【登壇資料】AI開発基礎

by エブリー

Slide 1

Slide 1 text

AI開発基礎 2025/MM/DD

Slide 2

Slide 2 text

2 はじめに

Slide 3

Slide 3 text

Slide 4

Slide 4 text

4 Copyright © 2015 every, Inc. All rights reserved. 目次第1部：AI基礎知識 ● AIとは？ ● 言語モデル（LLM） ● トークン化とコンテキスト長 ● 埋め込み（Embeddings）第2部：LLMの要素技術 ● プロンプトエンジニアリング ● 推論時のプロンプト手法 ● RAG技術 ● LLMの拡張・統合技術 ● コンテキストエンジニアリング第3部：開発ツールと活用事例 ● 開発支援ツール（Cursor / Claude Code） ● 自律型エージェント（ Devin） ● MCP tools ● 非コーディングツール（ Gemini / NotebookLM）

Slide 5

Slide 5 text

AI基礎知識

Slide 6

Slide 6 text

6 AIとは？

Slide 7

Slide 7 text

7 Copyright © 2015 every, Inc. All rights reserved. AI = Artificial Intelligence = 人工知能 https://www.ai-gakkai.or.jp/whatsai/AIfaq.html 知的な機械，特に，知的なコンピュータプログラムを作る科学と技術です．人の知能を理解するためにコンピュータを使うことと関係がありますが，自然界の生物が行っている知的手段だけに研究対象を限定することはありません． ———— ジョン・マッカーシー（2007）

Slide 8

Slide 8 text

Slide 9

Slide 9 text

Slide 10

Slide 10 text

10 Copyright © 2015 every, Inc. All rights reserved. 特化型人工知能（Artificial Narrow Intelligence）汎用型人工知能（Artificial General Intelligence） AIの今とこれから現状特定の限られたタスクや問題解決に特化して設計されたAI 株価予測 AlphaGo（囲碁）異常検知近い未来あらゆるタスクを人間と同等またはそれ以上にこなすことができるAI 事例なしその先？人工超知能（Artificial Super Intelligence）人類叡智総和の 1万倍の知能を持つAI 事例なし ※）諸説あります

Slide 11

Slide 11 text

11 言語モデル

Slide 12

Slide 12 text

12 Copyright © 2015 every, Inc. All rights reserved. 人間の言葉をコンピュータが理解し、タスクを実行できるようにする技術の総称例：検索候補表示、翻訳アプリ、メールのスパム判定、ChatGPT、ニュース要約言語モデル = Language Model 参考）直感LLM ―ハンズオンで動かして学ぶ大規模言語モデル入門, Jay Alammar、Maarten Grootendorst　著、中山光樹　訳 ~2000 2013 2017 2018 2019 2020 2021 2022 2023 word2vec attention BERT GPT GPT-2 GPT-3 ChatGPT T5 bug-of-words

Slide 13

Slide 13 text

13 Copyright © 2015 every, Inc. All rights reserved. 言語モデル GPT系（Generative Pre-trained Transformer）生成モデル（デコーダのみ）テキスト生成を目的としている通常は埋め込みは生成しない（テキスト生成）主に言語を表現すること、通常はテキストを生成しません（分類、検索、埋め込み生成など）表現モデル（エンコーダのみ） BERT系（Bidirectional Encoder Representations from Transformer）特に大規模なモデル（※）大規模言語モデル（LLM） ※）パラメータ、学習データ量、計算量、etc.

Slide 14

Slide 14 text

14 Copyright © 2015 every, Inc. All rights reserved. Transformer Vaswani, Ashish, et al. "Attention is all you need." Advances in neural information processing systems 30 (2017). Self-Attention（自己注意）で系列内の全トークン関係を同時に捉えることが可能。 ● 長距離依存に強い ● GPU並列で高速学習・推論 ● 大規模化が可能

