特許 7601987 プロンプト生成システム、プロンプト生成方法及びプロンプト生成プログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B1)

(11)【特許番号】

(24)【登録日】2024-12-09

(45)【発行日】2024-12-17

(54)【発明の名称】プロンプト生成システム、プロンプト生成方法及びプロンプト生成プログラム

(51)【国際特許分類】

   G06Q 50/10 20120101AFI20241210BHJP

【ＦＩ】

G06Q50/10

【請求項の数】 4

(21)【出願番号】P 2023178391

(22)【出願日】2023-10-16

【審査請求日】2023-10-16

(73)【特許権者】

【識別番号】592131906

【氏名又は名称】みずほリサーチ＆テクノロジーズ株式会社

(74)【代理人】

【識別番号】100105957

【弁理士】

【氏名又は名称】恩田 誠

(74)【代理人】

【識別番号】100068755

【弁理士】

【氏名又は名称】恩田 博宣

(72)【発明者】

【氏名】相澤 祐一

(72)【発明者】

【氏名】鋤田 大日

(72)【発明者】

【氏名】笠間 俊夫

【審査官】星野 裕

(56)【参考文献】

【文献】米国特許出願公開第２０２３／０１１２９２１（ＵＳ，Ａ１）

【文献】特開２０２２－１５３４４１（ＪＰ，Ａ）

【文献】韓国公開特許第１０－２０２２－０００５１６８（ＫＲ，Ａ）

【文献】笠井 一輝，ChatGPTを最大限に活用するためのプロンプトエンジニアリング入門，2023年05月11日，https://quiita.com/kazuki13070311/items/32027f52a33f336cf1f1，インターネット ［検索日：2024.09.09］

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｑ １０／００－９９／００

(57)【特許請求の範囲】

【請求項1】

ユーザ端末、生成系ＡＩに接続される制御部と、プロンプトの特徴量に対して前記生成系ＡＩに関する情報が記録されたＡＩ情報記憶部と、を備えたプロンプト生成システムであって、
前記制御部が、
前記ユーザ端末からタスクを取得し、
前記タスクの特徴量を算出し、
前記特徴量に応じて、複数のプロンプトを生成し、
前記プロンプトの特徴量に対して、前記ＡＩ情報記憶部を用いて、前記プロンプト毎に前記生成系ＡＩを特定し、
前記各プロンプトを前記特定した生成系ＡＩに入力して、前記各プロンプトに対するレスポンスを取得し、
前記レスポンスを、順次、前記ユーザ端末に出力することを特徴とするプロンプト生成システム。

【請求項2】

前記制御部は、前記タスクを上位プロンプトとして、前記上位プロンプトの特徴量に応じた複数の下位プロンプトを生成し、前記下位プロンプトを上位プロンプトとして、前記上位プロンプトの特徴量に応じて更に複数の下位プロンプトを生成することを特徴とする請求項１に記載のプロンプト生成システム。

【請求項3】

ユーザ端末、生成系ＡＩに接続される制御部と、プロンプトの特徴量に対して前記生成系ＡＩに関する情報が記録されたＡＩ情報記憶部と、を備えたプロンプト生成システムを用いて、前記生成系ＡＩからのレスポンスの取得を支援するプロンプト生成方法であって、
前記制御部が、
前記ユーザ端末からタスクを取得し、
前記タスクの特徴量を算出し、
前記特徴量に応じて、複数のプロンプトを生成し、
前記プロンプトの特徴量に対して、前記ＡＩ情報記憶部を用いて、前記プロンプト毎に前記生成系ＡＩを特定し、
前記各プロンプトを前記特定した生成系ＡＩに入力して、前記各プロンプトに対するレスポンスを取得し、
前記レスポンスを、順次、前記ユーザ端末に出力することを特徴とするプロンプト生成方法。

