オレとChatGPT (original) (raw)

*1

人型や動物型の汎用家事ロボットについて、LLM Chat 達に質問してみました。

オレ

質問1

人型、もしくは動物型の汎用家事ロボットが高価であるとしても一般に市販されるのは何時頃だと予想しますか。

質問2

最初のモデルが発表され、現在の価格で数千万円程度で購入可能になる時期を予測して下さい。

質問3

その後、価格がこなれ、ある程度余裕のある人が購入可能な数百万円程度のモデルが出る時期も予測して下さい。

質問3 に対する回答

ChatGPT 4o

価格がこなれ、ある程度余裕のある人が購入可能な数百万円程度の人型または動物型の汎用家事ロボットが登場する時期については、以下の要因を考慮して予測します。

1. 価格の低下と普及:
   • 高度な技術が開発されると、通常はその技術が広く普及する過程でコスト削減が進みます。特にロボットの製造技術、AIソフトウェアの成熟、量産効果などが価格低下に寄与します。
   • 最初の高価なモデルが登場した後、数年から10年程度で価格が下がり始め、より多くの人々が購入可能な価格帯に移行していくと考えられます。
2. 市場の拡大:
   • 最初にロボットを購入した高所得層からのフィードバックや実際の使用データが集まることで、次世代モデルの開発が進みます。その結果、性能が向上しつつ、価格が下がるサイクルが加速します。
3. 予測される時期:
   • 最初の数千万円モデルが2030年代半ばに登場したと仮定すると、価格がこなれて数百万円程度のモデルが市場に出るのは、2040年代初頭から中頃になると予想されます。この時期には、技術が成熟し、量産が進むことで価格が下がり、家庭用としての普及が進むと考えられます。
   • 例えば、2045年頃には、比較的裕福な家庭が数百万円で購入できる汎用家事ロボットが市場に登場し始め、普及が進む段階に入ると考えられます。

この予測は、技術革新や経済状況、社会的受容度などに影響されるため、ある程度の幅を持って考慮する必要がありますが、2040年代が価格のこなれたモデルの登場時期として現実的です。

perplexity

人型や動物型の汎用家事ロボットが、数百万円程度で購入可能になる時期についての予測は、技術の進歩と市場の成長に依存します。現在の家庭用ロボット市場は急速に成長しており、2031年までに市場規模が245億米ドルに達すると予測されています[1]。この成長は、AIやロボティクス技術の進化に伴い、価格の低下を促進すると考えられます。

市場の成長率を考慮すると、家庭用ロボットの価格が下がり、数百万円程度で購入可能になるのは、2030年代の後半から2040年代初頭になる可能性があります。これは、技術の進化により製造コストが低下し、より多くの消費者が手に入れやすくなるためです[2][3]。

また、技術革新や市場競争が進むことで、価格がさらに下がる可能性もあります。特にAIや機械学習の進化が加速することで、ロボットの性能が向上し、より多機能でコストパフォーマンスの良いモデルが登場することが期待されます[7]。

Citations:

• [1] https://www.databridgemarketresearch.com/jp/reports/global-household-robots-market
• [2] https://www.mordorintelligence.com/ja/industry-reports/household-robots-market
• [3] https://straitsresearch.com/jp/report/household-robots-market
• [4] https://ipsj.ixsq.nii.ac.jp/ej/?action=repository_action_common_download&attribute_id=1&file_no=1&item_id=190450&item_no=1
• [5] https://smart-factory.funaisoken.co.jp/231212/
• [6] https://www.gii.co.jp/report/ires1470464-household-robot-market-by-component-product.html
• [7] https://robot-fun.com/column/5471
• [8] https://crirc.jp/jigyonaiyou/research/jishu/pdf/service.pdf
• [9] https://toyokeizai.net/articles/-/256102?display=b

Gemini Advanced

数千万円程度の初期モデルが登場した後、価格がこなれて、ある程度余裕のある人が購入可能な数百万円程度のモデルが登場する時期は、2040年代前半と予測します。

この予測は、以下の要素に基づいています。

• 技術の成熟と量産効果: 初期モデルの登場後、技術はさらに成熟し、量産効果も相まって製造コストが大幅に削減されるでしょう。これにより、価格が数千万円から数百万円へと下がる可能性があります。
• 市場の拡大: 初期モデルの登場と技術の進歩により、人型ロボットに対する社会的な認知度と受容性が高まります。これにより、市場が拡大し、さらなるコスト削減につながるでしょう。
• 競争の激化: 人型ロボット市場には、多くの企業が参入する可能性があります。競争が激化することで、価格競争が促進され、より手頃な価格のモデルが登場するでしょう。

ただし、以下の点も考慮する必要があります。

• 技術的な課題: 高度なAI技術や複雑な動作の実現など、技術的な課題が残されています。これらの課題を克服し、安全かつ信頼性の高いロボットを開発するには、時間がかかる可能性があります。
• 社会的な受容: 人型ロボットに対する心理的な抵抗感や、雇用への影響など、社会的な課題も存在します。これらの課題が解決され、社会全体で人型ロボットを受け入れるには、時間がかかるかもしれません。

