2023/6/20にChatGPTのfunction callを使ってみた。

そして6/24にはe-StatのAPIを使って食料品の小売価格を都道府県で比較したり、トレンドを分析したり出来るようになった。

そこで感じたのは、データ処理に向かないということ。わざわざAPIの仕様を読み込んでChatGPTで言葉を仕様に合わせて変換し、データを取ってきて表示したり分析するのは手間の割に得られるものが少ない。e-StatのWebページが開いてグラフで確認できた方がよっぽどいい。見ればわかるからだ。またデータが増えるとトークン数オーバーして使い物にならない。

検索は面倒くさいからChatGPTに価値がある

Googleが世に広まってからも、検索して必要な情報を見つけることをやらない人がたくさんいる。
検索は面倒なのだ。
知らないことを調べるとき、キーワードを検索して見つけたWebサイトに書かれたことが正しいと確認するにはいくつかのサイトを見て比較し、正しそうなことを判断する必要がある。
欲しい情報が網羅されているサイトもなく、知りたいことを知るためにいろんなサイトの情報を組み合わせる必要がある。
人間は検索するとき、そんな面倒なことをしていたのだった。
これも、百科事典と、図書館の分類を頼りに調べ物をしていた(全文検索もない時代に!)時からすると大変な進歩だが、だからと言って検索される大量の情報から知識を得るのは簡単なことではない。
大量の文章があってもその情報を処理する人間の頭はそんなに進歩していないのだ。
そこでChatGPTが膨大なデータを元に(ときに間違いつつも)解答を出してくれる。これは自分の頭で考えなくても探していた答えが出てくる魔法のような技術だった。
だからこそ、答えを導く機能、分析、論点整理に使う使い方を追求していくと良いはずだ。
例えば200年後の若者が大気汚染のトレンドを分析していたとき2020年から急な変動があったとする。食糧価格も変動が激しい。何か気象変動があったと仮説立てるとする。でも、世界的なコロナの流行があったことと関連付け出来ないと訳がわからないままになる。そういうときに膨大な情報を関連づけられる言語モデルはとても優秀な助手になる。Webサイトは消えても言語モデルの知識は消えない。

function callにやらせること

餅は餅屋という言葉がある。
APIで情報を取得して、その情報を処理するのに言語モデルであるChatGPTを使うのなら、情報は言語がよい。ChatGPTはせいぜい32,000トークンしか扱えないので大量の数値データはそもそも処理できない。そして、大体の数値情報は可視化できる専用のツールがある。

なので、function callにやらせることは、言葉での指示をもとにしてロジックとして処理できる値に変換し、
①何か(スイッチを消すとか、Twitterに投稿するとか)を実行すること
②文章を取得して来ること
③別の機能を呼び出すこと
がよい。

特に③がよく、会話の内容に応じてあらかじめ人格を設定した別のChatGPTを呼び出し、その中でさらに適切な処理を実施させる。
天気について聞けば、天気に詳しい人格のChatGPTが天気予報を説明してくれるみたいなもの。いままではシステムプロンプトや、プロンプトエンジニアリングで色々と使い分けていたものがシンプルにできる。

そうしてどの人格がどれくらい呼ばれたかで需要を知ることができる。

ではどんな人格に何をやらせるのか。

これは、現在参加中のランサーズの研究企画の中で引き続きやっていこうと思う。