AI駆動でサービスを創る ―スモールAIサービスを作りながら学ぶ、生成AIを最大限活かす方法（技術評論社） [電子書籍]

AI駆動でサービスを創る ―スモールAIサービスを作りながら学ぶ、生成AIを最大限活かす方法（技術評論社） の 商品概要

• 本書は「AIサービスを創る」ことをテーマとして，AIの基本的理解から，AIサービスの創出，分析，実装に至るまで幅広いトピックを扱います。生成AIが登場して以降，サービスを発案する役割，ビジネスモデルを検討する役割，システムを構築する役割という従来の役割の垣根が薄まる中，AIサービスについて全体を通して理解することの重要性は増しています。本書では，そのような役割の異なる人であってもAIサービスの全体像をつかみやすいよう，各トピックをできるだけ平易にわかりやすく紹介しています。そのうえで，サービス創り全般に対して生成AIを活用するアプローチ＝「AI駆動によるサービス創り」として，生成AIの多様な活用方法について随所で紹介しています。
  

• 目次

  第一部 AI駆動によるサービス創りの全体像
  第1章 AIサービスの基本
  1.1 AIサービスをなぜ作るのか
  1.1.1 AIサービスの基本的な活用例：Consensus
  1.1.2 ドメインデータを活用したAIサービス：
  1.1.3 画像処理を用いたAIサービス：冷蔵庫レシピ生成Sous Chef
  1.2 AIサービス創りに必要な3つの観点と3つの分析
  第2章 AIサービス創りのための3つの観点
  2.1 どのようなAIサービスを創るか？
  2.2 観点1：不確実な対象に使う
  2.2.1 AIサービスと非AIサービスの違い
  2.2.2 入力の不確実性と出力の不確実性
  ［Column］AIとデータ分析：データ分析と不確実性も相性が良い
  2.3 観点2：チャットでないもの、生成しないものにも使う
  2.3.1 “チャット”の暗黙バイアス
  2.3.2 チャットではないものにもAIを使う
  2.3.3 “生成AI”の暗黙バイアス
  2.3.4 生成ではないものにもAIを使う
  2.3.5 暗黙バイアスを意識的に取り除く
  2.4 観点3：ドメインの強みを活かす
  2.4.1 ドメインデータやドメイン知識がAIサービスの肝
  2.4.2 活用できるデータがない場合の対応策：ミニマムPoC
  2.4.3 構造化データと非構造化データ
  ［Column］生成AIとデジタルトランスフォーメーション
  第3章 AIサービス創りのための3つの分析
  3.1 サービス創りの前の事前準備
  3.2 分析1：ビジネス分析
  3.2.1 組織内のコストダウン
  3.2.2 既存サービスの収益向上
  3.2.3 新規サービス開発
  3.2.4 AI駆動のビジネス分析
  3.3 分析2：効果分析
  3.3.1 AIサービスに対する効果分析
  3.3.2 ミニマムPoCによる効果分析
  3.3.3 AIサービスのコスト算出
  3.3.4 AI駆動の収支分析
  3.4 分析3：リーガル分析
  3.4.1 特許調査と知財権利化
  3.4.2 AI駆動の特許調査
  3.4.3 その他のリーガルリスク
  ［Column］画像生成AI利用に関するリーガルリスク
  第4章 AIサービスの実装方式の種類と選択
  4.1 AIサービスの実装方式
  4.1.1 サービス公開
  4.1.2 生成AIの基本性能
  4.1.3 自由度
  4.1.4 実装難易度
  4.1.5 データ秘匿性
  4.1.6 収益化
  4.2 AIサービスの実装方式の選択
  4.2.1 分岐1：データの外部送信可否と生成AIの大規模チューニング
  4.2.2 分岐2：外部API連携と収益化
  4.3 第一部のまとめ：AIサービス開発のはじめの一歩
  
  第二部 AIサービスをノーコードで実装する
  第5章 ChatGPTの基本的な使い方
  5.1 プロンプト
  5.1.1 プロンプトの基本
  5.1.2 システムプロンプトとユーザープロンプト
  5.1.3 プロンプトエンジニアリング
  5.1.4 プロンプトエンジニアリングにどこまで注力するべきか？
  5.1.5 入出力の単位：トークン
  5.2 追加データの活用方法
  5.2.1 Zero-shot学習
  5.2.2 Few-shot学習
  5.2.3 外部知識活用
  ［Column］画像ファイルの活用
  ［Column］生成AI向けWebサイト情報収集への許可設定
  5.2.4 ファインチューニング
  
