第1章 生成AIがもたらすビジネスインパクトと活用の可能性

第1節 生成AI (ジェネレーティブAI) の種類と得意分野

• 1.生成AIとは何か
  • 1.1 生成AIと第四次産業革命の幕開け
• 2.生成AIの主要な種類
  • 2.1 テキスト生成AI
  • 2.2 画像生成AI
  • 2.3 音声生成AI
  • 2.4 動画生成AI
  • 2.5 マルチモーダル生成AI
• 3.各生成AIの得意分野と具体例
  • 3.1 広告業界での活用
  • 3.2 デザイン分野での活用
  • 3.3 ファッション業界での活用
  • 3.4 記事作成での活用
  • 3.5 対話型エージェントでの活用
  • 3.6 創作小説での活用
  • 3.7 カスタマーサポートでの活用
  • 3.8 音声アシスタントでの活用
  • 3.9 エンターテイメント業界での活用
  • 3.10 医療や教育の分野での活用
  • 3.11 教育分野での活用
  • 3.12 マーケティング分野での活用
  • 3.13 弊社サービス「非定形帳票の読み取り」の活用例
  • 3.14 広告分野での活用
  • 3.15 ゲーム開発での活用
  • 3.16 クリエイティブなコンテンツ作成での活用
    まとめ

第2節 生成AIがもたらす未来と今後の可能性

• はじめに
• 1.生成AIによって何ができるようになったのか
  • 1.1 生成AIとは
  • 1.2 生成AIによってコンピュータは何ができるようになったのか
  • 1.3 身体性との融合でできること
  • 1.4 さらなる性能の向上を求めて
• 2.付加価値・生産性を高める生成AIの活用
  • 2.1 付加価値・生産性の向上とシステム化の関係
  • 2.2 付加価値・生産性向上をもたらすAI・システムの使い方
• 3.生成AIのリスク
  • 3.1 情報漏洩と著作権侵害
  • 3.2 フェイクニュースやソーシャルエンジニアリングへの悪用
  • 3.3 生成AI自体の偏向
  • 3.4 生成AIや連携システムに対するサイバー攻撃
• 4.持続発展可能性と生成AI
  • 4.1 持続発展可能社会と生成AI開発の整合性
  • 4.2 持続発展可能社会の実現に貢献するAIを含むICT
    • 4.2.1 トレーサビリティの確保
    • 4.2.2 シミュレーションによる物理的試行の削減
    • 4.2.3 様々な効率化のための最適化
    • 4.2.4 ダイバーシティを促進するコミュニケーション
• 5.人と生成AIのかかわり
  • 5.1 AIは仕事を奪うのか
  • 5.2 人に求められること

第3節 各社内業務への生成AI導入と活用事例

概論

• 1.国内の導入状況
• 2.生成AIの導入が進むことで生まれる影響
• 3.事例
  • 3.1 バーチャル企画会議
    • 3.1.1 バーチャル企画会議によるアイデア出し
    • 3.1.2 期待できる成果
    • 3.1.3 評価と展望
  • 3.2 新規加入メンバーに対するパーソナライズした教育
    • 3.2.1 教材の構成作成
    • 3.2.2 期待できる成果
    • 3.2.3 評価と展望
  • 3.3 コードのリファクタリング・テスト・コメント自動生成
    • 3.3.1 リファクタリング
    • 3.3.2 テスト
    • 3.3.3 コメント生成
    • 3.3.4 期待できる成果
    • 3.3.5 評価と展望
  • 3.4 社内研修への利用
    • 3.4.1 研修プログラム作成
    • 3.4.2 受講者のプログラム実施
    • 3.4.3 期待できる効果
    • 3.4.4 評価と展望
      まとめ

第4節 生成AIのビジネス利用

• 1.生成AIの歴史と発展経緯
• 2.生成AIのビジネス利用
  • 2.1 活用分野の拡大
  • 2.2 活用がもたらすビジネス効果
• 3.生成AI導入・活用のための整理
  むすび

第2章 仕組み、特徴とプロンプトエンジニアリング

第1節 生成AI、大規模言語モデルの仕組み、特徴

• はじめに:生成AI
• 1.計算機科学 (Computer Science) とアラン・チューリング
• 2.人工知能 (Artificial Intelligence) とダートマス会議
• 3.機械学習 (Machine Learning) とSVM (Support Vector Machine)
• 4.深層学習とTransformer
• 5.大規模言語モデルの仕組み
  • 5.1 言語モデルの定義
  • 5.2 n-gram言語モデル
  • 5.3 RNN (Recurrent Neural Network) 言語モデル
  • 5.4 Sequence To Sequence翻訳モデル
  • 5.5 自己注意機構 (Attention mechanism)
  • 5.6 Transformer
  • 5.7 GPT (Generative Pretrained Transformer)
  • 5.8 実はRNNで良かったのではないか?
• 6.連続的な進化、非連続的な認知

第2節 生成AIを効果的に活用するための指示の出し方 (プロンプトエンジニアリング)

• はじめに
• 1.プロンプト技術とは
  • 1.1 プロンプトとは何か
  • 1.2 プロンプトの種類と形式
    • 1.2.1 質問形式のプロンプト
    • 1.2.2 指示形式のプロンプト
    • 1.2.3 コンテキストを含むプロンプト
  • 1.3 プロンプトとモデルの相互作用
• 2.プロンプト技術の効力
  • 2.1 プロンプト作成の基本原則
  • 2.2 プロンプトエンジニアリングの手法
  • 2.3 注意点と課題
• 3.プロンプト技術の応用と今後
  • 3.1 RAG分野でのプロンプトエンジニアリング
  • 3.2 マルチモーダルLLMとの融合
  • 3.3 ソフトプロンプトとハードプロンプト
• おわりに

第3節 LLMの意図せぬ出力:ハルシネーションの課題と実用的な品質制御

• はじめに
• 1.LLMの出力における課題
  • 1.1 従来型モデルの問題
    • 1.1.1 ハルシネーションの定義
    • 1.1.2 主な発生原因
    • 1.1.3 モデル進化による改善と現状
  • 1.2 意図しない出力のリスク
• 2.システム設計における対策
  • 2.1 LLM適用範囲の選定
  • 2.2 プロンプトエンジニアリング
    • 2.2.1 基本的な設計方針
    • 2.2.2 プロンプティング手法
  • 2.3 外部知識の導入
    • 2.3.1 グラウンディング
    • 2.3.2 RAG
  • 2.4 システム内部での出力検証
  • 2.5 適切な人的介入
• 3.品質評価と継続的改善
  • 3.1 評価の種類
  • 3.2 評価基準とデータセットの整備
    • 3.2.1 評価基準の作成
    • 3.2.2 データセットの作成
  • 3.3 評価の実施方法
  • 3.4 継続的な品質管理
• おわりに

