Modified Japanese expression

Modified Japanese expression

03-using-generative-ai-responsibly/translations/ja-jp/README.md

@@ -24,23 +24,23 @@ AI、特に生成 AI に強い興味は抱くことは理解できますが、
 
 ## 責任ある AI の原則
 
-生成 AI に対する興味は、今までにないほど高まっています。この盛り上がりは、新たな開発者や関心、資金をこの領域にもたらしています。これは、生成 AI を使用して新しい製品や、新しい企業を創業する人々にとって非常に好意的な状況ですが、同時に責任を持って進めることも重要です。  
+生成 AI に対する興味は、今までにないほど高まっています。この盛り上がりは、新たな開発者や関心、資金をこの業界にもたらしています。これは、生成 AI を使用して新しい製品や、新しい企業を創業する人々にとって非常に好意的な状況ですが、同時に責任を持って進めることも重要です。  
 
 このコースでは、スタートアップが AI を利用した教育製品の実装に焦点を当てます。公平性、包括性、信頼性・安全性、セキュリティ・プライバシー、透明性、説明責任といった責任ある AI の原則に基づいて、これらが製品における生成 AI の活用と、どのように関連していくのかについて考えます。
 
 ## 責任ある AI を優先すべき理由
 
-製品開発時、利用者の利益を最優先に考える人間中心のアプローチで進めると、最良の結果が得られます。
+製品開発時、「利用者の利益を最優先に考える顧客中心のアプローチ」で進めると、最良の結果が得られます。
 
-生成 AI の特徴は、利用者に役立つ回答、情報、ガイダンス、コンテンツを作成する力にあります。これは多くの手作業を必要とせずに行うことができ、それによって非常に素晴らしい成果を生み出すことができます。しかし、適切な計画と戦略がなければ、残念ながら利用者、製品、そして社会全体に有害な結果をもたらすこともあります。  
+生成 AI は、利用者に役立つ回答、情報、ガイダンス、コンテンツを生成する力があります。こうした作業の多くは手作業を必要とせずに実行でき、それによって非常に素晴らしい成果を生み出せます。しかし、適切な計画と戦略がなければ、残念ながら利用者、製品、そして社会全体に有害な結果をもたらすこともあります。  
 
-下記より、潜在的に害を及ぼす可能性のある例（全てではありませんが）について見ていきましょう：
+下記で、潜在的に害を及ぼす可能性のある例（全てではありませんが）を確認しましょう：
 
 ### Hallucinations (幻覚)
 
 「Hallucinations (幻覚)」とは、LLM が完全に無意味な内容や、他の情報に基づいて事実と異なる内容を出力する際に使用する用語です。
 
-例えば、スタートアップで、学生が AI モデルに対して歴史に関する質問をすることができる機能を作ったとします。そして、ある学生がこんな質問をしました  
+例えば、スタートアップで、学生から AI モデルに対して歴史に関する問い合わせのできる機能を作ったとします。そして、ある学生がこんな質問をしました  
 `タイタニックの唯一の生き残りは誰ですか？`
 
 すると、モデルは以下のような回答を生成します
@@ -49,31 +49,35 @@ AI、特に生成 AI に強い興味は抱くことは理解できますが、
 
 ![Prompt saying "Who was the sole survivor of the Titanic"](../../../03-using-generative-ai-responsibly/images/ChatGPT-titanic-survivor-prompt.webp?WT.mc_id=academic-105485-yoterada)
 
+> 訳者追記  
+> プロンプト：タイタニックの唯一の生き残りは誰ですか？  
+> 回答：タイタニック号の事故の唯一の生存者は、チャールズ・ジョーギンでした。彼はイギリスのパン職人で、タイタニック号のチーフ・ベーカリー職人でした。ジョーギンは、転覆した救命ボートにしがみつき、極寒の海で数時間耐え、RMS カルパチアに救助されたと伝えられています。彼の生存は、彼が大量のアルコールを摂取していたため、極度の寒さに耐えられたのではないかと伝えられています。ジョーギンは 1956 年まで生存し、後にタイタニック号の事故の経験について証言しました。
+
 > *(Source: [Flying bisons](https://flyingbisons.com?WT.mc_id=academic-105485-yoterada))*
 
 これはとても自信に満ちて、詳細な回答結果です。しかし残念ながら、この回答は間違っています。調べれば、タイタニック号の生存者は複数人いたことがわかります。この課題研究を始めたばかりの学生にとって、この回答は疑う余地なく事実として受け入れられるほど説得力があります。このような結果から、AI のシステムを信頼できなくなり、さらにはスタートアップ企業の評判にも悪影響を及ぼす可能性があります。
 
-LLM のバージョンを更新するごとに、幻覚を減らす方向でパフォーマンス改善がはかられています。ただ、この改善があったとしても、アプリケーションの開発者やユーザーは、こうした問題を意識し続ける必要があります。
+LLM のバージョンを更新するごとに、幻覚を減らす方向でパフォーマンス改善がはかられています。ただ、この改善があったとしても、アプリケーションの開発者やユーザーは、こうした回答捏造の問題を意識する必要があります。
 
 ### 有害なコンテンツ
 
 前のセクションで、LLM が不正確、または無意味な回答を出力する可能性について触れました。もう一つ注意すべきリスクは、モデルが有害なコンテンツを回答する場合です。  
 