Slide 15

Slide 15 text

15 Copyright © 2015 every, Inc. All rights reserved. トークン化文字を単語やサブワードといったトークンに分割する This is a smart cat 参考）直感LLM ―ハンズオンで動かして学ぶ大規模言語モデル入門, Jay Alammar、Maarten Grootendorst　著、中山光樹　訳 This is a smart cat My dog is smart My dog is smart 1412 342 45 765 トークン化トークンID 従来はスペース区切りで個々の単語に分割されていたが、中国語や日本語などの単語の間にスペースがない言語では問題が発生する LLMはトークナイザー（ tokenizer）によって分割される 367 45 142 765 469 tokenizer 言語モデル

Slide 16

Slide 16 text

16 Copyright © 2015 every, Inc. All rights reserved. コンテキスト長（コンテキストウィンドウ）モデルが一度に処理できるトークンの最大数 This is a smart cat My dog is smart 入力 . 1 2 3 4 5 6 7 8 LLM 最大コンテキスト： 128 9 10 出力 hogehoge hogehoge 入力の更新 11〜コンテキスト長が長ければLLMは長い文書を入力しても理解、処理可能 LLMは自己回帰的な性質を持つため、新しいをトークンを生成するたびにコンテキスト長が増加

Slide 17

Slide 17 text

17 Copyright © 2015 every, Inc. All rights reserved. ベンダーモデルごとのコンテキスト長ベンダーモデルモダリティ最大コンテキスト OpenAI GPT‑5 テキスト/画像 400,000 tokens OpenAI GPT‑4.1 テキスト/画像 1,000,000 tokens OpenAI GPT‑4o mini テキスト/画像 128,000 tokens Anthropic Claude Sonnet 4 テキスト/画像 200k（標準）/ 500k（Enterprise）/ 1M（APIベータ） Anthropic Claude Opus 4.1 テキスト/画像 200,000 tokens Google Gemini 2.0 Flash テキスト/画像/音声/動画 1,000,000 tokens Google Gemini 2.5 Flash テキスト/画像/音声/動画 1,000,000 tokens Meta Llama 3.1 (8B/70B/405B) テキスト 128,000 tokens Mistral Mistral Large 2 テキスト 128,000 tokens Cohere Command R テキスト 128,000 tokens xAI Grok 4 テキスト/画像 256,000 tokens

Slide 18

Slide 18 text

18 Copyright © 2015 every, Inc. All rights reserved. 埋め込み（embeddings）埋め込み＝データの意味を捉えたベクトル表現参考）直感LLM ―ハンズオンで動かして学ぶ大規模言語モデル入門, Jay Alammar、Maarten Grootendorst　著、中山光樹　訳犬猫道路車モデル (1.00, 0.80) (0.98, 0.82) (0.10, 0.60) (0.20, 0.50) 入力出力犬 (1.00, 0.80) 猫 (0.98, 0.82) 道路 (0.10, 0.60) モデルによって埋め込みベクトルを出力ベクトルが近い単語は意味的に近いといえる

Slide 19

Slide 19 text

LLMの要素技術

Slide 20

Slide 20 text

20 プロンプトエンジニアリング

Slide 21

Slide 21 text

Slide 22

Slide 22 text

Slide 23

Slide 23 text

23 Copyright © 2015 every, Inc. All rights reserved. プロンプト構成の具体例あなたは経験豊富なカスタマーサポートのスペシャリストです。製品情報： ● 製品名：AI Assistant Pro ● 価格：月額3,000円制約： ● 返答は3文以内にまとめる ● 不明な点は推測せず、確認を促すタスク：問い合わせに回答してください導入部コンテキスト制約指示

Slide 24

Slide 24 text

24 Copyright © 2015 every, Inc. All rights reserved. Structured Output（構造化出力） AIをシステムに組み込むときに出力形式をプロンプトで制御する手法 LLMを提供するSDKでは、事前定義されたスキーマに従わせることが可能なものもある AIの出力形式を制御する手法システム：あなたは感情分析の専門家です。タスク：感情を「ポジティブ」「ネガティブ」「ニュートラル」のいずれかに判定してください。以下のJSON形式で回答してください： { "sentiment": "ポジティブ/ネガティブ/ニュートラル", "confidence": 0.0-1.0の数値 } レビュー：「素晴らしい製品でした！」