第3章 導入に向けた社内体制構築とその進め方

第1節 生成AIモデルの選び方と社内導入へのステップ

• 1.LLM選びの背景
• 2.LLMの選び方
• 3.社内導入へのステップアップ

第2節 生成AIの利活用を定着化するための仕組み作りと社内体制構築

• はじめに
• 1.生成AIの利活用定着化するために必要な要素
  • 1.1 利用方針 (ガイドライン) の策定
  • 1.2 全従業員が自由に使える安全・安心な環境
  • 1.3 利用に関する継続的な教育
  • 1.4 経営層の理解
  • 1.5 さらなる利用を促す施策 (アイディアソン/ハッカソン)
  • 1.6 推進をリードする組織
• 2.生成AIラボの取組みとコミュニティ
  • 2.1 ユースケースの具現化
  • 2.2 生成AIラボが提供する3つの機能
  • 2.3 共通言語としての動くユースケース
  • 2.4 全社横断型のコミュニティ
• おわりに

第3節 生成AI時代におけるデジタル変革と人材育成の新たな指針

• はじめに
• 1.DXを牽引する人材の育成
  • 1.1 必要なスキルセットと特性
    • 1.1.1 技術スキル
    • 1.1.2 問題解決スキル
    • 1.1.3 ソフトスキル
    • 1.1.4 適応力と学習意欲
  • 1.2 育成プログラムの設計
• 2.生成AI導入における人材育成
  • 2.1 技術理解を深める研修環境の整備
  • 2.2 成功の鍵:外部支援と内製化のバランス
    最後に

第4節 生成AI時代におけるエンジニア育成 新たなスキルセットと未来のエンジニア像

• はじめに
• 1.生成AI時代に求められるエンジニアスキル
  • 1.1 高度な設計能力と技術選定力
  • 1.2 AIが生成したコードの評価能力
    • 1.2.1 深い技術理解と経験に基づく判断力
    • 1.2.2 言語仕様とベストプラクティスの深い理解
    • 1.2.3 新技術の評価能力
    • 1.2.4 継続的学習と適応能力
    • 1.2.5 急速な技術進化への対応
    • 1.2.6 学習の効率化と生成AIの活用
    • 1.2.7 学習文化の醸成
• 2.生成AI時代のエンジニア育成アプローチ
  • 2.1 モブ/ペアプログラミングを通じた実践的学習
  • 2.2 生成AIを活用した学習の効率化
  • 2.3 社内外勉強会やハッカソンを通じた学習と適応力の強化
• 3.エンジニア育成事例 (KDDIアジャイル開発センターの取り組み)
  • 3.1 KAGおけるGitHub Copilot活用
  • 3.2 エンジニア育成における取り組み
    • 3.2.1 ソフトウェア開発研修における生成AI活用事例
    • 3.2.2 AIスクラムマスターの実装事例
      さいごに 未来のエンジニア像

第5節 LLMアプリケーションにおけるセキュリティリスクとその対策・評価

• はじめに
• 1.前提事項
• 2.LLMアプリケーションに関するセキュリティインシデント事例
  • 2.1 チャットボットによる不適切な回答
  • 2.2 メール内容などの機微情報の流出
• 3.LLMアプリケーションのリスクとその対策
  • 3.1 Prompt Injection (プロンプトインジェクション)
    • 3.1.1 リスクの概要
    • 3.1.2 対策
  • 3.2 Insecure Output Handling (安全が確認されていない出力ハンドリング)
    • 3.2.1 リスクの概要
    • 3.2.2 対策
  • 3.3 Sensitive Information Disclosure (機微情報の漏洩)
    • 3.3.1 リスクの概要
    • 3.3.2 対策
  • 3.4 Insecure Plugin Design (安全が確認されていないプラグイン設計)
    • 3.4.1 リスクの概要
    • 3.4.2 対策
  • 3.5 Excessive Agency (過剰な代理行為)
    • 3.5.1 リスクの概要
    • 3.5.2 対策
  • 3.6 Overreliance (過度の信頼)
    • 3.6.1 リスクの概要
    • 3.6.2 対策
• 4.LLMアプリケーションのセキュリティ評価
  • 4.1 対象アプリケーションの理解
  • 4.2 リスクの特定
  • 4.3 攻撃シナリオの作成
  • 4.4 攻撃シナリオの実行
  • 4.5 セキュリティ改善策の提案・実施
• おわりに

第6節 生成AIの社内導入、技術支援のためのソリューション開発と活用事例

• はじめに
• 1.生成AIソリューション開発のPoCの課題
  • 1.1 PoCにおける課題分析
  • 1.2 PoCにおける検証内容設定
    • 1.2.1 精度の定義
    • 1.2.2 アウトプットにかける期間
    • 1.2.3 コスト
    • 1.2.4 達成状態の定義
  • 1.3 実証時の適切なソリューション選定
  • 1.4 評価方法
• 2.PoC後の実運用に向けての課題
  • 2.1 システム運用の課題
    • 2.1.1 データ、モデルの更新
    • 2.1.2 セキュリティの担保
    • 2.1.3 可用性
  • 2.2 利用促進の課題
• 3.生成AIの活用事例
  • 3.1 事例集
  • 3.2 事例検索
    まとめ

第7節 パーソルホールディングスにおける生成AI社内環境と学習プログラムの作り方

• はじめに
• 1.背景とビジョン
  • 1.1 生成AI活用の重要性と課題
  • 1.2 「中期経営計画2026」との連動
• 2.社内生成AI環境の整備
  • 2.1 推進チームの始動
  • 2.2 社内版GPT 「CHASSU」
  • 2.3 アジャイルガバナンス
  • 2.4 プロンプトギャラリーによる知見共有
• 3.学習プログラムの設計と運用
  • 3.1 生成AIアップスキリング体系と学習MAP
  • 3.2 “楽しく/参加したくなる”研修・イベント
  • 3.3 コミュニティ運営と学び合う文化
• 4.成果とインパクト
  • 4.1 広範な社員への浸透と想定業務削減時間
  • 4.2 学習習慣の定着
• 5.成功要因と学び
  • 5.1 安心安全に使える環境の整備
  • 5.2 共創コンセプトの徹底と前提となる心理的安全性
  • 5.3 継続可能な学習の仕組みづくり
• 6.今後の展望とまとめ

第4章 社内開発の進め方と性能評価

第1節 生成AIシステムの社内開発と信頼性の強化

• はじめに
• 1.AI倫理の原則と柱
  • 1.1 説明可能性
  • 1.2 公平性
  • 1.3 堅牢性
  • 1.4 透明性
  • 1.5 プライバシー
• 2.開発プロセスにおける信頼性強化のステップ
  • 2.1 計画
  • 2.2 開発
  • 2.3 検証とリリース
  • 2.4 監視と管理
• 3.プライバシーおよび AI 管理システム
  • 3.1 PIMSの概要と目的
  • 3.2 PIMSの機能
  • 3.3 PIMS導入による効果
• 4.信頼性強化のための組織作りと教育
• おわりに
  謝辞

第2節 業務効率化に向けた生成AIのアプリ開発と実装方法

• はじめに
• 1.業務効率化のための生成AIの利活用
  • 1.1 効率化したい業務の特徴
  • 1.2 数値を含む課題の検討
  • 1.3 生成AIを導入するためのコスト
• 2.管理栄養士の業務効率化のための生成AI導入例
  • 2.1 管理栄養士が不足している状況と抱えている問題
  • 2.2 栄養価などの数値を含む問題
  • 2.3 生成AIによる制約付献立構築の可能性
• 3.生成AIを用いたアプリケーション開発例 (献立提案システム)
  • 3.1 献立データの準備
  • 3.2 Retrieval Augmented Generation (RAG) によるアプローチ
  • 3.3 献立生成アプリケーションの実装
    まとめ