【請求項4】

ユーザ端末、生成系ＡＩに接続される制御部と、プロンプトの特徴量に対して前記生成系ＡＩに関する情報が記録されたＡＩ情報記憶部と、を備えたプロンプト生成システムを用いて、前記生成系ＡＩからのレスポンスの取得を支援するプロンプト生成プログラムであって、
前記制御部を、
前記ユーザ端末からタスクを取得し、
前記タスクの特徴量を算出し、
前記特徴量に応じて、複数のプロンプトを生成し、
前記プロンプトの特徴量に対して、前記ＡＩ情報記憶部を用いて、前記プロンプト毎に前記生成系ＡＩを特定し、
前記各プロンプトを前記特定した生成系ＡＩに入力して、前記各プロンプトに対するレスポンスを取得し、
前記レスポンスを、順次、前記ユーザ端末に出力する手段として機能させるためのプロンプト生成プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、生成系ＡＩを利用するためのプロンプト生成システム、プロンプト生成方法及びプロンプト生成プログラムに関する。

【背景技術】

【0002】

今日、各種分野で、生成系ＡＩが利用されつつある。例えば、言語モデルを利用したデータ生成方法が検討されている（例えば、特許文献１）。この文献に記載された言語モデルを利用したデータ生成方法は、原本データを利用して言語モデルの入力文となるプロンプトを構成する。次に、プロンプトを言語モデルに入力する。そして、言語モデルから新規データと新規データに対するラベル情報を生成する。

【0003】

また、所望の課題（タスク）を解決するために、言語モデルを効率的に使用するためのプロンプトの設計や最適化を行なうプロンプトエンジニアリングも注目されている（例えば、非特許文献１）。

【先行技術文献】

【特許文献】

【0004】

【文献】特開２０２３－１８６２４号公報

【非特許文献】

【0005】

【文献】みずほリサーチ＆テクノロジーズ株式会社、“ＧＰＴTM活用支援サービス「ATHEUS for Generative AI」”，［online］，２０２３年５月１日，みずほリサーチ＆テクノロジーズ株式会社、［令和５年８月１１日検索］，インターネット＜URL：https://www.mizuho-rt.co.jp/ai_powerhouse/technology/technology/technology-03/gptatheus-for-generative-ai.html＞

【発明の概要】

【発明が解決しようとする課題】

【0006】

しかしながら、タスクに基づいたプロンプトにより言語モデルを利用する場合には、プロンプトエンジニアリング等のスキルがないと、的確なレスポンスを得られないことがある。

【課題を解決するための手段】

【0007】

上記課題を解決するプロンプト生成システムは、ユーザ端末、生成系ＡＩに接続される制御部を備える。そして、前記制御部が、前記ユーザ端末からタスクを取得し、前記タスクの特徴量を算出し、前記特徴量に応じて、複数のプロンプトを生成し、前記各プロンプトを前記生成系ＡＩに入力して、前記各プロンプトに対するレスポンスを取得し、前記レスポンスを、順次、前記ユーザ端末に出力する。

【発明の効果】

【0008】

本発明によれば、効率的に生成系ＡＩを利用することにより、的確なレスポンスを得ることができる。

【図面の簡単な説明】

【0009】

【図1】実施形態のプロンプト生成システムの説明図。

【図2】実施形態のハードウェア構成の説明図。

【図3】実施形態のプロンプトの説明図。

【図4】実施形態の処理手順の説明図。

【図5】実施形態の処理手順の説明図。

【図6】別例の処理手順の説明図。

【発明を実施するための形態】

【0010】

図１～図５に従って、プロンプト生成システム、プロンプト生成方法及びプロンプト生成プログラムを具体化した一実施形態を説明する。本実施形態では、タスクに基づいたプロンプトを生成する場合を想定する。ここで、タスクとは、ユーザが生成系ＡＩに実行させる作業であり、例えば、テキスト、コード、画像、音楽等を生成するタスク等がある。プロンプトは、タスクを実行するために生成系ＡＩに与えられた具体的な指示の内容である。