  第6章 カスタムGPTによるAIサービスのノーコード実装
  6.1 カスタムGPTの基本
  6.1.1 ［構成］モードの設定項目
  6.1.2 「知識」の活用
  6.1.3 サービスの公開
  ［Column］従来のノーコード開発と生成AIノーコード開発の違い
  6.2 カスタムGPTの応用
  6.2.1 例1：ユーザーサポートサービス（知識の活用）
  6.2.2 例2：ビジネス分析サービス
  6.2.3 例3：生成AIの収支予測サービス
  6.2.4 プロンプト作成時のトライアンドエラー
  6.3 第二部のまとめ：AIサービスの可能性と課題
  6.3.1 ハルシネーション
  6.3.2 出力結果の多様性
  6.3.3 情報のリーク・プロンプトインジェクション
  
  第三部 AIサービスをAPI／OSSモデルで実装する
  第7章 OpenAIAPIによるAIサービスの実装
  7.1 OpenAIAPI keyの取得
  ［Column］OpenAIAPI利用の上限
  7.2 Google Colaboratoryでのコーディングテスト
  7.2.1 Google Colaboratoryの準備
  7.2.2 コーディング
  7.2.3 コードの実行
  7.3 Gradioを用いたデモ作成
  7.3.1 コーディング
  7.3.2 コードの実行
  7.4 Hugging Face Spacesでの公開
  7.4.1 Hugging Face Spacesの利用準備
  7.4.2 OpenAIAPI keyの保存
  7.4.3 app.pyのコーディング
  7.4.4 requirements.txtの準備
  7.4.5 サービスの起動
  7.4.6 作成したサービスの公開設定
  ［Column］Google ColaboratoryとHugging Face Spacesの使い分け
  7.4.7 ファインチューニング済みモデルの実行
  
  第8章 生成AIのOSSモデルによるAIサービスの実装
  8.1 生成AIのOSSモデル利用の利点と注意点
  8.2 Hugging Faceの生成AIモデルアクセス準備
  8.2.1 Hugging Faceアクセストークンの取得
  8.2.2 モデルアクセス権の取得（Llama3.1の場合）
  8.3 Google Colaboratoryでのコーディング
  8.3.1 ハードウェアの選択とアクセストークンの設定
  ［Column］Google Colaboratoryの利用コスト
  8.3.2 アクセストークンの設定
  8.3.3 コーディング
  8.3.4 コードの実行
  8.3.5 Gradioによるデモアプリ作成
  8.3.6 Hugging Face Spacesでの公開（Zero GPU使用）
  ［Column］生成AIを用いたコード生成
  8.4 生成AIのOSSモデルの種類と選択
  8.4.1 日本語特化の生成AIのOSSモデル
  8.4.2 OSSモデルのモデルパラメータとハードウェア要件
  ［Column］GPUが使われる理由
  ［Column］OSSモデルを用いる場合のRAGの利用
  8.5 第三部のまとめ：AIサービスの実装、運用と管理へ向けて
  8.5.1 運用と管理（LLM Ops）
  
  第四部 AIを正しく駆動させるためのAIの理解
  第9章 AIを理解する
  9.1 AIの基本
  9.2 ルールベースAI
  9.3 機械学習の基本
  ［Column］教師あり学習と教師なし学習
  9.4 分類問題を解くためのAI
  9.4.1 生成モデルを用いた古典的分類
  9.4.2 識別モデルの利用
  ［Column］生成AIを用いた機械学習の実装
  9.4.3 深層学習による特徴量抽出
  9.5 機械学習に用いるデータ
  9.5.1 データの直感的・空間的理解
  9.5.2 学習データ、検証データ、テストデータ
  9.5.3 学習データ追加の方策と問題の見なおし
  
  第10章 大規模言語モデルを理解する
  10.1 言語モデルの基本
  10.2 統計的言語モデル
  10.2.1 Ngramモデル
  ［Column］自己回帰で生成する
  10.2.2 単語の抽象化：クラスNgramモデル
  10.2.3 文脈の抽象化：トピックモデル
  10.2.4 単語と単語の関係に対するモデル化：トリガーモデル
  10.3 ニューラル言語モデル
  10.3.1 単語の埋め込み（word2vec）
  10.3.2 文脈の深層学習：RNN（LSTM）
  10.3.3 単語と単語の関係に対する深層学習：注意機構、Transformer
  10.3.4 Transformerの転移学習：BERT/T5
  10.3.5 GPT（decoder onlyモデル）
  10.4 大規模言語モデルの学習
  10.4.1 事前学習
  10.4.2 インストラクションチューニング
  10.4.3 人間の感覚との一致、倫理の学習
  10.5 大規模言語モデルのドメイン適応
  10.5.1 RAG
  10.5.2 ファインチューニング
  10.5.3 継続事前学習
  10.6 第四部のまとめ：LLMの現在と未来
  10.6.1 文法の正確性
  10.6.2 外部ドメイン知識
  10.6.3 指示応対能力
  

AI駆動でサービスを創る ―スモールAIサービスを作りながら学ぶ、生成AIを最大限活かす方法（技術評論社） の商品スペック