第5章 法的問題点と倫理問題への対応

第1節 生成AI、ChatGPTその他の生成AIについて企業内ユースを実施する際に考慮すべき法的問題点とその対応策

• はじめに (生成AIにはいかなるリスクが存在するか‐一般論)
• 1.使わないリスクと使う場合の功罪
• 2.生成AIにおけるジャンル
  • 2.1 画像生成
  • 2.2 音声型生成
  • 2.3 言語生成AI
• 3.言語型生成AIについて (リスク検討)
  • 3.1 なぜ言語型生成AIを検討するか
  • 3.2 社会の不安と政府のリアクション
  • 3.3 誰がどのようなルールを決めるべきか
    • 3.3.1 経営者が決めるのは生成AI使用ポリシー
    • 3.3.2 ガイドラインを決めるのは担当者
    • 3.3.3 選定段階の説明責任とそのルール付け
  • 3.4 使用上のルール
    • 3.4.1 使うリスクの考慮
    • 3.4.2 導入にあたってのシステムを整えることの考慮
• おわりに

第2節 生成AI利用に関する社内ガイドラインの作り方

• はじめに
• 1.AI事業者ガイドラインの概要
  • 1.1 基本的な考え方
• 2.社内ガイドラインを作る前に
  • 2.1 生成AIの必要性を検討する
  • 2.2 利用するサービスを選定する
  • 2.3 入力可能性のある情報を整理する
• 3.条項例
  • 3.1 本ガイドラインの目的
  • 3.2 利用可能なサービス
  • 3.3 禁止行為
  • 3.4 データ入力の際の注意事項
    • 3.4.1 第三者が著作権を有しているデータ (他人が作成した文章等)
    • 3.4.2 個人情報
    • 3.4.3 他社から秘密保持義務を課されて開示された秘密情報
    • 3.4.4 当社の機密情報
  • 3.5 AI生成物を利用する際の注意事項
    • 3.5.1 生成物の内容に虚偽が含まれている可能性がある
    • 3.5.2 生成物を利用する行為が誰かの既存の権利を侵害する可能性がある
    • 3.5.3 生成物に著作権が発生しない可能性がある
  • 3.6 問合せ窓口
• 4.社内ガイドラインを作ったら
  • 4.1 研修等による周知
  • 4.2 サービスの規約変更への対応
  • 4.3 定期的なアップデート
• おわりに

第3節 生成AI活用時の著作権問題と対策

• はじめに
• 1.各段階に応じた著作権法上の問題と分析
  • 1.1 生成AIサービスを選定する段階
    • 1.1.1 サービスの選定と著作権法の関係
    • 1.1.2 著作権法30条の4における非享受目的
    • 1.1.3 著作権法30条の4但書の適用範囲
    • 1.1.4 侵害品の学習
    • 1.1.5 作風レベルで類似させる学習
  • 1.2 生成AIにAI生成物を出力させる段階
    • 1.2.1 AI生成物による著作権侵害
    • 1.2.2 入力情報の無断学習
  • 1.3 AI生成物を使用する段階
    • 1.3.1 類似物の出力
    • 1.3.2 AI創作物に関する留意点
• 2.補足:海外の動向
  • 2.1 学習に伴うルール
  • 2.2 AI生成物の著作物性に関する判断例
  • 2.3 AI生成物のラベリング義務
• おわりに

第4節 生成AIを活用した発明・創作の注意点とAI倫理問題

• はじめに
• 1.AIマシンは発明者地位を有するか
• 2.発明者ガイダンスに基づく注意点
  • 2.1 5つの指導原則
  • 2.2 事例 _{リモートカー用トランスアクスル}
    • 2.2.1 背景
    • 2.2.2 シナリオ1
    • 2.2.3 シナリオ2
  • 2.3 AI支援発明に対する実務上の注意点
• 3.発明者及び創作者に対する生成AI倫理
• おわりに

第6章 アイデア創出、新規研究開発テーマ発掘への活用

第1節 新規事業創出のための3つの起点:新規事業創出プロセスにおける生成AIとの共同作業

• はじめに
• 1.リソース/パートナー起点
• 2.シーズ/技術起点
• 3.ヒト/課題起点
• 4.新規事業創出プロセスにおける生成AIとの共同作業
  • 4.1 デスク調査
  • 4.2 フィールド調査
  • 4.3 アイディア発想
  • 4.4 詳細設計
  • 4.5 プロトタイピング
  • 4.6 実装と評価
• おわりに

第2節 研究開発計画・企画立案におけるシナリオプランニングと生成AI活用のポイント

• はじめに
• 1.シナリオプランニングの基本プロセスと研究開発への適用
  • 1.1 シナリオプランニングの一般的な実践ステップ
  • 1.2 研究開発分野におけるシナリオプランニングでのテーマ設定
  • 1.3 研究開発分野におけるシナリオプランニングでの戦略オプション検討
• 2.生成AIツールを用いたシナリオプランニングの実践
  • 2.1 生成AIツールを活用したシナリオプランニングの可能性
  • 2.2 生成AIツール活用の実践可能性と示唆
• おわりに

第3節 生成AIを活用した発想の深化、ビジネスの質の向上

• はじめに
• 1.生成AIの現状とビジネスでの使われ方
• 2.生成AIによるアウトプットの「質」の向上
• 3.生活者発想
• 4.生成AIによる「生活者発想」の深化
  • 4.1 バーチャル生活者
  • 4.2 発想の多視点化
• おわりに

第4節 SNS情報と特許情報を用い、生成AIを活用した新規事業のアイデア出し

• はじめに
• 1.新規事業のアイデア出しの3つのステップ
• 2.特許情報の重要性
• 3.SNS情報の活用
• 4.SNS情報と特許情報を用いた新規事業のアイデア創出の具体的手法について
  • 4.1 SNS情報から課題を抽出
  • 4.2 生成AIにより複数の新規事業案を提案させる
  • 4.3 特許情報を用いて新規ビジネスアイデアに肉付け
  • 4.4 まとめ
• おわりに

