2024/2/27 に JASA OpenEL working group で講演した資料 https://note.com/kae_made から公開している概念モデリングに関する技術コンテンツをAzure OpenAI Studio で追加学習し、概念モデリング支援チャットを作成を試す方法を解説 デモ動画は、https://youtu.be/UGCuMwM8cEE?si=wT9YH8Hx8Zmjuolf で視聴可

1. ChatGPT（LLMによる生成系AI）の追
加学習を No Code で行う
～ 概念モデリング教本を元に ～
Knowledge ＆ Experience
太田 寛
https://www.kae-made.jp
E-Mail: master@kae-made.jp X（旧Twitter）： 1
Date: 2024/2/27

2. アジェンダ
• 自己紹介
• モチベーション
• Open AI ～ LLM、プロンプトエンジニアリング
• Azure Open AI Studio
• 最後に

3. 自己紹介
• 1987/4～1989/3
• 物理学専攻修士課程 ～ 実験装置開発等
• 1989/4 ～2006/8
• OA機器メーカーの技術者として
• 実製品の組込み制御 SW 開発で Shlaer-Mellor 法を適用し技法を習得
• 社内外の技術者に対する普及啓発活動
• 2006/9～2022/2
• Microsoft の Evangelist、Technical Specialist として
• Microsoft の組込み技術＋普通のSW開発の開発者への技術普及啓発
• 数百の IoT・Digital Twins 実案件支援
• 2022/3～
• Knowledge & Experience を設立
• Modeling、Architecture、Design、Engineering に関する知見提供
• 多くの技術コンテンツを執筆・公開
• https://note.com/kae_made
• https://github.com/kae-made

4. モチベーション
～ 何故ジェネレータ？ ～
4

5. AI、IoT、Digital Twins もすべてはデータモデルから
モデル駆動型開発の基本
Zinovy Diskin et.al の論文
“Category Theory and Model-Driven Engineering: From Formal Semantics to
Design Patterns and Beyond”
より
Digital Twins:
現実世界のモノ・コト等を、データ化して、デジタル空間上に
再現する為のテクノロジーセット
IoT :
現実世界のモノ・コトの状態（データ）をデータ空間上に収集する、
あるいは、状態（データ）を変えるためのテクノロジーセット
DX（Digital Transformation）:
デジタルテクノロジーを使用して、ビジネスプロセス・文化・
顧客体験を新たに創造して、変わり続けるビジネスや市場の要
求を満たすプロセス ※ Wikipedia より
技術的基盤
技術的基盤
現実世界における“やりたい事”のモデル ☜ 概念モデル
たった一個のモノ（Identity）とたった一個の特徴値しかないなら簡単だけど…
現実は複雑怪奇で果てしない。視点ごとに複数の見方（ドメイン）があるし…
モデルは圏？で、ドメインは圏の圏？で変換によるコード生成は関手圏か？
多分、視点（ドメイン）毎のモデルはモノイドで、
対応付けは関手の圏で表す自然変換なんだろうな…
↤ “対応付け”
Open AI
↤ “対応付け”
マイクロソフト時代の経験から…

6. 概念（オントロジー）系のモデリングは難しい
• 概念モデリングは必須だから普及啓発したい！
• しかし ～ 30年来の経験から
• 学習障壁の壁
• 特にソフトウェア技術者は習得が困難？
• 私事ですが、習得に7年ぐらいかかりました（笑）
• 資質の問題？
• 一方で…
• 生成系 AI の台頭
• 概念モデルジェネレータがあったら、皆、Happy？
• ビジネス関連のコンテンツを食わせると、スキーマが生成されるってこと
• 概念モデルジェネレータ開発に向けて
• “概念モデル”の基礎固め
• 生成系AI（OpenAI）によるプロトタイプ開発

