります。　GASならそれを実現できますが、実装したい内容によって選ぶべき方式が変わります。 私自身、初めて触れたときは 情報の少なさに苦戦 したので、同じ悩みを持つ方の助けになればと自分なりに整理しました。　この記事では、まずは 「 自分のやりたいことには、どの方式が合っているのか？ 」を正しく選ぶための判断基準をサクッと解説します。 まずは、GASでGoogle Chatボットを作る際に最初に決める二択 「通知型」 か 「対話型」 かを整理します。　両者は仕組みがまったく異なり、特に「対話型」は Google Cloud Platform (GCP) の複雑な設定が必要になるため、最初の確認が重要です。 💡 具体的なGCP環境構築手順（対話型用） 　 こちらをどうぞ　→「 GAS×Google Chat ボット 環境構築ガイド 」 ざっくり言うと何が違う？ 一言で言うと、 データの流れる方向 が違います。 通知型 ： GASからチャットへ「投げるだけ」の、一方通行 対話型 ： ユーザーが話しかけて、GASが返事をするという、双方向 この違いを視覚的に理解するために、下記の図を確認してください。 図を見ると、 通知型（左側） はGASから簡単な設定で一方向にメッセージを送るだけのシンプルな仕組みなのに対し、 対話型（右側） はユーザーからの質問を受け取り、GCPの複雑な設定とアプリ登録を経て双方向でやり取りする仕組みであることが分かります。 対話型では、ユーザー、Google Chat、GCP、GASの間で情報が双方向に流れることが図からも明確です。 ポイント比較 【通知型ボット】が向いている用途 定例会議アナウンスと時事ニュース通知 フォームに回答があったら通知 エラーが起きたらアラートを飛ばす 【対話型ボット】が向いている用途 勤怠申請とその情報をカレンダー登録　※Calendar APIが別途必要 「在庫ある？」と聞いたら検索して答えてくれる カード形式のメッセージで「承...

ーあなたのキャリアに必要な資格が見つかるー 1. はじめに 今回はMicrosoft認定資格について現在（2025年12月）の最新情報をまとめてみました。 Microsoftの資格は多種多様であり、Hot技術である 「AI」 についても用意されております。 本記事を読んでMicrosoftの資格を通じたキャリア形成の参考になれば幸いです。 2. 資格の仕組み Microsoft認定試験は「自宅（オンライン監督あり）」または「試験センター」で受験できます。 解説講座や対策本も豊富で、試験も 「日本語」対応 しております。 ※開設されて間もない認定試験については、「日本語」対応までしばらくかかります。 ① 難易度について Fundamentals （初級：★） まずはここから！ 試験は45分、35~50問（合格点は7割）。有効期限は”無期限”。受験料は￥13,398(税込) Associate （中級：★★） ★の合格者や実務経験者向け！ 試験は100分、40~60問（合格点は7割）。有効期限は”1年間”。受験料は￥22,330(税込) Expert （上級：★★★） 認定条件として、下位資格（★★）が必要！ （例：AZ-305を合格しても、AZ-104を合格していないとMicrosoftからの認定はされない） 試験は100~120分、40~60問（合格点は7割）。有効期限は”1年間”。受験料は￥22,330(税込) Specialty （専門：★★） 特定の技術領域（SAP, VDI, Cosmos DB, GitHub）！ 試験は100分、40~60問（合格点は7割）。有効期限は”1年間”。受験料は￥22,330(税込) ※受験料は為替レートの影響を受けるため、日本円価格は変動します ② 有効期限の更新について Associate（★★）以上の資格は基本的に有効期限があります（1年間） 有効期限の 6か月前 になると、更新試験が 「自宅」＆「無料」＆「回数制限なし」 で受験できます。 問題数も 本試験の半分（20~30問） となり、内容も 「新機能」や「変更点」 を中心に出題されます。 有効期限を過ぎてしまうと資格は失効されてしまいますが、早めに受験しても 「元の期限」から1年間延長 されます。 3. 各認定資格の特徴 Microsoft認定資格を「ロールベース（職...

 最近追加されたChatGPTの学習モードについて 私自身が今取得を目指しているJava Goldの勉強に活用してみました。 ■学習モードとは ChatGPTがユーザーが与えた質問をもとに、単に答えを提示するだけでなく ユーザに対して段階的な問題解決によって理解を促す学習支援機能です。 ■使用方法 無料版でも利用可能です。 スマホ版ですが手順は以下の通りです。 1.新規のチャット画面で「＋」をタップ 2.「あらゆる学びをサポート」をタップ あとは学びたい事柄を入力すれば学習開始です。 ■使用感 学習の流れは各試験範囲の内容の解説を理解できてるかを 確認しつつ対話形式で進め、選択式の問題を出題して解いていく形でした。 まだ試していませんが苦手な問題の傾向や解説の好みなどを学習することで 自分の学習方法を理解した個別講師のような存在にもなるようです。 スマホで学習できるため、 本が開けない状況やちょっとしたスキマ時間に使える点が便利です。 ■注意点 AIでも間違えることはあるため、ChatGPTの説明を鵜呑みにせず、 公式ドキュメントや問題集の解説と照らしわ合わせて 裏どりを欠かさないようにしましょう。 ■まとめ 学習モードを資格勉強に取り入れてみて ・自分の学習スタイルを理解した個別講師が相手をしてくれる ・復習問題を自動生成してくれる ・裏どりは必須 スマホでちょっとした時間に使える学習ツールとして良い機能だと思いました。 皆さんもChatGPTの学習モードを活用してみてはいかがでしょうか。