第5節 生成AI時代におけるプロンプトエンジニアリング その重要性と活用

• はじめに
• 1.なぜプロンプトは重要なのか
• 2.プロンプトを設計する際のポイント
  • 2.1 明確性と具体性
  • 2.2 文脈の提供
  • 2.3 構造化された指示
  • 2.4 出力形式の指定
  • 2.5 プロンプトの種類ごとの使い分け
  • 2.6 AI検索、画像生成、およびコード生成における留意点
    • 2.6.1 コード生成における留意点
    • 2.6.2 AI検索の留意点と対応
    • 2.6.3 画像生成AIの留意点と対応
  • 2.7 生成AIの機械論的解釈可能性の研究成果を活用したプロンプト設計
  • 2.8 プロンプトガイド
  • 2.9 プロンプトの生成・改善ツール
  • 2.10 生成AI自身にプロンプトを聞く
  • 2.11 幻覚 (ハルシネーション) の軽減
• 3.アイデア創出や新規テーマ発掘にどう活用できるか
  • 3.1 ブレインストーミングの補助
  • 3.2 クロスドメイン発想
  • 3.3 トレンド分析と未来予測
  • 3.4 制約条件下での創造
  • 3.5 ユーザーニーズの探索
  • 3.6 独自性や新規性のあるアイデア出し
  • 3.7 新規テーマの創出
• 4.生成 AIが出した案や答えをどのように判断するか
  • 4.1 多角的な情報をもとに判断
  • 4.2 論理的一貫性の評価
  • 4.3 実現可能性の検討
  • 4.4 創造性と革新性の評価
  • 4.5 実体論的解釈可能性の研究成果を加味
• おわりに 第7章 情報収集、技術文書作成効率化などへの活用

第1節 生成AI・人工知能による未来予測と戦略策定への活用

• はじめに
• 1.技術戦略策定
  • 1.1 一般的戦略策定フロー
  • 1.2 戦略策定の主な課題とAI活用による改善
    • 1.2.1 検討するメンバーが同質
    • 1.2.2 論理が浅い
    • 1.2.3 基となる情報が古い
    • 1.2.4 将来を見渡すのが苦手
• 2.AI、生成AIの活用工程
  • 2.1 広く適切に収集
  • 2.2 客観的・俯瞰図可視化
  • 2.3 気づきの提供と人的バイアスの排除
  • 2.4 複数のストーリーの提供
  • 2.5 人の意思への代替不能
• 3.生成AIを活用して他社の戦略を予測する
  • 3.1 AIは支援ツールの範疇として他者の戦略理解に利用
  • 3.2 ソフトバンク孫社長の関心は何処にあるか
• おわりに

第2節 AIを活用した情報収集、市場分析と戦略立案

• はじめに
• 1.生成AIの特徴
• 2.戦略立案のプロセス
• 3.生成AIを活用した情報収集
• 4.生成AIを活用した市場分析
• 5.生成AIを活用した戦略立案
• おわりに

第3節 生成AIを活用した情報収集・分析と新規事業の創出

• はじめに
• 1.生成AIを活用した新規事業創出のアプローチ
  • 1.1 内部環境分析
  • 1.2 外部環境分析
  • 1.3 事業アイデアの創出
  • 1.4 事業アイデアの評価と絞り込み
  • 1.5 戦略ストーリーの策定
  • 1.6 プロトタイプ開発と検証
  • 1.7 市場導入と成長戦略
• 2.生成AI活用ユースケース
  • 2.1 情報収集・分析における生成AI活用
    • 2.1.1 自社アセットにおける強み弱みを棚卸しする
    • 2.1.2 業界における法制約を整理する
    • 2.1.3 業界のトレンドを整理する
    • 2.1.4 新規事業のアイデアをブレストする
    • 2.1.5 ブレストした事業アイデアを評価する
    • 2.1.6 選定した事業アイデアにおける残論点を整理する
  • 2.2 プロンプト精度向上のポイント
    • 2.2.1 明確な質問
    • 2.2.2 具体性
    • 2.2.3 プロンプトの構造
    • 2.2.4 文脈の提供
    • 2.2.5 複数の質問
    • 2.2.6 校正とフィードバック
    • 2.2.7 ステップバイステップでの指示 段階的に考えさせる
• 3.生成AIを活用した新規事業創出における留意点
  • 3.1 導出されるインサイトとそれをどう活かすのかを混同しないこと
  • 3.2 マクロ・ミクロな視点での仮説立て
  • 3.3 「今あるデータで何ができるか」起点の発想から離れること
• 4.生成AI時代に必要なマインドセット
• おわりに

第4節 生成AIが拓く研究開発の新時代 _{文献解析から実験自動化まで:統合プラットフォームの展望}

• はじめに
• 1.学術情報界隈のツールの変遷
  • 1.1 Google Scholar
  • 1.2 ResearchGate
  • 1.3 学術俯瞰システム
  • 1.4 Paper Digest
  • 1.5 GPTs
• 2.生成AIを組み合わせた論文解析や事業展開への応用の可能性 _{Climate Techの事例}
  • 2.1 論文解析による学術俯瞰
  • 2.2 生成AIで事業展開への応用の可能性のアイディエーション
• 3.生成AIを研究開発に使う際の注意点
• 4.むすび _{研究開発における生成AIの未来}
  • 4.1 自律的な研究開発の萌芽
  • 4.2 研究開発プロセスの統合
  • 4.3 次世代研究開発プラットフォームの展望
• おわりに

第5節 生成AIを活用した技術/ビジネス英語のライティングとその進め方

• はじめに
• 1.生成AIを活用した英文ライティングのプロセス
  • 1.1 生成AI活用の注意点
  • 1.2 3つのプロセスの概要
    • 1.2.1 前処理工程
    • 1.2.2 英文生成工程
    • 1.2.3 確認・調整工程
• 2.生成AIを活用した英文ライティングの事例
  • 2.1 事例1:技術レポート (英文翻訳)
    • 2.1.1 前処理工程
    • 2.1.2 英文生成工程
    • 2.1.3 確認・調整工程
  • 2.2 事例2:クライアントへのメール (英文生成)
    • 2.2.1 英文生成工程
• おわりに

第6節 英語技術文書の翻訳、要約への活用

• はじめに
• 1.技術文書の翻訳手段
• 2.AIブームのライフサイクル
• 3.機械翻訳やAI翻訳の精度向上
• 4.NMTを活用した翻訳
• 5.翻訳支援ツール (CAT)
• 6.PE (Post Edit)
• 7.翻訳メモリ (TM:Translation Memory)
• 8.技術文書の作成時に注意すべきこと
• 9.技術文章を効率的に管理するCMSやCCMS
• 10.技術文書の要約
• 11.生成AIを活用する上での注意点
• 12.翻訳や要約に生成AIを活用する注意点
  まとめ

第7節 ChatGPTの活用事例とプロンプトエンジニアリングのテクニック

• はじめに
• 1.「プロンプトエンジニアリング」の概要
  • 1.1 「プロンプト」の概要
  • 1.2 「プロンプトエンジニア」の概要
  • 1.3 「プロンプト」の定石
    • 1.3.1 母集団の絞り込み
    • 1.3.2 プロンプトの基本構造
    • 1.3.3 ChatGPTに期待する役割
    • 1.3.4 話の前提 (シチュエーション)
    • 1.3.5 話の制約条件
    • 1.3.6 出力の形式
    • 1.3.7 プロンプトのテンプレート例
  • 1.4 プロンプトエンジニアリングのテクニック
    • 1.4.1 Zero-shot promptingとFew-shot prompting
    • 1.4.2 Generate Knowledge Prompting
    • 1.4.3 変数
    • 1.4.4 コマンド (関数)
• 2.ChatGPTの活用事例
  • 2.1 文章の変更・添削・校正
  • 2.2 アイデアの提案
  • 2.3 リサーチ・論点の洗い出し
  • 2.4 推定
  • 2.5 クレーム対応
  • 2.6 ブレインストーミング (壁打ち) の相手
  • 2.7 アイデア出し
  • 2.8 プログラミングの補助 第8章 知財業務効率化への活用