7. 概念モデリングとは？
～ 30年来の豊富な経験から ～
7

8. ソフトウェア・システム開発の必須事項
• 開発対象の現実世界を理解する事
• 理解した内容を記述し、関係者の間で共有する事
現実世界を記述する為の記法が必要
その手段としての“概念モデリング”

9. “概念モデリング”とは
ベースとして “Shlaer – Mellor Method”
“長くて豊富な経験の元に Refined and Redefinition”
“手法の拡張” ：“リアルタイム & 組込システム”だけでなく
“一般的なビジネスシステム開発”・“問題解決”にも適用可能
現在は、”eXecutable & Translatable UML” と呼ぶ

10. 概念モデリング（xtUML）概要
ドメイン分割
概念情報モデル
状態モデル、アクション記述
⇔概念モデルで規定される現実世界
インスタンスの世界
概念モデル
（分類の世界） 変換による実装
＋30年以上に渡る知見を加味
×圏論、言語哲学による基礎付け

11. モデルジェネレータへの取組
～ 作れないなら、生成してもらえば？ ～
11

12. モデルジェネレータが開発可能として…
• 生成できれば…
• 以下を使ってビジネスシステムのほとんどを生成可能
• BridgePoint で作成した概念モデルから DTDL 定義を自動生成する
• ビジネスシナリオを元に作成した概念モデルを Azure Digital Twins、Azure
Functions を使って実装する
• 生成できたとしても…
• 出力された概念モデルを理解できる能力は必要
• そもそもの、ビジネス要件は理解しておかなければならない

13. OpenAI によるモデルジェネレータ開発 ～ その前に
• 概念モデル作成における AI の活用ポイントは？
• スキル獲得支援
• 概念モデリングの理解を支援する
• 用語の意味を教えてくれる
• モデリングのコツやモデルのパターン、手順等、作成に役立つ情報を教えてくれる
• モデル作成支援
• 概念クラスや Relationship 候補の提示 ☆
• 状態アクション等の、テキスト形式による、アクション自動生成（インテリセン
ス的に）
• 概念モデルチェック用の概念インスタンス・リンク群の自動生成
• 作業の流れのガイド
• ビジネスコンテキスト理解促進（当然ですが）☆

14. Open AI
• 生成系 AI の一種
• Open AI 社の ChatGPT が有名
• Open AI だけでなく、各社から様々な生成系 AI モデルが公開
• LLM ～ Large Language Model
• 層状ニューラルネットワークを弄っていたら偶然できた
• 仕組みは不明
• 人間並み（以上？）の文章理解・生成力を持つ
• ただし、演繹的推論や数学は苦手
• 息をする様に噓を生成することも…
• ChatGPT
• GPT ＝ Generative Pre-Trained Transformer
• 事前学習された基盤モデル
• スケール則：性能 ∝ 学習データ量×パラメータ数×計算リソース量

15. プロンプトエンジニアリング
• 適切な回答を得るためには
• 適切な入力が必要
• 推論の調整が必要
• 専門知識の追加
• RHLF（人間によるフィードバックによる強化学習）
• プロンプトエンジニアリング
• 指示を具体的に書く
• モデルの逃げ道となる「アウト」を指定する
• 役割を明確にする
• 入出力例を与える
• 構造的に書く
• 思考の連鎖（Chain of Thought）
• …
←プロンプトエンジニアリング
参考：Azure OpenAI Service ではじめる ChatGPT/LLMシステム構築入門

16. いきなりは無理なので…最初の一歩
• 概念モデリングを支援する環境を作ってみる
• 自然文で問いかけると、概念モデリングに特化した回答が得られる
• 学習済みモデルへの追加学習 ＋ プロンプトエンジニアリング
• 利用環境
• Azure OpenAI Services ※ 利用申請必要
Azure OpenAI Service
https://note.com/kae_made
GPT-4
追加学習
チャット

