本記事は、LLMのデザインパターンを一つずつ紐解いています。最初は「Re-stating」（再表現）です。
原文：https://www.uxforai.com/p/llm-design-patterns-re-stating-auto-complete-talk-back-suggestions-nest-steps-regen-tweaks-and-guard October 18, 2024
AI駆動型プロダクトを設計するにあたり、AIアシスタント（Copilot：副操縦士）は人気のですが、LLMの「デザインパターン」を知ることでその設計方法が理解できます。今回は、Re-Stating （再記述・言い直し）について紹介します。
※「デザインパターン」とあえてカギ括弧にしたのは、厳密にはデザインパターンというよりも「機能」に近いです。現在（執筆時）のLLMのUIはまだ発展途上で、決まった型が確立していません。だからこそ、この領域のUXデザインとリサーチは非常にエキサイティングです。
現代のAIが示す「理解しているように見える力」
言語モデル（LLM）で特に印象的なのは、異なる情報や文脈を組み合わせて、人間のように深い理解を示す点であります。
たとえば、あなたが運転中にAIに向かって「Park（パーク）」とだけ言ったとしましょう。
最新のAIなら、カレンダーや位置情報などを参照し、あなたがサンフランシスコ市内のナイトクラブに向かっていて、すでに夜9時を過ぎ、日が暮れているという状況を理解することができるでしょう。
つまり、ChatGPTのような最新のLLMは、「国立公園の案内」や「植物園での休憩プラン」などの他の可能性ではなく、「目的地周辺の駐車場を探している」というあなたの意図を正確に判断できるというわけです。
これに比べて、従来の音声アシスタント（Siriなど）は、こうした文脈理解を行うことができません。
むしろ、Siriは「どの“Park”のこと？」と聞き返してくるだけで、今となっては少し「Silly（まぬけ）」に見えてしまうほどです
ただし、ここでSiriやCortana、Alexaといった過去のアシスタントを批判したいわけではありません。
むしろ、現代のLLMがいかに進化し、ユーザーの意図に沿った行動を取れるようになっているかを示したいのです。
そしてこの能力をうまく引き出すためには、AIに適切に「理解」させるためのデザインパターンが欠かせません。
“Park” 出典: Siri
技術は「召使い」にも「主人」にもなる
1921年のノーベル平和賞受賞者、クリスチャン・ランゲ（Christian Lange）はこう語っている。
“Technology is a useful servant but a dangerous master.”
技術は有能な召使いにもなれば、危険な主人にもなり得る。
私たちはAIを「召使い」として上手に使いこなす必要がある。そのために欠かせないのが、以下のようなLLMデザインパターンです。
- Re-stating（再表現：言い換え）
- Auto-Complete（自動補完）
- Talk-Back（フィードバック）
- Suggestions（提案）
- Next Steps（次のステップ）
- Regen Tweaks（再生成の微調整）
- Guardrails（ガードレール）
＊Re-stating以外のLLMデザインパターンは、「UX for AI」の書籍で紹介されています。
Re-stating（再表現：言い換え）は、AIが「どう理解したか」を見せるデザイン
「再表現：言い換え（Re-stating）」とは、AIがユーザーの入力をどのように解釈したかを、ユーザーに伝え返す仕組みのことです。
この仕組みを取り入れることで、AIが誤った方向に進むのを防ぎ、ユーザーが意図通りの結果を得やすくなります。
出典元: YouTube
Power BIにおける自然言語クエリ（Q&A）の使用方法 – 詳細レビュー【2022年更新版】by Enterprise DNA
たとえば、Microsoft Power BI の「NLP Ask」機能がその代表例です。
ユーザーが「…where is 2017」と入力すると、システムはそれを自動的に補完し、「2017（注文日）」という形で再表現してくれます。
このように、曖昧な入力を補い、文脈から正しい意味を導くことができるのです。
人間がタイプミスをしたり、急いで入力しても、AIが自動的に文脈を推測して補正してくれます。
Re-stating（再表現：言い換え）はいつ必要か？
では、すべての場面でRe-stating（再表現：言い換え）を行うべきだろうか？
答えは「場合による」です。
前回の記事「AIの精度なんてクソくらえ：UXがやるべきこと」で触れたように、判断には次の2つの軸があります。
- AIが間違える頻度
- 誤りが与える影響の大きさ
これらを掛け合わせて、ROI（投資対効果）を考える必要があります。
たとえば、Power BIのように「Askクエリ」を実行しても、誤解釈による損失が小さいケースでは、即実行しても構いません。せいぜいAzureの計算コストが少し増える程度です。
一方、SMS送信のように、誤った動作が致命的な結果を招く場合は話が違います。
たとえば、AIが「go duck yourself（くたばれ）」という誤変換をそのまま上司に送ってしまったら大変です。
このようなリスクを避けるためには、「このメッセージを送信します。よろしいですか？」といった確認ステップが欠かせない。
— Greg