【0011】

図１に示すように、本実施形態のプロンプト生成システムは、ネットワークで相互に接続されたユーザ端末１０、支援サーバ２０、複数のＡＩシステム３０を用いる。
（ハードウェア構成例）
図２は、ユーザ端末１０、支援サーバ２０、ＡＩシステム３０等として機能する情報処理装置Ｈ１０のハードウェア構成例である。

【0012】

情報処理装置Ｈ１０は、通信装置Ｈ１１、入力装置Ｈ１２、表示装置Ｈ１３、記憶装置Ｈ１４、プロセッサＨ１５を有する。なお、このハードウェア構成は一例であり、他のハードウェアを有していてもよい。

【0013】

通信装置Ｈ１１は、他の装置との間で通信経路を確立して、データの送受信を実行するインタフェースであり、例えばネットワークインタフェースや無線インタフェース等である。

【0014】

入力装置Ｈ１２は、利用者等からの入力を受け付ける装置であり、例えばマウスやキーボード等である。表示装置Ｈ１３は、各種情報を表示するディスプレイやタッチパネル等である。

【0015】

記憶装置Ｈ１４は、ユーザ端末１０、支援サーバ２０、ＡＩシステム３０の各種機能を実行するためのデータや各種プログラムを格納する記憶装置である。記憶装置Ｈ１４の一例としては、ＲＯＭ、ＲＡＭ、ハードディスク等がある。

【0016】

プロセッサＨ１５は、記憶装置Ｈ１４に記憶されるプログラムやデータを用いて、ユーザ端末１０、支援サーバ２０、ＡＩシステム３０における各処理を制御する。プロセッサＨ１５の一例としては、例えばＣＰＵやＭＰＵ等がある。このプロセッサＨ１５は、ＲＯＭ等に記憶されるプログラムをＲＡＭに展開して、各種処理に対応する各種プロセスを実行する。例えば、プロセッサＨ１５は、ユーザ端末１０、支援サーバ２０、ＡＩシステム３０のアプリケーションプログラムが起動された場合、後述する各処理を実行するプロセスを動作させる。

【0017】

プロセッサＨ１５は、自身が実行するすべての処理についてソフトウェア処理を行なうものに限られない。例えば、プロセッサＨ１５は、自身が実行する処理の少なくとも一部についてハードウェア処理を行なう専用のハードウェア回路（例えば、特定用途向け集積回路：ＡＳＩＣ）を備えてもよい。すなわち、プロセッサＨ１５は、例えば、以下で構成し得る。

【0018】

〔１〕コンピュータプログラム（ソフトウェア）に従って動作する１つ以上のプロセッサ
〔２〕各種処理のうち少なくとも一部の処理を実行する１つ以上の専用のハードウェア回路
〔３〕それらの組み合わせ、を含む回路（circuitry）
プロセッサは、ＣＰＵ並びに、ＲＡＭ及びＲＯＭ等のメモリを含み、メモリは、処理をＣＰＵに実行させるように構成されたプログラムコード又は指令を格納している。メモリすなわちコンピュータ可読媒体は、汎用又は専用のコンピュータでアクセスできるあらゆる利用可能な媒体を含む。

【0019】

（プロンプトの構成）
図３を用いて、本実施形態のプロンプトの構成を説明する。本実施形態では、タスクＴ１を上位プロンプトとして、複数のプロンプトに分解されたプロンプト群ｄ１０により、所望のアウトプットＴ２を得る場合を想定する。例えば、プロンプト群ｄ１０では、プロンプトｐ１０，ｐ２０，ｐ３０を順次実行することにより、アウトプットＴ２を取得する。更に、プロンプトｐ１０を上位プロンプトとして、プロンプト群ｄ１１やプロンプト群ｄ１２のように、下位プロンプトに分解することも可能である。この場合、機械学習により、タスクＴ１から、適切なアウトプットＴ２を導出するために分解されたプロンプト群を予測する。

