プロンプト・エンリッチメント

プロンプト・エンリッチメントとは、AIモデル、特にラージ・ランゲージ・モデル（LLM）に送信される前に、ユーザーの最初のプロンプトに関連するコンテキストや情報をプログラムで追加する自動化プロセスである。その目的は、単純または曖昧なユーザーの問い合わせを、詳細で具体的な、コンテキストを考慮した指示に変換することである。この前処理ステップは、AIモデルがユーザーの意図をよりよく理解するのに役立ち、モデル自体を変更することなく、より正確でパーソナライズされた有用な応答を導く。

プロンプト・エンリッチメントの仕組み

プロンプト・エンリッチメントは、インテリジェントなミドルウェア層として機能する。ユーザーがクエリーを送信すると、自動化されたシステムがそれを傍受する。このシステムは次に、ユーザープロファイル、会話履歴、セッションデータ（デバイスタイプや位置情報など）、外部データベースなど、さまざまなソースからコンテキストデータを収集する。そして、この情報を元のプロンプトに動的に注入する。その結果、ユーザーのクエリと追加されたコンテキストの両方を含む「強化された」プロンプトが、最終的にLLMに渡され、処理される。これにより、複雑な自然言語理解（NLU）タスクを実行するモデルの能力が向上する。

実世界での応用

1. パーソナライズされたカスタマーサポート：ユーザーがeコマースのチャットボットと対話し、"私の荷物はどこですか？"と入力します。プロンプトエンリッチメントシステムは、ユーザーのアカウント詳細と最新の注文番号をCRMデータベースから自動的に取得することができます。モデルに送信されるプロンプトは次のようになります："顧客ID 98765は、最新の注文である#ABC-12345のステータスについて尋ねています。ユーザーの元の問い合わせ：私の荷物はどこですか？これにより、AI主導のカスタマーサービス・エージェントは、明確な情報を求める代わりに、即座に具体的な最新情報を提供することができる。
2. よりスマートなコンテンツ推薦：ストリーミング・サービスのユーザーが "映画を推薦してください "と言う。これは良い推薦をするには漠然としすぎている。エンリッチメント・プロセスは、ユーザーの視聴履歴、ジャンルの好み、時間帯などのデータでこのプロンプトを補強することができる。最終的なプロンプトは次のようになる：「ユーザーは最近、SFスリラーや歴史ドラマを楽しんでいます。土曜日の夜です。これらの条件に合う映画を推薦してください。"これは、推薦システムからのより適切な提案につながり、パーソナライゼーションによってユーザー体験を向上させる。

プロンプト・エンリッチメントと関連コンセプトの比較

プロンプト・エンリッチメントを類似の用語と区別することは重要である：

• プロンプトエンジニアリング:これは、効果的なプロンプトを設計するための幅広い学問分野である。プロンプトエンリッチメントは、プロンプトエンジニアリングの中の特定の自動化された技術であり、ユーザーの入力に動的なコンテキストを追加することに重点を置いている。
• 検索補強型ジェネレーション（RAG）:RAGは、強力で特殊なタイプのプロンプト・エンリッチメントである。RAGは、モデルの出力に根拠を与え、幻覚を防ぐために、外部の知識ベースから事実情報を検索することに特化している。RAGはエンリッチメントの一形態であるが、エンリッチメントは、静的な知識ベースの一部ではない、ユーザーセッションデータのような他のコンテキストソースを使用することもできる。
• プロンプト・チェイニング:この技法は、タスクを複数の相互に接続されたプロンプトのシーケンスに分割し、1つのプロンプトの出力を次のプロンプトに供給する。対照的に、エンリッチメントは処理される前に1つのプロンプトを修正する。プロンプトのエンリッチメントステップは、より大きなチェーンの一部となることがあり、多くの場合、最初のステップとなる。Chain-of-Thought (CoT)プロンプティングのような他のテクニックは、1つの対話の中で推論を向上させることに重点を置く。
• プロンプト・チューニング:モデル学習手法の一つ。PEFT（Parameter-Efficient Fine-Tuning）手法の1つで、新しいパラメータの小さなセットを学習することでモデルの動作を適応させる。プロンプト・エンリッチメントは、入力クエリを操作する推論時手法であり、モデルの重みは変更しない。

最も一般的なのは自然言語処理（NLP）であるが、核となる考え方は機械学習全体に適用できる。コンピュータビジョンでは、同様のコンセプトとして、画像にメタデータ（場所、時間など）を追加して、物体検出タスクにおけるUltralytics YOLO11のようなモデルのパフォーマンスを向上させることができる。Ultralytics HUBのようなMLOpsプラットフォームは、LangChainや LlamaIndexのようなエンリッチメントやフレームワークを使用した高度な入力パイプラインを実装することができる、堅牢なモデルのデプロイメントに必要なインフラストラクチャを提供します。