「大規模言語モデル（LLM）」についてしばしば見落とされがちなのは、それらが主に英語のコンテンツで学習され、主に英語で使用されることを想定して設計されているという点です。さらに、直接的で非常に詳細なプロンプトを書くことが大半の人にとって「当たり前」であるという、文化的な前提が存在しています。英語を母国語とする私でさえ、望む結果を得るために良いプロンプトをどう書くべきか、深く考えなければなりませんでした。プロンプトエンジニアリングのサイクルを考えると、できるだけ少ない回数で有用な結果を生成できるのが最も効率的です。
しかし、日本人のユーザーとのやり取りや、彼らのプロンプトエンジニアリングの経験を見ていると、それが時としてフラストレーションの溜まる経験になり得ることがわかります。プロンプトエンジニアリングにおける最善の戦略は、最終的なゴールが何であるかを、簡潔かつ直接的な言葉で書くことです。例えば、「この家をもっと素敵にして」という指示は、「家の壁の下半分を白いタイルにし、駐車場にガラスのカーポートを設置し、屋根を青い瓦に変えて」という指示に比べ、はるかに効果が薄くなります。多くの人々にとって、このような直接的な表現には慣れが必要です。つまり、対人関係において文化的規範とされる頼み方では、プロンプトエンジニアリングにおいてはうまく機能しない可能性があるのです。
この問題を解決するため、ArchiXではユーザーの体験をよりスムーズにするためのオプションを追加しました。私たちのアプリでは、ユーザーは「追加（add）」、「置換（replace）」、「削除（remove）」といった定義済みの操作をドロップダウンから選択できます。それに合わせて、いくつかの基本的な入力項目を埋めるだけで、AIサービスに対して「何を、どのように操作すべきか」を的確に伝えることが可能です。当社のモデルは、この形式を多言語でより正確に解釈することができ、通常、より少ない試行回数で望み通りの結果を得ることに成功しています。
この機能がどのように役立つかを理解するには、生成AIがテキストプロンプトを使ってどのように画像を編集するのか、その仕組みを知ることが重要です。AIサービスは「潜在空間のマッピング（latent mapping）」と呼ばれるプロセスを行います。これは、画像をAIが識別可能な要素（車、窓、ドア、木など）へと分解する作業です。このようなセグメンテーション（分節化）によって、AIが画像を整理し、参照しやすくした領域を「潜在空間（latent space）」と呼びます。次に、この空間とテキストプロンプトを照らし合わせることで、ユーザーが画像のどこをどのように変えたいのかを特定します。ターゲットとなる領域が特定されると、テキストプロンプトの意図するゴールに向けて、ターゲットを段階的に変化させていくレイヤリング（層形成）のサイクルが始まります。
当社の「プロンプトレス・プロンプト」ツールが役立つ理由は、バックグラウンドで潜在空間のターゲット指定方法が定義済みである点にあります。ユーザーの入力は、ターゲットの特定と変更内容に関する「最後のピース」を埋めるだけで済むのです。これにより、特にプロンプトエンジニアリングに馴染みのないユーザーにとって、圧倒的にスムーズで効率的な体験が実現します。