【0020】

（各情報処理装置の機能）
図１を用いて、この機械学習に用いるユーザ端末１０、支援サーバ２０、ＡＩシステム３０の機能を説明する。

【0021】

ユーザ端末１０は、本システムを利用するユーザが用いるコンピュータ端末である。
支援サーバ２０は、生成系ＡＩを利用するためのコンピュータシステムである。この支援サーバ２０は、制御部２１、ＡＩ情報記憶部２２、分解候補記憶部２３、評価情報記憶部２４を備えている。

【0022】

制御部２１は、後述する処理（管理段階、学習段階、予測段階等を含む処理）を行なう。このためのプロンプト生成プログラムを実行することにより、制御部２１は、管理部２１１、学習部２１２、予測部２１３等として機能する。

【0023】

管理部２１１は、複数のＡＩシステム３０を利用する処理を実行する。
学習部２１２は、ＡＩシステム３０に入力するプロンプトの分割を学習する処理を実行する。
予測部２１３は、タスクに応じて、複数のプロンプトに分解して、ＡＩシステム３０を用いて、レスポンスを取得して、アウトプットを生成する処理を実行する。

【0024】

ＡＩ情報記憶部２２には、プロンプトに対応したＡＩシステム３０に関するＡＩ管理情報が記録されている。ＡＩ管理情報は、プロンプトに適したＡＩシステム３０が登録された場合に記録される。このＡＩ管理情報には、特徴量に対してＡＩ識別子が記録される。

【0025】

特徴量は、プロンプトの特徴量である。例えば、この特徴量としては、分散表現を用いることができる。
ＡＩ識別子は、この特徴量のプロンプトを用いるＡＩシステム３０を特定するための識別子である。

【0026】

分解候補記憶部２３には、タスクである上位プロンプトを下位プロンプトに分解するための分解候補管理情報が記録されている。分解候補管理情報は、準備処理の実行時に登録される。この分解候補管理情報には、分解候補ＩＤ、上位特徴量に対して、複数の下位プロンプト（プロンプト群）が記録される。

【0027】

分解候補ＩＤは、各分解候補を特定するための識別子である。
上位特徴量は、分解候補における上位概念である上位プロンプトの特徴量である。例えば、上位特徴量には、分散表現を用いることができる。
下位プロンプトは、上位概念である上位プロンプトを、複数のプロンプト群に分解した下位概念の複数のプロンプト（プロンプト群）である。

【0028】

評価情報記憶部２４には、ＡＩシステム３０から取得したレスポンスに応じて、各分解候補を評価した評価管理情報が記録される。この評価管理情報は、準備段階処理が行なわれた場合に記録される。評価情報記憶部２４には、分解候補ＩＤに対して評価結果が記録される。

【0029】

分解候補ＩＤは、各分解候補を特定するための識別子である。
評価結果は、上位プロンプト及び各下位プロンプトについて、ＡＩシステム３０から取得したレスポンスの評価結果である。

【0030】

ＡＩシステム３０は、プロンプトに対してレスポンスを生成する生成系ＡＩである。ＡＩシステム３０は、生成系ＡＩの構造を決定する要素である計算モデルやパラメータに応じて構成される。

【0031】

（準備処理）
図４を用いて、準備処理を説明する。
まず、支援サーバ２０の制御部２１は、タスクの定義処理を実行する（ステップＳ１１）。具体的には、制御部２１の管理部２１１は、ユーザ端末１０からタスクを取得する。この場合、インプットに対するレスポンスを評価するための指標である評価基準を準備しておく。

【0032】

次に、支援サーバ２０の制御部２１は、インプットの定義処理を実行する（ステップＳ１２）。具体的には、制御部２１の管理部２１１は、ユーザ端末１０から取得したタスクをインプット（上位プロンプト）として定義して特徴量を算出する。

【0033】

次に、支援サーバ２０の制御部２１は、下位プロンプトの分解候補の生成処理を実行する（ステップＳ１３）。具体的には、制御部２１の管理部２１１は、インプットからアウトプットを取得するための複数の下位プロンプト（プロンプト群）を、ユーザ端末１０から取得する。この場合、ユーザ端末１０から、複数の分解候補を取得することも可能である。そして、管理部２１１は、取得した下位プロンプトに対して分解候補ＩＤを付与するとともに、上位プロンプトであるタスクの特徴量に関連付けて、下位プロンプトを分解候補記憶部２３に記録する。