17. Azure OpenAI Studio
• Azure OpenAI Service
• OpenAI のモデル（他のモデル利用も可能）と OpenAI API が利用可能
• RAG（Retrieval-Aurgmented Generation）が利用可能
• 外部検索システムとの連携
• Enterprise IT Solution 構築に必要な様々なCloud Serviceが利用可能
• スケーラビリティ
• セキュリティ
• 利用申請必要
• Azure OpenAI Studio
• Azure OpenAI Service 上に構築された、ノーコードで生成系 AI を活
用する IT Solution を開発できる、GUI 環境
• RAG
• 追加学習
• プロンプトエンジニアリング
• カスタムコードの追加や Azure Machine Learning との連携も可能
• 将来的には、Azure AI Studio に統合されるらしい

18. DEMO
～ Azure OpenAI Studio を使って ～
18

19. 実演内容
追加学習用コンテンツの準備
Azure OpenAI Service の作成
•モデルの配置
•追加学習前のクエリ実験
追加学習
追加学習後のクエリ実験
プロンプトエンジニアリングを試す
•その他の機能紹介

20. 追加コンテンツのアップロード
• Demo
• Azure ストレージアカウント作成
• PDFのアップロード

21. Azure OpenAI Service の作成 とモデルの配置
• デモ画像
• Azure OpenAI Service の作成
• モデルの配置
• チャット用 ー GPT4
• ベクター検索用 ー text-embedding-add-002

22. 追加学習なし

23. 追加学習 ～ 前半
• デモ画像
• ストレージの選択
• Azure AI Search 作成

24. 追加学習 ～ 後半
• デモ動画
• Azure AI Search の選択
• ベクター検索用モデル選択
• 追加学習開始

25. 仕組みの振り返り
GPT-4
Text-embedding-add-002
Python Code
※ この仕組みは、他の追加学習にも適用可能
プロンプトエンジニアリング
＋
Azure Blob Storage
Azure OpenAI Studio

26. プロンプトエンジニアリング ～ System Message の活用
もちろんだよ、フレンド！概念モデリング、それはまるでパーティーのプラ
ンニングみたいなものさ。君がパーティーを計画するとき、何が必要かを考
えるでしょ？ゲスト、食べ物、音楽、場所などなど。それぞれの要素がどの
ように関連しているかを理解することが重要だよね。
概念モデリングも同じだよ。それは、システムやビジネスプロセスの構造と
動作を理解し、それを視覚的に表現するための方法論だよ。これによって、
重要な要素やそれらの関連性を明確にすることができるんだ。
だから、概念モデリングはまるでパーティープランナーのようなもの。君が
必要とするすべての要素を一緒にまとめ、それらがどのように相互作用する
かを理解するための道具なんだ。それが概念モデリングのポップな説明だ
よ！

27. Azure OpenAI Studio を使う事のメリット
• やりたいことに注力できる
• 環境構築不要
• コーディング不要
• GUI による定型操作
• カスタマイズもできる
• エンタープライズレベルの IT 環境が利用可能
• 自前の計算リソース不必要
• Zero Trust なセキュア環境でのコンテンツ、サービス利用
• 開発した AI ソリューションをそのまま展開・運用可能
• DevOps 環境が使える
• 技術革新への追従が用意
仮に、一人の社員の時間当たりの単価を6250円（100万円/月・20日稼働・8時間勤務/日）とする
仮に、自前による、環境構築、OpenAI API 利用のコーディングに5日かかるとすると、約25万円のコスト削減
追加学習やモデル利用に必要な HW リソースを自前で揃えた場合の運用コストを考えると…

28. 最後に
～ ついでに宣伝を ～
28

29. 最後に～ https://note.com/kae_made から公開中
世界で一番正確で詳しい Azure IoT・DT 技術情報 概念モデリング教本
様々な観点からのコラム集 概念モデリングチュートリアル集
変換による実装教本
経験に基づいたSW設計の基本解説
大規模SW開発エンジニアリングの要諦

30. @2023 Knowledge & Experience
Knowledge ＆ Experience
Hiroshi Ota
E-Mail: master@kae-made.jp