Slide 25

Slide 25 text

25 Zero-shot vs Few-shot

Slide 26

Slide 26 text

Slide 27

Slide 27 text

27 Copyright © 2015 every, Inc. All rights reserved. Few-shotプロンプティング AIはパターンを踏襲して補完を生成することに長けている → 例を提示して精度向上メリット • パターンを学習して精度が向上するデメリット • コンテキストが増えると混乱を招きやすくなる • モデルが例示された情報に偏るシステム：あなたは感情分析の専門家です。タスク：感情を「ポジティブ」「ネガティブ」「ニュートラル」のいずれかに判定してください。例：「最悪のサービスでした」→ ネガティブ「普通でした」→ ニュートラル「最高！友人にも勧めます」→ ポジティブ「品質は良いが、価格が高すぎる」 → ニュートラルレビュー：「素晴らしい製品でした！」

Slide 28

Slide 28 text

28 推論時のプロンプト手法

Slide 29

Slide 29 text

Slide 30

Slide 30 text

30 Copyright © 2015 every, Inc. All rights reserved. CoTあり vs CoTなし問題：商品の原価に30%の利益を上乗せして定価とし、その定価から20%割引で販売。原価1000円の場合の利益は？ CoTなし：「100円」（計算過程不明） CoTあり： 1. 定価 = 1000円 × 1.3 = 1300円 2. 販売価格 = 1300円 × 0.8 = 1040円 3. 利益 = 1040円 - 1000円 = 40円精度改善：数学・論理問題で大幅に向上

Slide 31

Slide 31 text

31 Copyright © 2015 every, Inc. All rights reserved. CoT実践のポイント効果的な指示文 • 「ステップバイステップで考えてください」 • 「段階的に推論過程を示してください」 • 「まず問題を分解し、順番に解いてください」実装上の考慮事項 • 数学や論理問題以外などで必ず精度が向上するわけではない • トークン消費量：通常より増加 • レスポンス時間：より長い生成時間 • コスト：APIコールあたりの料金増加

Slide 32

Slide 32 text

Slide 33

Slide 33 text

33 Copyright © 2015 every, Inc. All rights reserved. ReAct実装例 • 天気予報の AIワークフローの実装時質問：東京の現在の天気は？ Thought：天気情報APIを呼び出す必要がある Action: weather_api(location="Tokyo") Observation：晴れ、気温23°0 Answer：東京の現在の天気は晴れで、気温は 230です

Slide 34

Slide 34 text

34 RAG技術

Slide 35

Slide 35 text

35 Copyright © 2015 every, Inc. All rights reserved. RAGの基本概念 Retrieval-Augmented Generation 外部知識をLLMに動的に提供する手法構成要素： 1. Document Store：知識ベース 2. Embeddings：文書のベクトル化 3. Retriever 関連文書の検索 4. Generator ：LLMによる回答生成

Slide 36

Slide 36 text

Slide 37

Slide 37 text

37 Copyright © 2015 every, Inc. All rights reserved. RAGを用いた動的なプロンプトの構築ユーザー質問「先週購入したノートPCを返品したい」 RAGの処理フロー • 質問をベクトル化→検索 • 関連文書を取得 • プロンプトに動的に組み込む［文脈］返品規定：30日以内、未開封品のみ［文脈］初期不良の返品保証：初期不良7日以内交換［質問］先週購入したノートPCを返品したい

Slide 38

Slide 38 text

38 Copyright © 2015 every, Inc. All rights reserved. RAGあり vs RAGなし RAGなしの応答「一般的に返品は一定期間内で可能です。詳しくはサポートにお問い合わせください。」 RAGありの応答「ノートPCは購入後30日以内で未開封の場合のみ返品可能です。先週購入とのことですが、開封済みの場合、初期不良であれば7日以内の交換対応が可能です。」 → 具体的な情報に基づいた正確な回答

Slide 39

Slide 39 text

39 LLMの拡張・統合技術

Slide 40

Slide 40 text

40 Copyright © 2015 every, Inc. All rights reserved. AIエージェントとは AIエージェント • LLMとツールを組み合わせて自律的にタスクを実行するシステム • 人間の指示を受けて、複数ステップの作業を自動化基本的な動作従来のチャットボットとの違い • チャットボット: 質問に答える形式 • エージェント: 実際に作業を実行（コード作成、メール送信、データ分析など）