【0034】

次に、支援サーバ２０の制御部２１は、分解候補毎及び下位プロンプト毎に、以下の処理を繰り返す。
ここで、支援サーバ２０の制御部２１は、下位プロンプトに応じてＡＩシステムの特定処理を実行する（ステップＳ１４）。具体的には、制御部２１の管理部２１１は、分解候補を構成する各下位プロンプトの特徴量を算出する。次に、管理部２１１は、ＡＩ情報記憶部２２から、各下位プロンプトの特徴量に対応したＡＩシステム３０を特定する。

【0035】

次に、支援サーバ２０の制御部２１は、下位プロンプトのレスポンスの取得処理を実行する（ステップＳ１５）。具体的には、制御部２１の管理部２１１は、各下位プロンプトを、順次、特徴量に対応したＡＩシステム３０に入力する。そして、管理部２１１は、下位プロンプトに対応するレスポンスを取得する。

【0036】

そして、支援サーバ２０の制御部２１は、分解候補毎に、分解候補を構成する全ての下位プロンプトについて終了するまで、以上の処理を繰り返す。

【0037】

次に、支援サーバ２０の制御部２１は、レスポンスの評価処理を実行する（ステップＳ１６）。具体的には、制御部２１の管理部２１１は、分解候補についての下位プロンプトの全レスポンスをアウトプットとして、順次、ユーザ端末１０に出力する。そして、管理部２１１は、ユーザ端末１０から、評価基準を用いて、順次、出力されたレスポンスを、アウトプットとして評価した結果を取得し、評価結果として、評価情報記憶部２４に記録する。

【0038】

次に、支援サーバ２０の制御部２１は、機械学習処理を実行する（ステップＳ１７）。具体的には、制御部２１の学習部２１２は、分解候補記憶部２３に記録された上位特徴量、分解候補を構成する下位プロンプト、評価情報記憶部２４に記録された評価結果を教師データとして用いて機械学習を行なう。この場合、学習部２１２は、上位特徴量から、評価基準に応じた高い評価結果の分解候補（下位プロンプト群）を予測する学習モデルを生成する。

【0039】

（予測処理）
図５を用いて、予測処理を説明する。
まず、支援サーバ２０の制御部２１は、タスクの定義処理を実行する（ステップＳ２１）。具体的には、制御部２１の管理部２１１は、ユーザ端末１０からタスクを取得する。

【0040】

次に、支援サーバ２０の制御部２１は、インプットの定義処理を実行する（ステップＳ２２）。具体的には、制御部２１の管理部２１１は、ユーザ端末１０から、タスクについての上位プロンプトとして定義して特徴量を算出する。

【0041】

次に、支援サーバ２０の制御部２１は、下位プロンプトへの分解要否判断処理を実行する（ステップＳ２３）。具体的には、制御部２１の予測部２１３は、算出した特徴量に対応する分解候補管理情報を分解候補記憶部２３において検索する。ここで、分解候補管理情報を、分解候補記憶部２３において特定できない場合には、予測部２１３は、分解不要と判定して、上位プロンプトを用いる。

【0042】

次に、支援サーバ２０の制御部２１は、下位プロンプトへの分解処理を実行する（ステップＳ２４）。具体的には、制御部２１の予測部２１３は、分解候補記憶部２３において分解候補管理情報を特定した場合には、学習モデルを用いて、分解候補の下位プロンプトを予測する。この場合、予測部２１３は、予測した下位プロンプトを上位プロンプトとして、再度、学習モデルを適用して、更に下層の下位プロンプトを予測するようにしてもよい。この処理を繰り返すことにより、複数階層の下位プロンプトが構成される。

