WHY-Usフレームワーク：大規模言語モデルからの高影響力で一貫した結果のために 約2年前から、私たちは大規模言語モデル（LLM）をビジネスアプリケーションに統合して、製品KPIや目標を達成することに取り組んでいます。多くのプロンプト技術を試みてきましたが、ときにはレスポンスが期待通りにならず、ときに完全に外れることもありました。それにより、プロンプトの作成は単なる「AIとの会話」ではなく、信頼性のあるワークフローを実現するためのスキルであることに気づきました。このフレームワークの必要性を感じ、複数の試行錯誤を続ける中で、W-H-Y-Usフレームワークを考案しました。これは、一貫した結果を生み出す効果的なプロンプトの作成方法です。 W：何が真実/事実か？ 基礎となる質問: 「常に変わらない事実や制約は何ですか？」 このブロックでは、タスクに関連する基本的な事実を定義します。Amazon Product Reviews Datasetの場合、以下の点が重要となります。 - データセット構造: 各エントリーにはproduct_id、review_text、rating、timestampが含まれます。 - レーティング尺度: レーティングは1から5星までです。 - 言語: 全てのレビューは英語です。 - 感情マッピング: 分析の観点から、レーティングを以下のように分類します。 - 正の感情：4〜5星 - 中立的：3星 - 負の感情：1〜2星 これらの事実は、分析やモデリングを行う上で不可欠です。AIがタスクを正確にこなすために、これらの情報を尊重することが重要です。 H：どのように行うか? ** GUIDE ：正確な手順は何か？ - データクリーニング: nullや重複したエントリーを除去します。 - テキスト正規化: 文字列を小文字に変換し、特殊文字を取り除きます。 - 感情分析: 事前学習された感情分析モデルを用いて、review_textを正の感情、中立的、負の感情のいずれかに分類します。 - 集計: product_idごとにレビューデータをグループ化し、各製品の平均レーティングと各感情カテゴリーのレビューカウントを計算します。 - 可視化: サンプル毎の感情分布の棒グラフと、最も頻繁に使用される用語のワードクラウドを生成します。 - 報告**: 拡大子のためのMarkdownレポートを作成します。 この手順は一貫性と再現性を保証します。 Y：なぜそれが重要か? 質問ガイダンス: 「成功の基準、目標、考え方とは何か？」 タスクの目的を理解することで、分析が価値を提供するようになります。 - ビジネス目的: 顧客満足のトレンドを特定し、製品の改善とマーケティング戦略に反映させます。 - 品質メトリクス: 感情分類の精度、可視化の明確さと読みやすさ。 - ステークホルダーアル: 結果が非技術的なチームメンバーにとっても行動可能なものであることを確認します。 目標を明確にすることで、分析の価値を最大化できます。 U：私たちの共同作業 質問ガイダンス: 「エージェントの引き継ぎや協力をどう行うか？」 各役割の分工と協力ポイントを定義します。 - データエンジニア: データセットの準備とクリーニングを行います。 - データアナリスト: 感情分析と可視化を行います。 - マーケティングチーム: レポートをレビューし、行動可能な洞察を導きます。 - コラボレーションツール: Slackで通信を行い、Google Driveフォルダで報告書を共有し、成果の議論のために2週に1回ミーティングを予定します。 明確な役割分担と協力体制が、スムーズな共同作業を可能にします。 実際のプロンプト例 「Amazon Product Reviews Datasetから顧客感情についての洞察を抽出するために分析を行っています。」 W — 何が真実か: - データセットにはproduct_id、review_text、rating、timestampが含まれています。 - レーティングは1から5星まであります。 - レビューは英語です。 H — どのように行うか: - nullや重複したエントリーを取り除きます。 - review_textを正規化します。 - 事前学習済みの感情分析モデルを用いて、感情を分類します。 - product_idごとにデータを集計し、平均評価および各感情カテゴリーの件数を計算します。 - 各製品の感情分布の棒グラフと頻出単語のワードクラウドを作成します。 - Markdown形式の報告書を作成します。 Y — なぜそれが重要か: - 顧客満足度のトレンドを明らかにします。 - 製品およびマーケティングチーム向けの具体的な行動指針を提供します。 - 報告の明確さと正確さを確保します。 U — 我々の共同作業: - #DataEngineer : データの準備とクリーニング - #DataAnalyst : 分析と可視化の実施 - #MarketingTeam : レポートのレビューと具体的なアクションの決定 - SlackとGoogle Driveを使用してコミュニケーションと情報共有を行います。 - 2週間ごとに成果の議論のためのミーティングを予定します。 注意点 「何が真実か」の乱用: 手順やアクションの指示を「何が真実か」ブロックに詰め込むと、プロンプトが混乱しやすくなります。これらは「どのように行うか」ブロックに移動させるべきです。 「なぜそれが重要か」の曖昧さ: 「重要なこと」「役に立つこと」といった一般的な表現では十分ではありません。例えば、「感情分析の精度を90%以上にする」などの具体的な成功基準を設定することが重要です。 ロールタグの適切な使用: 必ずしも全ての項目に対してロールタグが必要ではありません。実際に役割によって異なる場合は使用しますが、それ以外は省くことでプロンプトの簡潔さを保ちます。 最終的なまとめ W-H-Y-Usフレームワークは、どんなタスクでも大きな効果を発揮します。アジェンダを明確にし、一貫性のある結果を何度も得ることができます。信頼できるプロンプトを作成し、魔法的な要素に頼るのではなく、科学的なアプローチでタスクを管理しましょう。 業界関係者のコメント 業界関係者は、W-H-Y-UsフレームワークがLLMの効果的な活用に欠かせないと評価しています。「これによりチーム間のコミュニケーションが円滑になり、より信頼性の高い結果を取得できます。」（某データプラットフォームCEO）