AI技術者である筆者は、大規模言語モデル（LLM）の使用について個人的な倫理観をまとめようと試みています。約10年間にわたってチャットGPT・GPT-2・GPT-3などのLLMを活用してきましたが、その利用頻度は周囲が想像するほど高くないと述べます。LLMに対する批判的見解を示しつつ、適切な場面では有効だと主張します。 筆者のLLM活用法について、一番効果的な方法は「プロンプトエンジニアリング」です。特定の制限付き出力を得るためにプロンプトを微調整することで、出力の精度が大幅に向上します。特に、バックエンドUIから直接APIを操作することで、システムプロンプトの設定や「Temperature」の調整が可能となり、出力をより確定的かつ意図した方向に制御できます。クラウドSonnet APIを頻繁に使用し、「Anthropic」と呼ばれるLLMは、他のChatGPT系LLMよりも自然で正確な出力を提供すると評価しています。 この10年間、筆者はブズフィードでのプロフェッショナル活動においてLLMを活用し、数々の業務を効率化させました。例えば、階層的なラベリングを行う場合、LLMが訓練データを作成することで手動でデータセットを構築する時間が大幅に短縮されました。しかし、生成モデルの「空想」による誤りは依然として懸念され、人間による最終チェックが必要です。 また、テキスト埋め込み（embedding）の分野でも、LLMが大きな役割を果たしています。文書の類似性を識別したり、推薦モデルの構築に利用するなど、様々な用途で活用されています。 ただし、筆者は自身のブログ作成にLLMを用いません。自身の文章スタイルは、モデルが正確に理解することは難しく、テクノロジーに関する最新情報を扱っているため、モデルの訓練データには存在せず、空想が生じやすいと考えています。一方で、既存のドラフトをLLMに渡し、ハッカーニュースでの辛辣なコメントのサンプルを生成させるという手法を利用することで、弱い部分指摘し改善点を見出すことに成功しています。 さらに、コード作成の際にLLMを活用する機会もあります。例えば、複数の画像を合成するPythonコードの生成では、詳細な要件を満たすコードを短時間で入手でき、大幅な時間節約となりました。また、Claude Sonnet APIを使って具体的なコード生成を依頼した場合、予期せぬ有用なアイデアが出ることがあります。ただし、複雑なコードやレアなライブラリについては慎重でなければなりません。特に、GitHub Copilotのようなインラインコード提案機能は、コンテキストスイッチによる集中力の乱れを引き起こし、筆者にとっては生産性の妨げとなっています。 エージェントやMCP（マルチコードパス）など新たなLLM技術に関しては、筆者が見つけたユニークな用途は少ないものの、これらが既存の問題解決を効率化することには同意します。しかし、複雑なワークフローによる誤認費用や品質の低下のリスクがあるため、本格的なプロジェクトでの利用は適していないと指摘します。筆者の観点では、LLMの利用は個々のニーズや状況によって選択されるべきで、常に最適なツールを選択することが重要です。 最後に、社会におけるLLMの役割に関する議論の二極化に触れ、現状のLLM業界がビジネスモデル面で課題を抱えている一方で、実際には多数の有用なケースが存在すると強調します。OpenAIを含むLLMプロバイダーの崩壊により、開発が止まることはあるかもしれませんが、オープンソースかつライセンスが許容されているモデルの存在により、LLM自体は完全に消えることはないだろうと予想しています。 技術者にとって重要なのは、LLMをただのツールの1つであり、使用の際は適切に選択することが求められると結論付けています。LLMは、特定の場面では便利ですが、全体としては確定的な問題解決手段ではなく、慎重に利用すべきだと主張します。 （筆者プロフィール） Senior Data Scientist at BuzzFeedであり、約10年間にわたって大規模言語モデル（LLM）の研究と開発に携わってきた経験を持つ。LLMの利点と限界について深い理解を持ち、技術的な見地からその有効活用法を提唱している。