第1節 生成AIによる知財業務の変革と今後の展望

• はじめに
• 1.反復作業の自動化
  • 1.1 特許調査
  • 1.2 知財DD
  • 1.3 取引書類
• 2.初期検討の省力化
  • 2.1 商品役務
  • 2.2 従属項
  • 2.3 類似意匠
  • 2.4 実施形態
  • 2.5 特許中間処理
  • 2.6 無効審判・侵害訴訟
• 3.知財業務の変革
  • 3.1 新たな業務プロセス
  • 3.2 AIエージェント
• 4.知財業務のさらなる高度化
  • 4.1 市場動向調査
  • 4.2 未知の課題探索
  • 4.3 UI生成
    結び

第2節 生成AIを活用した特許明細書、知財業務の効率化

• はじめに
• 1.特許業務の概要
  • 1.1 特許明細書の構造
  • 1.2 特許出願の件数
• 2.特許明細書作成業務と生成AIの活用
  • 2.1 願書
    • 2.1.1 願書の概要
    • 2.1.2 願書作成と生成AIの活用可能性
  • 2.2 特許請求の範囲
    • 2.2.1 特許請求の範囲の概要
    • 2.2.2 生成AIによるクレーム作成の実験
  • 2.3 明細書前段
    • 2.3.1 明細書前段の概要
    • 2.3.2 明細書前段作成と生成AIの活用可能性
  • 2.4 明細書後段
    • 2.4.1 明細書後段の概要
    • 2.4.2 IT分野での明細書後段作成
    • 2.4.3 明細書後段作成と生成AIの活用可能性
  • 2.5 図面
    • 2.5.1 図面の概要
    • 2.5.2 生成AIによる図面作成の可能性
    • 2.5.3 図面作成と生成AIの活用可能性
  • 2.6 要約書
    • 2.6.1 要約書の概要
    • 2.6.2 要約書作成と生成AIの活用可能性
• 3.生成AIの具体的な導入事例:appia-engine
  • 3.1 自動生成機能
  • 3.2 アイデア単位での管理機能
  • 3.3 ユーザーフレンドリーなインターフェース
  • 3.4 セキュアな生成AI活用
    総括

第3節 発明発掘・出願権利化/特許調査への生成AI活用

• はじめに
• 1.発明発掘・出願権利化への生成AI活用
  • 1.1 発明発掘支援
  • 1.2 発明提案書作成支援
  • 1.3 特許明細書作成支援
  • 1.4 拒絶理由通知の分析及び対応支援
• 2.特許調査への生成AI活用
  • 2.1 特許検索式作成支援
  • 2.2 SDI支援 (AI自動分類)
  • 2.3 分類作成支援・技術動向調査支援
  • 2.4 特許読み込み支援
• おわりに

第4節 パテントマップ作成における生成AIの活用

• はじめに
• 1.パテントマップの基礎と役割
  • 1.1 パテントマップとは
  • 1.2 パテントマップの従来手法と課題
  • 1.3 パテントマップの新しい位置づけ
• 2.特許情報分析におけるパテントマップの役割と種類
  • 2.1 特許情報分析とパテントマップの関係
  • 2.2 パテントマップの活用アプローチ
  • 2.3 パテントマップの分析視点と形式
• 3.生成AIを活用したパテントマップ作成プロセス
  • 3.1 パテントマップの作成プロセス
  • 3.2 パテントマップ作成における生成AIの活用
    • 3.2.1 設計ステージにおける生成AIの活用
    • 3.2.2 パテントマップ作成ステージにおける生成AIの活用
    • 3.2.3 価値創出ステージにおける生成AIの活用
• 4.生成AIと特許情報の統合活用事例
  • 4.1 用途探索のプロセス
  • 4.2 用途探索における生成AI・パテントマップの活用事例
    • 4.2.1 設計ステージ
    • 4.2.2 調査分析ステージ
    • 4.2.3 価値創出ステージ
• おわりにかえて

第5節 生成AIによる知財情報解析と戦略立案への応用

• はじめに
• 1.事業部からの相談 (ケーススタディ)
• 2.知財情報分析の目的設定
• 3.特許検索式 (分析母集団) の作成と特許調査
• 4.非特許情報の収集
• 5.生成AIを用いた知財情報解析
• 6.知財戦略の立案
• 7.おわりに~気を付けたい生成AIとの「協働」のポイント
  • 7.1 秘密情報の取り扱い確認 (必須)
  • 7.2 専門家による検証・フィードバック
  • 7.3 対話による正確性の向上
  • 7.4 既存のフレームワークの活用

第6節 著作物及び発明創作へのAIの活用と留意点

• はじめに
• 1.AIと著作権
  • 1.1 AIの開発・利用と著作権との関係
  • 1.2 著作権侵害についての簡単な説明
  • 1.3 AIにおける著作権侵害
  • 1.4 AIを利用する際の留意点
• 2.AIと特許権等
  • 2.1 著作権以外の知的財産権と著作権との対比
  • 2.2 AIの開発・利用と特許権等との関係
  • 2.3 発明創作におけるAIの利用について
    最後に 第9章 営業、マーケティング、人事などバックオフィス業務効率化への活用

第1節 営業現場における生成AI活用のポイント

• はじめに
• 1.営業現場における生成AIの基本理解とその可能性
  • 1.1 営業現場における生成AIの役割と利点
    • 1.1.1 業務効率化
    • 1.1.2 パーソナライゼーション
    • 1.1.3 予測精度の向上
  • 1.2 生成AIの基本原理と技術的基礎、および営業プロセスにおける生成AIの活用の考え方
    • 1.2.1 データ収集
    • 1.2.2 データ前処理
    • 1.2.3 モデル訓練
    • 1.2.4 予測と提案
  • 1.3 営業プロセスにおける生成AIの活用事例
    • 1.3.1 リードジェネレーションの高度化
    • 1.3.2 顧客セグメンテーション
    • 1.3.3 営業トーク、提案骨子の生成
    • 1.3.4 営業活動における諸作業の効率化
• 2.生成AIを活用した営業プロセスの最適化
  • 2.1 生成AIを活用した営業プロセスの改善における考え方
    • 2.1.1 リードジェネレーションにおける生成AIの活用
    • 2.1.2 顧客セグメンテーションの自動化とパーソナライゼーション
    • 2.1.3 営業トーク生成と提案骨子の自動作成
    • 2.1.4 営業活動における諸作業の効率化
• 3.生成AIを用いた人材育成とセールスイネーブルメント
  • 3.1 生成AIを用いた人材育成とセールスイネーブルメントの考え方
    • 3.1.1 営業スキルの評価とフィードバック
    • 3.1.2 リスキリングプログラムの設計と実施
• 4.今後の営業現場における生成AI活用モデルと課題
  • 4.1 今後の営業現場における生成AI活用モデルの考え方
    • 4.1.1 生成AIと人間の協働の未来
    • 4.1.2 生成AIを活用した新たな営業モデル
    • 4.1.3 生成AI導入の課題とその克服方法
• 5.営業現場における生成AI活用のポイント|まとめ
  • 5.1 本節で紹介した内容の整理
    • 5.1.1 営業現場に求められていること
    • 5.1.2 生成AIの導入・活用により得られるメリット
    • 5.1.3 営業現場がまず始めるべきこと

