AWS AI Practitioner の学習を進めると、
特に重要になってくるのが 生成AIまわりのキーワード です。
最近の試験対策でも頻出になりやすいのが、以下の4つです。
- LLM（大規模言語モデル）
- Prompt Engineering
- Hallucination
- RAG（Retrieval-Augmented Generation）
どれも生成AIを理解するうえで欠かせない用語であり、
実務でもそのまま使われることが多い概念です。
本記事では、それぞれの意味と関係性を、
試験対策を意識しながら分かりやすく整理していきます。
🎯 対象読者
- AWS AI Practitioner を勉強中の方
- 生成AIまわりの用語を体系的に整理したい方
- LLM や RAG の違いが曖昧な方
- 実務でも使える基礎知識を身につけたい方
🧩 まずは全体像
今回扱う4つのキーワードは、バラバラではなく、相互に関係しています。
LLM
└── Prompt Engineering によって出力を調整する
└── Hallucination が起こることがある
└── RAG を使うことで外部情報を補い、精度向上を狙う
つまり、
- LLM は生成AIの中心となる仕組み
- Prompt Engineering は LLM をうまく使うための工夫
- Hallucination は LLM 利用時の代表的な課題
- RAG はその課題への代表的な対策の一つ
という関係です。
📘 LLM（大規模言語モデル）とは？
LLM は Large Language Model の略で、
大量の文章データを学習した言語モデルのことです。
簡単に言えば、
人間の言葉を理解し、それらしい文章を生成できる大規模なAIモデル です。
できること
LLM は、例えば以下のような処理が得意です。
- 質問応答
- 要約
- 翻訳
- 文章生成
- コード生成
- 分類や抽出
例えば、ユーザーが質問すると、
その入力をもとに自然な文章で回答を返すことができます。
✨ なぜ「大規模」なのか？
LLM が「大規模」と呼ばれるのは、
主に以下の理由によります。
- 学習データ量が非常に多い
- パラメータ数が非常に多い
- 幅広い言語パターンを学習している
その結果、従来の自然言語処理モデルよりも、
より自然で柔軟な応答が可能になります。
💡 LLM のポイント
試験対策として押さえておきたいのは、
LLM は 文章を理解しているように見えるが、本質的には「次に来る可能性が高い単語」を予測している という点です。
つまり、LLM は人間のように本当に理解しているわけではなく、
学習したパターンをもとに、もっともらしい出力を生成している と考えるとイメージしやすいです。
🛠 Prompt Engineering とは？
Prompt Engineering は、
LLM に対してより望ましい出力を得るために、入力（プロンプト）を工夫すること です。
生成AIは、同じモデルであっても、
プロンプトの書き方次第で出力の質が大きく変わります。
例えば
単に
要約して
と入力するよりも、
以下の文章を、初心者向けに3行で日本語要約してください。
専門用語はできるだけ避けてください。
と入力した方が、期待に近い結果が得られやすくなります。
🔍 Prompt Engineering が重要な理由
LLM は非常に強力ですが、
「何をしてほしいか」を明確に伝えないと、出力が曖昧になりやすいです。
そのため、Prompt Engineering では以下のような工夫が重要になります。
- 目的を明確にする
- 出力形式を指定する
- 条件を具体的に書く
- 役割を与える
- 例を示す
🧠 よくあるプロンプトの工夫
1. 役割を与える
あなたはAWS認定試験の講師です。
2. 出力形式を指定する
箇条書きで3点にまとめてください。
3. 対象読者を指定する
初心者向けに説明してください。
4. 条件を加える
専門用語はできるだけ使わずに説明してください。
5. 例を与える
以下の例と同じ形式で出力してください。
📌 Prompt Engineering の試験ポイント
AWS AI Practitioner では、Prompt Engineering はかなり重要です。
押さえておきたいポイントは次の通りです。
- プロンプトを工夫することで出力品質を改善できる
- モデル自体を再学習しなくても改善できる場合がある
- 明確で具体的な指示が重要
- 出力形式や制約を与えると安定しやすい
👉 つまり、
「生成AIをうまく使うための基本スキル」 として理解しておくことが大切です。
⚠ Hallucination（ハルシネーション）とは？
Hallucination は、
生成AIが事実と異なる内容を、もっともらしく出力してしまう現象 を指します。