【0043】

次に、支援サーバ２０の制御部２１は、Ａｉシステムの特定処理を実行する（ステップＳ２５）。具体的には、制御部２１の予測部２１３は、予測した下位プロンプトの特徴量を算出する。そして、予測部２１３は、ＡＩ情報記憶部２２において、特徴量に応じたＡＩシステム３０を特定する。

【0044】

次に、支援サーバ２０の制御部２１は、レスポンスの取得処理を実行する（ステップＳ２６）。具体的には、制御部２１の予測部２１３は、特定したＡＩシステム３０に、下位プロンプトを、順次入力して、レスポンスを取得する。

【0045】

次に、支援サーバ２０の制御部２１は、出力処理を実行する（ステップＳ２７）。具体的には、制御部２１の管理部２１１は、全ての下位プロンプトについてのレスポンスを取得した場合、レスポンスを、順次、ユーザ端末１０に出力する。

【0046】

（実施形態の作用）
上位概念の上位プロンプトに応じた分解候補を用いるので、分解された下位概念のプロンプトによりレスポンスを取得できる。

【0047】

（実施形態の効果）
（１）本実施形態においては、支援サーバ２０の制御部２１は、下位プロンプトの分解候補の生成処理（ステップＳ１３）、下位プロンプトのレスポンスの取得処理（ステップＳ１５）を実行する。これにより、タスク（上位プロンプト）を複数の下位プロンプトに分解する分解候補を用いた教師情報を生成することができる。

【0048】

（２）本実施形態においては、支援サーバ２０の制御部２１は、下位プロンプトに応じてＡＩシステムの特定処理を実行する（ステップＳ１４）。これにより、プロンプトの特徴量に応じて適切なレスポンスを実現可能なＡＩシステム３０を利用することができる。

【0049】

（３）本実施形態においては、支援サーバ２０の制御部２１は、レスポンスの評価処理を実行する（ステップＳ１６）。これにより、適切なアウトプットを実現可能な分解候補を学習することができる。

【0050】

（４）本実施形態においては、支援サーバ２０の制御部２１は、機械学習処理を実行する（ステップＳ１７）。これにより、タスクを実現する複数の下位プロンプトを予測することができる。

【0051】

（５）本実施形態においては、支援サーバ２０の制御部２１は、下位プロンプトへの分解処理を実行する（ステップＳ２４）。これにより、タスクを実現する上位プロンプトを、複数のプロンプトに分解して、的確なレスポンスを取得することができる。

【0052】

本実施形態は、以下のように変更して実施することができる。本実施形態及び以下の変更例は、技術的に矛盾しない範囲で互いに組み合わせて実施することができる。
・上記実施形態では、ユーザ端末１０、支援サーバ２０、複数のＡＩシステム３０を用いる。ハードウェア構成は、これらに限定されるものではない。例えば、一つのＡＩシステム３０を用いてもよい。また、ＡＩシステム３０を、支援サーバ２０内に設けるようにしてもよい。

【0053】

・上記実施形態では、ＡＩ情報記憶部２２には、プロンプトを用いるＡＩシステム３０に関するＡＩ管理情報が記録されている。ここで、プロンプトが変化した場合にも安定したレスポンスを取得できるＡＩシステム３０に関する情報を登録するようにしてもよい。例えば、ノイズに対してロバスト性が高いベストプラクティス（ＡＩシステム３０）を、プロンプトの特徴量に関連付けて登録する。ここで、ノイズとは、同じ内容のプロンプトの表記を変更するための情報である。ノイズとしては、例えば、文字列や記号の追加や変更等を用いる。

【0054】

図６を用いて、ＡＩシステム３０に関する情報を登録するＡＩ登録処理を説明する。
まず、支援サーバ２０の制御部２１は、プロンプト毎に以下の処理を実行する。
ここでは、支援サーバ２０の制御部２１は、プロンプトの取得処理を実行する（ステップＳ３１）。具体的には、制御部２１の管理部２１１は、評価に用いるプロンプト候補を取得する。そして、管理部２１１は、プロンプト候補の特徴量を算出する。