第2節 グローバル企業SAPが実践する人事業務のAI活用

序章:AI時代における人事業務の転換点

• 1.SAPが挑む、AI導入の舞台裏
  • 1.1 “HR×イノベーション“を掲げる異色の専門組織
  • 1.2 60-90日で実現する、AIの導入プロセス
    • 1.2.1 Step1:ビジネスケースの評価
    • 1.2.2 Step2:ソリューションの選定プロセス
    • 1.2.3 Step3:徹底的な品質評価の仕組み
    • 1.2.4 Step4:法規制を考慮した慎重なグローバル展開
• 2.スキルデータを軸に進化するHR領域におけるAI活用
  • 2.1 単一のスキルモデルを従業員ライフサイクル全体へ適用
  • 2.2 「生きたスキルデータ」を実現する自動化の仕組み
  • 2.3 最適な成長戦略を個々人にキャリアメンターAIが提案
  • 2.4 スキルベース型組織に向かうSAPの現在地
• 3.AI時代の組織変革に向けて

第3節 生成AIが拓く幼稚園の未来 – 時間削減・質向上・職員満足度向上のトリプル効果 –

• はじめに
• 1.しみずがおか幼稚園が生成AIを導入した背景
  • 1.1 しみずがおか幼稚園の概要
  • 1.2 生成AI導入の背景とプロセス
• 2.GPTsを活用した新しい価値の提供や業務効率化
  • 2.1 GPTsとは
  • 2.2 世界に一つだけのマイぬり絵
    • 2.2.1 背景と目的
    • 2.2.2 活用方法と効果
  • 2.3 AIで視える化する英語教育 – 歌詞から物語への転換 –
    • 2.3.1 背景と目的
    • 2.3.2 活用方法と効果
  • 2.4 遊具安全教育の視える化 – AIが支える事故防止の取り組み –
    • 2.4.1 背景と目的
    • 2.4.2 活用方法と効果
  • 2.5 「なんでもポケット」が実現する業務革新 – GPTsによる事務DXの実践 –
    • 2.5.1 背景と目的
    • 2.5.2 活用方法
    • 2.5.3 効果
• 3.主任AIシステムの開発 – 知識や経験の資産化と脱属人化 –
  • 3.1 背景
  • 3.2 仕組みと利用方法
  • 3.3 利用シーンの例
  • 3.4 効果
• 4.生成AIによる電話DX
  • 4.1 背景
  • 4.2 電話DXの内容
    • 4.2.1 受電:自動音声応答システム『CallCall-IVR』× GPT-4 API
    • 4.2.2 架電:AI搭載IP電話『MiiTel Phone』× GPT-4 API
  • 4.3 効果
• 5.効果的なプロンプトエンジニアリングと回答精度向上のコツ
  • 5.1 プロンプトの重要性
  • 5.2 効果が低いプロンプト
  • 5.3 事例からわかったプロンプトエンジニアリングのコツ
  • 5.4 さらに回答精度を高めるための工夫
  • 5.5 生成AIを活用するときの注意点と対策
    • 5.5.1 生成AIを活用するときの注意点
    • 5.5.2 対策
  • 5.6 まとめ
• おわりに

第4節 レポート・企画書・議事録など文章作成の基礎と生成AIの効果的な活用

• はじめに
• 1.プロンプトはトークンになる
• 2.トークンは、入力と出力の合計数
• 3.AIモデルによりトークン数は異なる
• 4.モデル選択のポイント
• 5.トークン数を減らすには?
  • 5.1 常体を使う
  • 5.2 不要な単語やフレーズを省く
  • 5.3 短いプロンプトでは句点をつけない
  • 5.4 英語で質問する
  • 5.5 要最低限の情報にする
  • 5.6 同じ意味を持つ単語や表現を一つにまとめる
  • 5.7 簡潔な文にする
  • 5.8 プロンプトは単文で入力する
  • 5.9 短い単語やフレーズを使い長い単語を避ける
  • 5.10 同音異義語を利用して単語を短くする
  • 5.11 質問をシンプル化する
• 6.企画書を作成する
  • 6.1 情報収集の時間短縮ができ効率化ができる
  • 6.2 データ分析ができる
  • 6.3 質の向上ができる
  • 6.4 コスト削減ができる
  • 6.5 プレゼンテーションの資料を作成してみる
• 7.プログラミングをする
• 8.AIはプロンプトを学習する
• おわりに 第10章 製造現場、生産業務への活用

第1節 製造・生産現場への予測AI/生成AI 導入とデータ収集、分析の進め方

• はじめに
• 1.データ社会と製造業を取り巻く現状
  • 1.1 超ビッグデータ社会の加速とデータ活用ニーズ
  • 1.2 日本の製造業を取り巻く現状
  • 1.3 製造業におけるデータ利活用の現状
• 2.製造現場の視点で見るデータ活用とAI導入
  • 2.1 従来の統計的工程管理とビッグデータ分析の違い
  • 2.2 製造現場におけるデータの種類と活用例
  • 2.3 自工程完結と製造ビッグデータ活用
• 3.製造現場における予測AI/生成AI導入の進め方
  • 3.1 予測AIと生成AIの違い
  • 3.2 予測AI導入の考え方
  • 3.3 生成AI導入の考え方
    • 3.3.1 生成AI動作の基本
    • 3.3.2 RAG
    • 3.3.3 ファインチューニング
  • 3.4 データ収集の考え方
• おわりに

第2節 製造業における大規模言語モデルの活用とそのポイント

• はじめに
• 1.文書作成・管理の効率化と高度化
  • 1.1 基本的な文書作成支援
  • 1.2 企業固有の文書への対応
    • 1.2.1 検索拡張生成による情報追加
    • 1.2.2 ファインチューニング (Fine-tuning) による追加学習
• 2.技術開発・設計支援としての活用
  • 2.1 アイデア創出と検討の支援
    • 2.1.1 異分野の知識の統合への適用
    • 2.1.2 トレードオフ分析への適用
  • 2.2 設計支援ツールとしての活用
• 3.安全管理・品質管理への応用
  • 3.1 安全管理・品質管理への応用
  • 3.2 大規模言語モデルによる労働災害の推論
• 4.活用におけるポイント
  まとめ

