ある企業が、Azure OpenAI Service の GPT-4o モデルを使って顧客からのメールを自動分類するシステムを構築しています。分類カテゴリは「クレーム」「問い合わせ」「注文」「解約申請」の4つです。プロンプトエンジニアリングだけで分類精度を向上させるために最も効果的な手法はどれか。
- A. プロンプトに「あなたは優秀な分類器です」とだけ記述する
- B. temperature を 1.0 に設定し、より創造的な分類を可能にする
- C. システムメッセージを使わず、ユーザーメッセージにすべての指示を含める
- D. 各カテゴリの定義と、各カテゴリの代表的なメール例を1〜3件ずつ含める Few-shot プロンプティングを行う
解答と解説を見る
正解: D
Few-shot プロンプティングは、プロンプト内に入力と期待される出力のペア（例示）を複数含めることで、モデルにタスクの形式や判断基準を学習させる手法です。メール分類では各カテゴリの定義と典型例を含めることで、境界線が曖昧なケース（例：クレームか問い合わせかの判断）の精度が大きく向上します。選択肢 A のペルソナ設定だけでは分類基準が不明確で精度向上に限界があります。選択肢 C はシステムメッセージとユーザーメッセージの役割分担を無視しており、良い設計ではありません。選択肢 B の temperature=1.0 は多様性・ランダム性を高めるパラメータであり、一貫した分類精度の向上には逆効果です。