Slide 41

Slide 41 text

Slide 42

Slide 42 text

Slide 43

Slide 43 text

43 Copyright © 2015 every, Inc. All rights reserved. MCPの種類 1. Tools（ツール） • アクションを実行する関数を提供 • 例: データベースクエリを実行, メール送信 2. Resources（リソース） • 読み取り専用のデータソースへのアクセスを提供 • 例: ローカルファイル, データベーススキーマ情報などを読み取る 3. Prompts（プロンプト） • 事前定義されたプロンプトテンプレートを提供 • 例: 「コミットメッセージ生成」のようなプロンプトテンプレート

Slide 44

Slide 44 text

44 Copyright © 2015 every, Inc. All rights reserved. A2A（Agent-to-Agent Protocol）異なるAIエージェント同士の対話を実現する標準プロトコル A2Aが解決する課題 • 各社のAIが独自仕様になると相互連携が困難になる • 複数AIを組み合わせた高度なタスクが困難 • エージェント間の役割分担を明確化したい実用例 • 翻訳AI → 要約AI→感情分析AI • 各専門AIが連携して複雑なタスクを処理

Slide 45

Slide 45 text

45 コンテキストエンジニアリング

Slide 46

Slide 46 text

46 Copyright © 2015 every, Inc. All rights reserved. コンテキストエンジニアリングとはコンテキストウィンドウ • LLMの作業メモリ（指示、知識、ツール結果、対話履歴） • トークンという単位でモデルごとに制限があるコンテキストが増加したときの課題 • 容量超過: ウィンドウサイズを超えてエラー • 性能劣化: 情報過多で精度低下 • コスト爆発: トークン数に比例して料金増加 • コンテキスト汚染: 誤情報が後続の推論に影響コンテキストエンジニアリング • LLMのコンテキストウィンドウに適切な情報を適切なタイミングで配置する技術

Slide 47

Slide 47 text

47 Copyright © 2015 every, Inc. All rights reserved. コンテキストエンジニアリングの4つの基本戦略 Write（書き込み） • コンテキストウィンドウ外部にデータを保存して後で参照 Select（選択） • タスクに必要な情報のみを選択的に取得 Compress（圧縮） • 冗長な情報を削除・要約して容量を節約 Isolate（分離） • 異なるコンテキストを別々に管理して干渉を防ぐ

Slide 48

Slide 48 text

48 Copyright © 2015 every, Inc. All rights reserved. 4つの戦略の具体例 Write（書き込み）の例 • 研究タスク: 調査計画をメモファイルに保存し、200Kトークン超過時も参照可能に • ChatGPTメモリ: 「私は東京在住のエンジニア」を永続保存 Select（選択）の例 • コードエディタ: 1万ファイルから現在編集中の関連5ファイルのみ取得 • ツール選択: 「天気を教えて」→ 100個のツールから天気APIのみ選択 Compress（圧縮）の例 • Claude Code: 95%到達時に「100ターンの対話→5段落の要約」に自動圧縮 • 検索結果: 10ページの文書→関連する3段落のみ抽出 Isolate（分離）の例 • マルチエージェント: データ分析は分析専門エージェント、文書作成は執筆専門エージェントが担当

Slide 49

Slide 49 text

49 Copyright © 2015 every, Inc. All rights reserved. コンテキストエンジニアリングの活用例 ClaudeCodeの例 ● Auto-compact機能 ○ コンテキストウィンドウの95%到達時に自動発動 ○ 全対話履歴を要約に変換してトークン削減 ● CLAUDE.mdファイル ○ プロジェクト固有のルールや指示を外部ファイルに保存 ○ 必要時のみ読み込んで参照 ● ファイル操作の分離 ○ ファイル作成・編集の詳細はツール実行として処理 ○ LLMには結果の概要のみ返す ● コード変更の差分表示 ○ 全コードではなく変更箇所のみをコンテキストに含める ● タスク計画の外部保存 ○ 長期タスクの計画を別の記憶領域に書き出し ○ 進捗状況を別途管理