第3節 外観検査へのAI導入と生成AIによるトレイニングデータ不足への対応

• はじめに
• 1.外観検査へのAIの導入
• 2.データ増大問題と生成AI
• 3.切り貼り方式による不良品画像生成
  • 3.1 切り貼り方式
  • 3.2 切り貼り方式に必要なアルゴリズム
• 4.産業応用
  • 4.1 半導体検査用プローブ先端の外観検査
    • 4.1.1 LSGANによる欠陥素材画像生成
    • 4.1.2 画像処理による境界ぼかし
    • 4.1.3 生成画像を用いたEfficientDetのトレイニングの効果
    • 4.1.4 SinGANによる欠陥素材画像生成
    • 4.1.5 SinGANによる境界ぼかし
    • 4.1.6 生成画像を用いたEfficientDetのトレイニングの効果
  • 4.2 化粧品ボトルキャップの外観検査
    • 4.2.1 DCGANによる欠陥素材画像生成
    • 4.2.2 DeepFillv2による境界ぼかし
    • 4.2.3 生成画像を用いたEfficientDetのトレイニングの効果
• おわりに

第4節 製造現場,生産業務へのロボット導入と生成AIを活用したティーチングの進め方

• はじめに
• 1.製造現場へのロボット導入
  • 1.1 ロボット導入のプロセス
  • 1.2 ティーチングマンの育成
  • 1.3 作業変更の対応
• 2.ティーチングの進め方
  • 2.1 ティーチングとは
    • 2.2.1 オンラインティーチング
    • 2.2.2 オフラインティーチング
  • 2.2 ティーチングの手順
  • 2.3 ロボットシミュレーション
• 3.生成AIの活用
  • 3.1 生成AIでできること
  • 3.2 ロボットと生成AIの関わり
    • 3.2.1 農業に使われるAIロボット
    • 3.2.2 接客を補助するAIロボット
    • 3.2.3 家事を行うAIロボット
    • 3.2.4 人を癒すAIロボット
  • 3.3 音声認識機能の活用
• 4.ティーチングへの生成AIの活用
  • 4.1 少量多品種対応
  • 4.2 ティーチングの時間・コストの削減
  • 4.3 複数のロボットによる作業

第5節 深層学習とマルチモーダル大規模言語モデルを用いた欠陥検査

• 1.画像認識手法の概要
  • 1.1 背景
  • 1.2 機械学習を用いた画像認識技術
• 2.欠陥検査の実例
  • 2.1 深層学習を用いた欠陥検査
  • 2.2 マルチモーダル大規模言語モデルを用いた欠陥検査

第6節 生産/保全現場へ生成AI導入が進まない原因、打開策と効果的な活用方法

• はじめに
• 1.生産現場へ生成AIの導入が進まない原因
• 2.生成AI導入を成功に導くためには
  • 2.1 小規模な検証プロジェクトの実施
  • 2.2 データ収集・蓄積・活用基盤の整備
  • 2.3 人材育成と現場教育
• 3.生成AIが切り拓く生産/保全の新たな可能性
  • 3.1 設備監視/保全への応用
  • 3.2 さらなる活用に向けて
• 4.人をダメにする生成AI/育てる生成AIの活用
• おわりに

第7節 プロンプトエンジニアリングによるスマートファクトリー化に適した自由対話システムと今後の可能性

• はじめに
• 1.提案するシステムと解決方法
  • 1.1 関連文献
    • 1.1.1 関連文献
  • 1.2 提案するシステム概要図
  • 1.3 解決方法
  • 1.4 利用するモデル
  • 1.5 プロンプト
  • 1.6 Webブラウザ
• 2.検証方法と評価結果
  • 2.1 検証方法と評価基準
  • 2.2 評価結果
  • 2.3 考察
    • 2.3.1 マニュアル情報を保持するデータベースの改良
    • 2.3.2 言語モデルの拡張
• おわりに 第11章 活用事例

第1節 製造業における生成AI活用ユースケース最前線

• はじめに
• 1.サステイナブルな経営インテリジェンスの向上 (経営企画部)
  • 1.1 課題
  • 1.2 解決策
  • 1.3 期待効果
• 2.新商品アイディアを人間とAIが共創 (商品企画部)
  • 2.1 課題
  • 2.2 解決策
  • 2.3 期待効果
• 3.商品開発スピードアップと技能継承 (商品開発部)
  • 3.1 課題
  • 3.2 解決策
  • 3.3 期待効果
• 4.事例4:原材料の相場予測で未来に備える (調達・購買部)
  • 4.1 課題
  • 4.2 解決策
  • 4.3 期待効果
• 5.異物検査・グレード判定を効率化 (生産本部・工場)
  • 5.1 課題
  • 5.2 解決策
  • 5.3 期待効果
• 6.需要予測と生産・在庫の最適化 (SCM・生産本部)
  • 6.1 課題
  • 6.2 解決策
  • 6.3 期待効果
• 7.顧客の声から具体的な店舗改善アクションを提案 (CS・店舗・営業)
  • 7.1 課題
  • 7.2 解決策
  • 7.3 期待効果
• 8.熟練開発者のナレッジからノウハウ情報を自動抽出 (研究開発)
  • 8.1 課題
  • 8.2 解決策
  • 8.3 期待効果
• 9.レポート自動作成による工数削減・時間短縮 (経営企画)
  • 9.1 課題
  • 9.2 解決策
  • 9.3 期待効果
• 10.システム保守でのプログラミング工程を工数削減
  • 10.1 課題
  • 10.2 解決策
  • 10.3 期待効果
• 11.作業ログから日報を自動生成し時短&品質向上 (工場)
  • 11.1 課題
  • 11.2 解決策
  • 11.3 期待効果
• 12.今後の展望
  謝辞

第2節 ライオンにおける生成AIを活用した知識伝承への取組みと今後の展望

• はじめに
• 1.ライオンの生成AI活用の状況
• 2.RAGの基礎知識と活用方法
• 3.研究開発部門における取り組み

第3節 AI・生成AI技術×データを活用した商品開発の高度化と今後の展望

• はじめに
• 1.「恋AIパン」事例にみるAI商品開発
  • 1.1 企画背景
  • 1.2 恋AIパンの開発の流れ
  • 1.3 恋AIパンに用いたAI技術
    • 1.3.1 NEC Enhanced Speech Analysis -高性能音声解析?
    • 1.3.2 NEC Data Enrichment
    • 1.3.3 LLM「cotomi」
  • 1.4 生成AIによる商品紹介
  • 1.5 消費者体験と反響
• 2.人間のクリエイティビティを刺激するAI
  • 2.1 パン職人とAI
  • 2.2 プリン職人とAI
  • 2.3 「遠隔探索」の効果
• 3.今後のAIによる商品開発の展望
  • 3.1 AIエージェントによる自動化
  • 3.2 AI商品がもたらすクリエイティブ・エクスペリエンス (創造体験)
    最後に

第4節 宮城県産業技術総合センターにおけるアイデア発掘への生成AI活用と普及活動

• はじめに
• 1.デザインとアイデア創出
• 2.商品企画力向上への取り組み
• 3.生成AIとアイデア創出
• 4.デザインと生成AIの親和性
• 5.生成AI活用普及促進のための活動
• 6.宮城県職員へ向けた普及活動
  • 6.1 業務への生成AI活用へ向けたプロセス
  • 6.2 職員向け生成AI活用講座の実施
  • 6.3 実施の効果
• 7.実施した生成AI講座概要
  • 7.1 デザイナー向け生成AI講座
  • 7.2 生成AI概要講座
  • 7.3 企業の商品企画開発担当者・経営者向けワークショップ
    • 7.3.1 ワークショップ実施手順 (アナログ作業)
    • 7.3.2 ワークショップ実施手順 (生成AI活用)
• 8.新たな取り組み
• 9.生成AI普及への課題
• おわりに