【0055】

次に、支援サーバ２０の制御部２１は、ノイズ毎に以下の処理を実行する。
ここでは、支援サーバ２０の制御部２１は、ノイズの取得処理を実行する（ステップＳ３２）。具体的には、制御部２１の管理部２１１は、プロンプト候補に付加するノイズを取得する。

【0056】

そして、支援サーバ２０の制御部２１は、ノイズ付加処理を実行する（ステップＳ３３）。具体的には、管理部２１１は、処理対象のプロンプト候補に、ノイズを付加する。
次に、支援サーバ２０の制御部２１は、ＡＩシステム毎に、レスポンスの取得処理を実行する（ステップＳ３４）。具体的には、制御部２１の学習部２１２は、評価対象のＡＩシステム３０を、順次特定する。そして、学習部２１２は、ノイズを付加したプロンプト候補を、評価対象のＡＩシステム３０に送信し、レスポンスを取得し、仮記憶する。
そして、以上の処理を、すべてのノイズについて終了するまで繰り返す。

【0057】

次に、支援サーバ２０の制御部２１は、ロバスト評価処理を実行する（ステップＳ３５）。具体的には、制御部２１の学習部２１２は、各ＡＩシステム３０からのレスポンスについて、ノイズの影響を比較する。ここでは、学習部２１２は、異なるノイズを含めたプロンプト候補に対して、レスポンスの違いを特定する。

【0058】

次に、支援サーバ２０の制御部２１は、ベストプラクティスの登録処理を実行する（ステップＳ３６）。具体的には、制御部２１の学習部２１２は、ノイズを含めた場合にも、レスポンスの変化が最も少ないＡＩシステム３０を特定する。そして、学習部２１２は、ＡＩ情報記憶部２２に、プロンプト候補の特徴量に関連付けて、ベストプラクティスとして、特定したＡＩシステム３０を登録する。
そして、以上の処理を、すべてのプロンプト候補について終了するまで繰り返す。

【0059】

・上記実施形態では、ノイズとして、プロンプトに文字列を追加する。ノイズの追加方法は、これに限定されるものではない。例えば、プロンプトに対して、外部データを検索して必要な知識を取り出して追加するようにしてもよい。この場合には、この外部データにノイズを加えてもよい。

【0060】

・上記実施形態では、支援サーバ２０の制御部２１は、レスポンスの評価処理を実行する（ステップＳ１６）。ここでは、評価基準に応じた評価結果を、ユーザ端末１０から取得する。これに代えて、支援サーバ２０の制御部２１が、評価基準に応じてレスポンスを評価して、評価情報記憶部２４に記録するようにしてもよい。この場合には、制御部２１は、レスポンスのスコアリングを行なう評価モデルを備える。
・上記実施形態では、上位プロンプトを複数の下位プロンプトに分割する。ここで、分割された複数のプロンプトにおいて、先行プロンプトのレスポンスを、後続プロンプトの変数値として利用してもよい。この場合には、後続プロンプトに、先行プロンプトのレスポンスを入力するための変数を設定しておく。

【符号の説明】

【0061】

１０…ユーザ端末、２０…支援サーバ、２１…制御部、２１１…管理部、２１２…学習部、２１３…予測部、２２…ＡＩ情報記憶部、２３…分解候補記憶部、２４…評価情報記憶部、３０…ＡＩシステム。

【要約】

【課題】効率的に生成系ＡＩを利用するためのプロンプト生成システム、プロンプト生成方法及びプロンプト生成プログラムを提供する。
【解決手段】支援サーバ２０は、ユーザ端末１０、ＡＩシステム３０に接続される制御部２１を備える。そして、制御部２１が、ユーザ端末１０からタスクを取得し、タスクの特徴量を算出し、特徴量に応じて、複数のプロンプトを生成する。次に、制御部２１が、各プロンプトをＡＩシステム３０に入力して、各プロンプトに対するレスポンスを取得し、レスポンスを、順次、ユーザ端末１０に出力する。
【選択図】図１

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】