日本語では「幻覚」や「幻覚応答」と表現されることもあります。
例
- 実在しない参考文献を作る
- 存在しないAWSサービス名を答える
- 間違った事実を自信ありげに説明する
このように、見た目は自然でも、
中身が正しいとは限らないのが Hallucination の問題です。
🤔 なぜ Hallucination が起きるのか？
LLM は「正しい答え」を保証する仕組みではなく、
もっとも自然に見える文章を生成する仕組みです。
そのため、
- 学習データに十分な情報がない
- 質問が曖昧
- 文脈が不足している
- モデルが知識を持っていない
といった場合に、
それらしい内容を補完してしまうことがあります。
🚨 Hallucination のポイント
試験でもよく問われるのは、次の点です。
- Hallucination は生成AIの代表的なリスク
- 出力が自然でも、事実とは限らない
- 特に正確性が重要な業務では注意が必要
- 外部データ参照や人間による確認が重要
🔎 RAG（Retrieval-Augmented Generation）とは？
RAG は Retrieval-Augmented Generation の略で、
日本語では一般的に 検索拡張生成 や 検索補強生成 と表現されます。
簡単に言うと、
LLM が回答を生成する前に、外部の情報を検索して、その情報をもとに回答精度を高める仕組み
です。
🧩 RAG の基本イメージ
通常の LLM は、
学習済みの知識だけを使って回答します。
一方、RAG では以下のような流れになります。
ユーザーの質問
↓
関連情報を検索
↓
検索結果をLLMに渡す
↓
LLMがその情報を踏まえて回答を生成する
💡 RAG を使うメリット
RAG の代表的なメリットは以下の通りです。
- 最新情報を使いやすい
- 社内文書や独自データを参照できる
- Hallucination の抑制が期待できる
- 回答の根拠を持たせやすい
例えば、社内FAQや社内マニュアルを検索対象にすれば、
汎用的な知識ではなく、自社専用の情報に基づいて回答するAI を作りやすくなります。
⚖ LLM 単体と RAG の違い
| 項目 | LLM 単体 | RAG |
|---|---|---|
| 知識源 | 学習済み知識 | 学習済み知識 + 外部情報 |
| 最新情報 | 弱いことがある | 反映しやすい |
| 社内情報対応 | 苦手 | 得意 |
| Hallucination 対策 | 限界あり | 軽減が期待できる |
👉 試験では、
「外部知識を参照して精度を上げたい」
というケースで RAG が選択肢になりやすいです。
🧠 ここは特に覚えたいポイント
覚え方 1
- LLM = 大量文章を学習した大規模言語モデル
- Prompt Engineering = より良い出力を得るための入力設計
- Hallucination = もっともらしい誤情報
- RAG = 外部情報を検索してから回答する仕組み
覚え方 2
- LLM は便利だが、誤りを出すことがある
- その代表的な問題が Hallucination
- その対策の一つとして RAG がある
覚え方 3
- モデルの中だけで答える → LLM 単体
- 外の情報を見てから答える → RAG
💼 実務目線の補足
実務では、生成AIをそのまま使うだけでは不十分なことが多いです。
例えば、
- 社内規程を参照して回答したい
- 最新マニュアルに基づいて答えてほしい
- 正確性が重要な問い合わせ対応に使いたい
といった場合、LLM 単体では不安が残ります。
そこで、
- プロンプトを工夫する
- RAG を使う
- 人間が最終確認する
といった設計が重要になります。
この考え方は試験だけでなく、
実際に生成AIを業務利用するときにも非常に重要です。
✅ まとめ
今回整理したポイントは以下の通りです。
- LLM は大量の文章データを学習した大規模言語モデル
- Prompt Engineering は、出力品質を高めるための入力設計
- Hallucination は、もっともらしい誤情報を出す現象
- RAG は、外部情報を検索してから回答することで精度向上を狙う仕組み
この4つは、AWS AI Practitioner においても非常に重要な生成AIの基礎用語です。
特に最近のAI関連資格では、単なる用語暗記ではなく、
それぞれがどう関係しているか を理解しておくことが大切です。
📌 次回予告
次回は、AWS AI Practitioner でもよく問われる
AWS の AI 関連サービス について整理していきます。
例えば、
- どんなサービスがあるのか
- 何に使うのか
- どう使い分けるのか
といった観点で、試験向けに分かりやすくまとめる予定です。