 有害なコンテンツには以下のようなものがあります：  
 
-- 自傷行為や特定グループへの危害を助長、または奨励する指示を与える
+- 自傷行為や特定グループへの危害を助長、または奨励する指示
 - 憎悪や侮辱的な内容
-- あらゆる種類の攻撃や、暴力行為の計画を指導する
-- 違法なコンテンツを探す方法や、違法行為を犯す方法について指導する
-- 性的に露骨な内容を表示する
+- あらゆる種類の攻撃や、暴力行為の計画
+- 違法なコンテンツを探す方法や、犯罪を犯す方法
+- 性的に露骨な内容
 
 スタートアップでは、このようなコンテンツが学生に見られないように、適切なツールと戦略を確実に導入したいと考えています。  
 
 ### 公平性の欠如
 
-公平性とは、「AI システムが偏見や差別を持たず、全人類を公平かつ平等に扱うこと」を意味します。生成 AI の世界では、マイノリティグループの排他的な世界観が、モデルの出力で再強化されないように注意を払いたいと思います。
+公平性とは、「AI システムが偏見や差別を持たず、全人類を公平かつ平等に扱うこと」を意味します。生成 AI の世界では、マイノリティ・グループの排他的な世界観が、モデルの出力で再強化されないように注意しなければなりません。
 
-このような公平性が欠如した出力は、利用者にとって好意的な製品体験を妨げるだけでなく、社会的な損害をさらに引き起こします。アプリケーション開発者として、生成 AI を用いたソリューション開発する際には、常に多種多様な利用者層を意識することが重要です。
+このような公平性が欠如した出力は、利用者にとって好意的な製品体験を妨げるだけでなく、社会的な損害をさらに引き起こします。アプリケーション開発者として、生成 AI を用いたソリューションを開発する際には、常に多種多様な利用者層を意識することが重要です。
 
 ## 責任ある生成 AI の使用方法
 
@@ -83,13 +87,13 @@ LLM のバージョンを更新するごとに、幻覚を減らす方向でパ
 
 ### 潜在的な危害の測定
 
-ソフトウェアのテストでは、アプリケーションに対して利用者が行うと予想する行動についてテストします。同様に、利用者が入力しそうな様々なプロンプトをテストすることは、潜在的な害を見極めるための良い方法と言えます。
+一般的なソフトウェアのテストでは、アプリケーションに対して、利用者がおこなう行動を予想してテストを行います。同様に、利用者が入力する可能性のあるプロンプトを、様々なテスト・ケースを用意して実行すると、潜在的な問題を事前に発見できる可能性があります。
 
 スタートアップが教育関連の製品を実装しているので、教育関連のプロンプトのリストを準備すると良いでしょう。これには、特定の科目、歴史的事実、学生生活に関するプロンプトなどが含まれるかもしれません。
 
 ### 潜在的な危害の軽減
 
-AI モデルとその出力によって引き起こされる、潜在的な害を防ぐ、または抑制する方法を探る時が来ました。これを4つの異なるレイヤーで考えます。
+AI モデルとその出力によって引き起こされる、潜在的な問題を防ぐ、または抑制する方法を探る時が来ました。これを4つの異なるレイヤーで考えます。
 
 ![Mitigation Layers](../../images/mitigation-layers.png?WT.mc_id=academic-105485-yoterada)
 
@@ -99,11 +103,14 @@ AI モデルとその出力によって引き起こされる、潜在的な害
 
 - **メタ・プロンプト** メタ・プロンプトやグラウンディングといった手法を使って、モデルの行動や情報を特定の方向に誘導したり制限することができます。これはシステム入力を使って、モデルに対して特定の制限を定義します。また、システムのスコープや領域に合った、より適切な結果を出力することもできます。
 
+    > 訳者追記：  
+    > グラウンディングの詳細は、[こちらの記事](https://techcommunity.microsoft.com/t5/fasttrack-for-azure/grounding-llms/ba-p/3843857)をご参照ください。
+
     Retrieval Augmented Generation（RAG）のような技術を使って、モデルが信頼できる情報源からのみ情報を引き出すようにすることもできます。このコースの後半で、検索アプリケーションの構築に関するレッスンもあります。
 
-- **ユーザーエクスペリエンス** 最後のレイヤーは、ユーザ・インターフェースです。利用者はどのような形であれ、アプリケーションが提供するインターフェイスを利用してモデルと直接やりとりを行います。このように UI/UX を設計し、モデルに送信する入力の種類やユーザーで表示されるテキストや画像を制限することができます。AI　アプリケーションをデプロイする際、生成 AI アプリケーションができることと、できないことについて透明性を持って伝える必要があります。
+- **ユーザー・エクスペリエンス** 最後のレイヤーは、ユーザ・インターフェースです。利用者はどのような形であれ、アプリケーションが提供するインターフェイスを利用してモデルとやりとりを行います。このように UI/UX を設計し、モデルに送信する入力の種類やユーザーで表示されるテキストや画像を制限することができます。AI　アプリケーションをデプロイする際、生成 AI アプリケーションができることと、できないことについて透明性を持って伝える必要があります。
 
-    [AI アプリケーションの UX デザイン](../../../12-designing-ux-for-ai-applications/README.md?WT.mc_id=academic-105485-yoterada)に特化したレッスンがあります。
+    本レッスンの最終章に「[12. AI アプリケーションの UX デザイン](../../../12-designing-ux-for-ai-applications/translations/ja-jp/README.md?WT.mc_id=academic-105485-yoterada)」に特化したレッスンがあります。
 
 - **モデルを評価** 大規模言語モデル（LLMs）は、そのモデルがどのようなデータを使って学習されたのかを完全に把握することができないため、扱うのが難しい場合があります。それでもなお、モデルの性能や出力は常に検証すべきです。特に出力の正確性、類似性、根拠の正しさ、関連性を評価することは重要です。これにより、利害関係者や利用者に透明性と信頼性を提供することができます。