初心者向けジェネレーティブAI
Generative AI、大規模言語モデル、プロンプトエンジニアリング、およびAzure OpenAIやPower Platformなどのツールを活用したAIアプリケーション開発の基礎を網羅的に学ぶカリキュラム。
コース概要
📚 コンテンツ概要
ジェネレーティブAI、大規模言語モデル（LLM）、プロンプト工学、およびAzure OpenAIやPower Platformなどのツールを活用したAI駆動型アプリケーションの開発に関する包括的なカリキュラム。
ジェネレーティブAIの基本をマスターし、スクラッチからインテリジェントなアプリケーションを構築する。
謝辞： Microsoft、Azure、OpenAI。
🎯 学習目標
- モデルの内部メカニズム（トークナイゼーション、アテンション機構、非決定論的出力など）を説明できる。
- ベースモデル、オープンソースとプロプライエタリ、エンコーダー/デコーダー構造といったさまざまなLLMのカテゴリを比較し、ビジネスシーンに適したツールを選択できる。
- モデルの成果を向上させるための戦略を評価し、プロンプト工学、検索拡張生成（RAG）、ファインチューニングのいずれを選ぶべきか判断できる。
- プロンプト工学の定義を述べ、ジェネレーティブAIにおける主要なプログラミングインターフェースとしての役割を説明できる。
- ベースLLMとインストラクションチューニング済みLLMの違いを理解し、トークン処理の仕組みを説明できる。
- 指示、主コンテンツ、ヒント、テンプレートを用いて複雑なプロンプトを構築できる。
openaiライブラリを使用してテキスト生成アプリケーションを構築・設定し、環境変数を管理し、温度パラメータで出力の多様性を調整できる。- ルールベースチャットボットと文脈認識型ジェネレーティブAIアプリケーションの違いを区別し、マイクロソフトの「責任あるAIの6原則」を実装できる。
- テキストを埋め込み表現（ベクトル）に変換し、コサイン類似度を適用することで、単純なキーワードマッチを超えた関連コンテンツを検索する意味的検索を実行できる。
- 画像生成アプリケーションを構築・設定し、「メタプロンプト」を導入してコンテンツの範囲や安全性を定義できる。
レッスン 共 7 课时 · 预计 21.0h
レッスン
Lesson
This lesson explores the evolution of AI from rigid, rule-based systems to modern Large Language Models that utilize tokenization, attention mechanisms, and statistical probability to generate human-like text. Students will learn how these non-deterministic models function and how to evaluate strategies like prompting, fine-tuning, and RAG to optimize AI performance for specific business needs.
This lesson introduces prompt engineering as the essential interface for guiding generative AI, distinguishing between base models and instruction-tuned models. Students learn to construct effective prompts by mastering tokenization, parameter adjustment, and structural techniques like delimiting to improve model accuracy and reliability.
This lesson explores the transition from traditional, deterministic programming to flexible Generative AI applications by mastering API security, environment configuration, and output control via temperature settings. Students will also learn to implement semantic search using embeddings and apply Microsoft’s Six Principles of Responsible AI to build reliable, context-aware solutions.
This lesson explores how to build secure, integrated AI solutions using low-code platforms like Microsoft Power Platform and advanced techniques such as meta-prompting and function calling. Students learn to bridge the gap between generative models and external data while implementing safety guardrails and deterministic configurations for enterprise-grade applications.
This lesson explores how to build trustworthy Generative AI by balancing user experience pillars, such as explainability and instructional friction, with robust security measures against threats like data poisoning and prompt injection. It also introduces the LLMOps lifecycle, covering the essential stages of ideating, building, and operationalizing AI applications to ensure reliability and performance.
This lesson explores how Retrieval-Augmented Generation (RAG) overcomes LLM knowledge cutoffs and hallucinations by grounding model responses in real-time, external data. Students will learn the technical RAG workflow—including chunking, embeddings, and vector search—while evaluating open-source models and AI agent frameworks for practical implementation.
This lesson explores the optimization hierarchy for generative AI, emphasizing that developers should prioritize prompt engineering and Retrieval-Augmented Generation (RAG) before considering resource-intensive fine-tuning. It also introduces specialized architectures like Small Language Models (SLMs) and Mixture of Experts (MoE) to help balance model performance, inference speed, and deployment efficiency.