Slide 50

Slide 50 text

開発ツールと活用事例

Slide 51

Slide 51 text

51 Copyright © 2015 every, Inc. All rights reserved. AIコーディングの現状と重要性 AIコーディングは「もう当たり前」 • 開発現場での標準ツールとして定着エブリーエンジニアの全員が AIを活用 • 計画→実装→テスト→PRなど、ほとんどの開発フローでAIが介入開発効率10倍を目指す • AIツールの効果的な活用により、生産性の大幅な向上を目指すコード品質の向上 • AIによるベストプラクティスの提案やバグの早期発見

Slide 52

Slide 52 text

52 Copyright © 2015 every, Inc. All rights reserved. 開発体制の変化職種のオーバーラップが起きている AIツールの普及により、従来の職種の境界線が曖昧になり、個人のできることの幅が増えているエンジニア：開発効率が上がることで、よりプロダクトを考えられる開発作業の効率化により、ビジネス価値や顧客体験の向上に注力できる時間が増加 PdM：簡単なプログラムはエンジニアが実装プロダクトマネージャー(PdM)も技術的な理解を深め、AIツールを活用して簡易的な実装が可能に

Slide 53

Slide 53 text

53 Copyright © 2015 every, Inc. All rights reserved. エブリーで活用されているAIツール概要開発支援 • Cursor • Claude Code 自立型エージェント • Devin MCP tools • GitHub MCP • Atlassian MCP • Figma MCP • Redash MCP 非コーディング • Gemini • NotebookLM

Slide 54

Slide 54 text

54 Copyright © 2015 every, Inc. All rights reserved. Cursorの紹介と活用方法 Cursorとは • AIを統合したコードエディタ • GPTやClaudeなどのAIモデルを活用して、コード生成、編集、デバッグなどを対話形式で実行可能 • Visual Studio Codeをベースに作られており、既存の拡張機能や設定を引き継ぎながらAIの恩恵を受けられる活用方法 • チャット機能でAIに質問や相談をしながら、新しいコードブロックをゼロから生成 • 既存のコードを選択して、リファクタリングやバグ修正、機能追加などをAIに指示 • AIによる補完機能の活用 • Rulesで、ドメイン知識を与えたり、固定のフローを記載して効率化 https://cursor.com

Slide 55

Slide 55 text

55 Copyright © 2015 every, Inc. All rights reserved. Claude Codeの紹介と活用方法 Claude Codeとは • Anthropic社が開発した、ターミナル上で動作するAI コーディングエージェント • プロジェクト全体の文脈を理解して、実装を支援してくれる • 自律性の高さが特徴活用方法 • 基本的にCursorと同様の使い方が可能 • Planモードで実装内容を固めてから、実装に取り掛かる • Hooks機能、custom slash commands、sub-agents などの便利な機能を活用 https://docs.anthropic.com/ja/docs/claude-code/overview

Slide 56

Slide 56 text

56 Copyright © 2015 every, Inc. All rights reserved. CursorとClaude Codeの比較項目 Cursor Claude Code 形態・UI IDE（Visual Studio Code のフォーク）として提供。 GUIベースでエディタ内でAI支援が行える CLI（ターミナル）ベース。エディタを問わず、ターミナルから操作可能操作のスタイルチャットでの指示、インタラクティブな補完や差分表示など自律的アクション（複数ファイルの編集、テスト実行、 Gitコミットなど）をCLIで制御リアルタイム補完エディター内で即時に補完や生成が可能リアルタイム補完には対応しておらず、ターミナル指示ベースで動作コンテキスト理解コードベースの全体をインデックス化し、自然言語のクエリで理解できる非常に大きな文脈ウィンドウで複雑なコード構造を処理できる使用できるモデル gpt, claudeなど複数社のモデルが使用できる claude系のモデルのみ導入・習得難易度 VS Codeユーザーなら簡単。 GUIに慣れていれば導入もスムーズ CLIのため、導入にはやや学習が必要