 ― ChatGPT時代に問われる「問いの力」と文章力 ― はじめに ChatGPTをはじめとする 生成AI が普及しはじめてから、もう2年近くが経ちました。   リリース当初は「すごい技術だな」と遠目から眺めている空気でしたが、今では多くの人がAIに触れる機会を持つようになりました。    我々 ITエンジニアとして 、アプローチはどうすべきか？何が必要か？について考えてみます。 AI利用の現状 まだAIを使い始めたばかりだったり、上手く使えてない人は、「このエラーを解決して」「この機能を実装して」と 指示を出すだけ になっているようです。   あるいは、「〇〇とは？」を丸ごとAIに聞いて解説してもらうケースも見られます。　便利ですが、それだと Google検索 と同じレベルに留まっていると感じます。 AIの本当の価値 私は、AIは 単なるコード生成ツールでも、Googleの上位互換でもない と考えています。   むしろ、使い方を間違えると取り残されていく可能性があります。  AIが本当に得意なのは、与えた問いに沿って 思考の幅を広げ、情報を整理すること です。   つまり、AIを活かすには、 問いを設計する力 が不可欠なのです。 問いを設計する力はAI以前からのビジネススキル 実は、問いを設計する力は、AIが登場する以前から、私たちエンジニアが日常的に使ってきたスキルです。   例えば、プロジェクトの課題を整理したり、仕様の確認事項を明確化したり、メールでの問い合わせの内容を意図通りに伝えたりなど...　いずれも、 相手や状況に応じて適切に問いを設計する力 がベースになっていました。   AIは文章やアイデアを生成してくれますが、 何を考えるべきかは教えてくれません 。だからこそ、この問いを設計する力がAI時代でも重要になるのです。 コンテキストエンジニアリング さらに最近は、単なるプロンプトの工夫（プロンプトエンジニアリング）だけでなく、文脈や前提を整理して問いを設計する「 コンテキストエンジニアリング 」が注目されています。   コンテキストエンジニアリングとは、単に「良いプロンプト...

  導入事例１: 顧客サポートの自動化プロジェクト 企業Aは、AIを活用して顧客サポートを自動化するプロジェクトを立ち上げました。しかし、プロジェクトは期待された効果を得ることができず、逆に顧客の不満が増加しました。なぜなら、機械学習モデルが一般的でない質問や複雑な問題に対応できなかったためです。結果として、顧客対応の品質が低下し、信頼性も損なわれました。 教訓: 導入前に十分なトレーニングデータを用意し、特に現実的なユースケースに焦点を当てることが重要です。また、初期段階で人間の介入が必要な場面を正確に把握し、それに対応する仕組みを設けることが成功の鍵となります。 導入事例２: 製造業における品質管理システム 企業Bは、機械学習アルゴリズムを使用して製造ライン上の品質管理を改善することを目指しました。しかし、導入されたシステムは、製品の欠陥を正確に検知できず、誤検知が多発しました。これにより、製造プロセスが停滞し、品質向上どころか逆に品質が低下しました。 教訓: モデルの訓練に使用するデータの質と量が極めて重要です。過去の品質データだけでなく、最新のデータや異常事象に焦点を当てることが必要です。また、機械学習システムを導入する前に、現場のスタッフと連携し、彼らの経験と知識を適切に組み込むことが必要です。 導入事例３: 財務予測モデル 企業Cは、AIを使用して財務予測を行うモデルを構築しましたが、予測の精度が低く、結果として誤った意思決定が多発しました。モデルは市場の急激な変動に対応できず、投資や資金調達の判断に影響を及ぼしました。 教訓: ファイナンス関連の予測モデルを構築する際には、業界の専門家や経験豊富なアナリストとの密な協力が必須です。単なる数値の予測だけでなく、外部要因や市場の変動にも対応できる柔軟性を持つモデルの構築が求められます。 これらの事例から得られる教訓は、機械学習プロジェクトにおいては慎重な計画と現場との連携が不可欠であることです。成功例もあれば、失敗例から得られる教訓もしっかりと取り入れ、将来のプロジェクトに活かすことが重要です。 以上は、すべてChatGPTから出力された「AI導入による失敗事例の記事」です（罫線・太字化含め）。 記事内では狭小的な空間での利用失敗が主例となっていますが、 ブログ記事の執筆においては情報の収集・...