第5節 生成AIによる社内情報検索システムの構築と活用のポイント

• はじめに
• 1.生成AIによる社内情報検索システムの構築のポイント
  • 1.1 Chat Resonacのセキュリティー対策
  • 1.2 Chat Resonacの基本機能:社内文書の取り込み
  • 1.3 利用容易性を考慮した機能:インターフェースやシングルサインオン
  • 1.4 部外秘情報・関係者外秘情報の取り扱い
  • 1.5 目的特化型Chat Resonac
  • 1.6 手書き文書やパワポ・エクセル等にも対応する機能の追加
• 2.生成AIによる社内情報検索システムの活用のポイント
  • 2.1 Q&A活用による情報アクセスの迅速化
  • 2.2 情報の正確性向上のための工夫の限界の認識
  • 2.3 適切な使い方を促すための、社員向けのトレーニングや啓蒙活動
  • 2.4 知識の共有と継承を意識した文書のアップロード
  • 2.5 使い方の工夫
    最後に

第6節 大規模生成AIを活用した自律型創薬のレベル別での段階的開発と展開

• はじめに
• 1.時代の変化と研究手法の変化
  • 1.1 時代の遷移と中心技術の変化
  • 1.2 現代はコンピュータ関連技術による「IT時代」となり自動化が発展
  • 1.3 今後は「データ」中心から,「情報」中心の時代へと変化
  • 1.4 「情報」中心の時代では,AIが基盤技術となり新たな時代を形成する力となる
  • 1.5 AIの種類 (トラディショナルAIおよび大規模生成AI)
  • 1.6 大規模生成AIの機能から見た,「単機能型AI」と「自律型AI」
• 2.大規模生成AIの適用事例
  • 2.1 大規模生成AI関連基本技術 (深層学習)
  • 2.2 最新のAIによる実施例
    • 2.2.1 医療関連分野での適用
    • 2.2.2 AlphaFoldの技術
• 3.AI時代における研究の変化と「自律性」の導入
  • 3.1 「自動型研究」および「自律型研究」の内容
    • 3.1.1 「自動型研究」の支援技術や内容
    • 3.1.2 「自律型研究」の支援技術や内容 (これが無ければ,約300年前の古代と全く同じ形式での研究形態)
• 4.研究業務における自動型研究と自律型研究の割合 (自律型研究の割合が極めて高い)
• 5.自律型研究の基本的な支援道具としてのLLM (大規模言語モデル) および種々の生成AI
• 6.AIの研究支援道具 (道具型AI) から,自律性を有する自律型AIへの展開及び連携
• 7.大規模生成AIを活用した自律型創薬の展開とレベル分け開発の導入提案
  • 7.1 自律型創薬の内容について
    • 7.1.1 自動車の自動運転について
  • 7.2 大規模生成AIを活用した自律型創薬のレベル化の提案
    まとめ

第7節 生成AI、5Gによるデジタルヘルスの変革と活用のポイント

• はじめに
• 1.デジタルヘルスとは何か
• 2.デジタルヘルスの現下の課題
  • 3.5G通信技術の特性と応用
  • 3.1 高速性 (High-Speed)
  • 3.2 大容量性 (High Capacity)
  • 3.3 低遅延性 (Low Latency)
  • 3.4 多接続性 (Massive Connectivity)
• 4.生成AIと医療アプリケーション
  • 5.5Gと生成AIの組み合わせ活用における課題と課題解決策
  • 5.1 インフラストラクチャー
  • 5.2 医療情報のセキュリティとプライバシーの確保
  • 5.3 コスト負担
  • 5.4 生成AIに関する課題と対策
• 6.デジタルヘルスとAI応用市場の市場規模予測
• おわりに

第8節 データで見る医療現場の生成AI活用:米国での先端導入事例と成果

• はじめに
• 1.これまでのAIブームとの違い
• 2.生成AIの活用事例1:患者とのコミュニケーション
• 3.生成AIの活用事例2:臨床文書化支援
• 4.生成AIの活用事例3:電子化の弊害の克服
• 5.生成AIの活用事例4:保険請求事務の効率化
• 6.これからの生成AIへの向き合い方
  さいごに

第9節 大和総研での生成AI活用事例

• はじめに
• 1.生成AIの全社員利用
  • 1.1 検討から全社員利用までの経緯とサービス構成
  • 1.2 AI倫理に関するリテラシー向上
• 2.生成AIによるレポート執筆の効率化
  • 2.1 「大和地域AI (地域愛) インデックスレポート」の作成フロー
  • 2.2 生成AIによるレポート執筆の効率化
  • 2.3 ハルシネーションの抑制
• 3.高精度な社内ナレッジ検索サービスの構築
  • 3.1 RAGの課題
  • 3.2 意味単位でのチャンク分割による検索精度向上
  • 3.3 検索・回答精度以外による納得感の向上
• 4.新技術の理解促進・情報共有による人材育成・ニーズ発掘
  • 4.1 デモンストレーション・ハブ
  • 4.2 デモンストレーション・ハブの活用
  • 4.3 デモンストレーション・ハブで公開中のアプリケーション
    • 4.3.1 大和総研レポートの自動ラジオ化
    • 4.3.2 セルフホスト型 LLM 体感チャットアプリ
• おわりに

第10節 「ChatGPT研究部」の立ち上げと生成AIの導入、社内での活用のポイント

• はじめに
• 1.東急モールズデベロップメントにおける生成AI導入に伴う背景と目的
  • 1.1 背景と目的
  • 1.2 ChatGPT研究部の組織構成と役割
• 2.生成AI導入の経緯と推進方法
  • 2.1 導入の経緯
  • 2.2 導入ツールの選択
  • 2.3 経営層の巻き込み
  • 2.4 PoC (実証実験) の実施
• 3.生成AI活用促進するポイントおよび課題克服
  • 3.1 社内教育
    • 3.1.1 社内セミナーの開催
    • 3.1.2 社内コンテストとフィードバック
  • 3.2 社員の活用モチベーション維持・向上
    • 3.2.1 社内発信の強化
    • 3.2.2 親しみやすいツールの整備
    • 3.2.3 経営層の積極的な活用
• 4.生成AI活用の成功事例
  • 4.1 利用シーン
  • 4.2 具体的な成功事例
• 5.導入後の効果測定と課題、改善策
  • 5.1 KPI (主要業績評価指標) の設定
  • 5.2 効果測定の結果と分析
    • 5.2.1 利用頻度の向上
    • 5.2.2 活用意識の変化
    • 5.2.3 成功事例の収集
    • 5.2.4 業務時間削減効果
  • 5.3 改善策と今後のステップ
    • 5.3.1 利用環境の整備
    • 5.3.2 トレーニングと教育の強化
    • 5.3.3 プロンプトの最適化と共有
    • 5.3.4 社内文化の醸成
    • 5.3.5 継続的なフィードバックの収集
• おわりに