Slide 57

Slide 57 text

57 Copyright © 2015 every, Inc. All rights reserved. Devinの紹介と活用方法 Devinとは • 米国のAIスタートアップ企業Cognitionが開発 • 完全自律型のAIソフトウェアエンジニア • チケット理解からPR作成まで開発プロセス全体を自律的に遂行する活用方法 • 難しくないけど面倒なタスクの実行 • 軽微な修正タスク • 簡単だけど数が多いリファクタを並列実行 • 他のコードを模倣できるタスク • アラート分析 • 複数のリポジトリを跨った実装 • DeepWikiでリポジトリの内容理解 https://devin.ai/

Slide 58

Slide 58 text

58 Copyright © 2015 every, Inc. All rights reserved. MCP toolsの紹介 GitHub MCP GitHubリポジトリ内の情報にAIがアクセスできるようになる ● IssueやPull Requestの取得・作成・編集などの管理 ● AIがGitHub上の情報を把握し、文脈に沿ったコーディング支援を提供 Figma MCP Dev Mode MCP Server（β）でデザインデータに直接アクセス ● 選択したフレームからコードを生成 ● 変数・コンポーネント・レイアウトをIDEに直接取り込める ● 課題であったフロントエンドのAIコード支援を補助 Atlassian MCP エブリーでは、Confluenceというサービスに社内の情報を蓄積している ● ページの取得・作成・編集などの管理 ● AIにプロダクトの仕様書や会議の議事録などの情報を、コンテキストとして与えることが可能 Redash MCP MCPは自作することもできる ● クエリ一覧/実行/作成/更新、ダッシュボード情報取得に対応 ● redashを触ったことがない・SQLをあまり書かない人が自然言語でクエリを操作することができる

Slide 59

Slide 59 text

59 Copyright © 2015 every, Inc. All rights reserved. Gemini・NotebookLMの紹介 Gemini • Googleの汎用AI • Google Workspace内の情報（ドキュメント、スライドなど）を観にいくことができる • 「学習コーチ」モードで、効率的に学習 • どんなに聞いても嫌がられない NotebookLM • アップロード /指定した資料だけを根拠に引用つきで答えるAIアシスタント • Google Docs / Slides / PDF / テキスト & Markdown / Web URL / YouTube / 音声など対応 • 読みたい記事などをポッドキャスト化 • マインドマップで内容を整理 • チームの仕様や、会議資料などをまとめて、プロジェクト専用の AIを作成 https://gemini.google.com https://notebooklm.google.com

Slide 60

Slide 60 text

60 研修課題

Slide 61

Slide 61 text

61 Copyright © 2015 every, Inc. All rights reserved. 課題次のタスクのプロンプトを作って任意のLLM（ChatGPT, Geminiなど）に入力し、改善してみてくださいタスク: 「1から100までの素数を出力する」プログラムを作って解説する 1. 基本：「素数を見つけるプログラム書いて」 2. 形式指定：「関数として実装し、リストで返して...」 3. LLMにアルゴリズムを説明させてみる 4. 他に自分でプロンプトの工夫【提出内容】 • 最も良かったプロンプト1つとその理由 • コードとその説明, 出力結果 ● 何を追加/変更したか ● なぜその改善が必要だったか ● 期待される出力の違い改善のポイント

Slide 62

Slide 62 text

Slide 63

Slide 63 text

63 Copyright © 2015 every, Inc. All rights reserved. 参考・引用 • 直感 LLM - O'Reilly Japan • [1706.03762] Attention Is All You Need • LLMのプロンプトエンジニアリング - O'Reilly Japan • API に Structured Outputs を導入 | OpenAI • OpenAI Platform Docs: Function Calling and Tool Use • [2210.03629] ReAct: Synergizing Reasoning and Acting in Language Models • [2005.14165] Language Models are Few-Shot Learners • [2409.12183] To CoT or not to CoT? Chain-of-thought helps mainly on math and symbolic reasoning • Prompt Engineering | Kaggle • Context Engineering • 人工知能の FAQ

Slide 64

Slide 64 text

No content