これらの要素を総合的に考慮すると、数千万円程度の初期モデルが登場した後、価格がこなれて数百万円程度のモデルが登場する時期は、2040年代前半頃と予測します。しかし、技術革新のスピードや社会情勢の変化によっては、この予測よりも早い、あるいは遅い時期になる可能性もあります。

Claude

ご質問ありがとうございます。数百万円程度のモデルが登場する時期について予測してみましょう。

数百万円程度の人型または動物型汎用家事ロボットが市場に登場するのは、2035年から2040年頃ではないかと予測します。

この予測の根拠：

1. 技術の成熟：最初の高価格モデルが登場してから、技術の最適化や改良が進むと考えられます。これには通常5-7年程度かかると予想されます。
2. 量産効果：初期モデルの販売後、製造プロセスが改善され、規模の経済が働き始めます。これにより製造コストが大幅に削減される可能性があります。
3. 競争の激化：複数の企業が市場に参入することで、価格競争が起こり、より手頃な価格帯の製品が登場すると予想されます。
4. コンポーネントの汎用化：ロボットの主要部品（センサー、プロセッサ、アクチュエータなど）が汎用化され、コストが下がると考えられます。
5. AI技術の進歩：より効率的なAIアルゴリズムの開発により、必要な計算能力が低下し、ハードウェアコストが抑えられる可能性があります。
6. 消費者の受容度：初期モデルの登場から数年が経過することで、社会全体のロボット受容度が高まり、より広い市場が形成されると予想されます。
7. 規制環境の整備：この時期までには、家庭用ロボットに関する法規制や安全基準が十分に整備され、大量生産と販売が容易になると考えられます。

ただし、以下の点に注意が必要です：

• 技術革新のペースによっては、予測よりも早く或いは遅く実現する可能性があります。
• 経済状況や社会的な要因により、市場の成長速度が変化する可能性があります。
• 地域によって普及の時期や程度に差が出る可能性があります。例えば、技術先進国でまず普及し、その後他の地域に広がっていく可能性があります。

この予測について、さらに詳しい情報や特定の側面についてお知りになりたい点がありましたら、お聞かせください。また、これらの予測が技術や社会に与える影響についても議論できます。

オレ

どうやら生きているうちに家庭用人型ロボットが買える時代が来るようです。

いまからお金を貯めようと思いました。

*1:DALL·E 2024-08-30 ChatGPT 4oによって生成した画像

AI Chat に課金をしているので、サブスクが多くなりすぎたので、Google Colab Pro を解約しました。Google Colab のインターフェースは便利な事も多いので、 今後はローカルランタイムを使っていこうと思い、ChatGPT に次のような質問をしました。

オレ

Google colab をローカルランタイム(Windows WSL) で使用しています。(Python 3.12.3)

venv 環境を使い pip install jupyter で Jupyter Notebook をインストールし

jupyter notebook --NotebookApp.allow_origin='https://colab.research.google.com' --NotebookApp.port_retries=0 --notebook-dir="" --no-browser --allow-root --NotebookApp.token=${TOKEN} --NotebookApp.disable_check_xsrf=True --port=8888

として起動しています。

正常に使えてはいますが、既存の Colab ノートブックを実行する際、ディフォルトでインストールされておらず新たにインストールしなければならないライブラリが多いです。

コンフリクトが起きるため、完全には同じにはできなと思いますが、一般に公開されている Colab ノートブックに近い状態にしたいのでそのための requirements.txt を作成してください。 ない、Bug Fix は取り込みたいので、あまり細かいバージョンまで指定しない方が好みです。

現在の Colab の本来の環境はこうなっています。

python --version Python 3.10.12

pip freeze absl-py==1.4.0 【中略】 zipp==3.20.0

ChatGPT 4o

To create a requirements.txt file that closely matches the Colab environment, here is a general approach that avoids specifying overly detailed versions, aiming to maintain compatibility without causing conflicts:

absl-py 【中略】 zipp

This requirements.txt file includes all the libraries listed in the Colab environment, without specifying the exact versions, allowing you to install the latest compatible versions of each library. This should help you get an environment that's very close to the one in Colab.

You can use this file by running the following command in your local WSL environment:

pip install -r requirements.txt

オレ

途中でエラーが出てインストールできません。

dbus-gmain| Compiler for C supports arguments -Wpointer-sign: YES (cached) dbus-gmain| Compiler for C supports arguments -Wstrict-prototypes: YES (cached) dbus-gmain| Did not find pkg-config by name 'pkg-config' dbus-gmain| Found pkg-config: NO dbus-gmain| Did not find CMake 'cmake' dbus-gmain| Found CMake: NO dbus-gmain| Run-time dependency dbus-1 found: NO

  ../subprojects/dbus-gmain/meson.build:107:11: ERROR: Dependency lookup for dbus-1 with method 'pkgconfig' failed: Pkg-config for machine host machine not found. Giving up.

  A full log can be found at /tmp/pip-install-ndeijvsj/dbus-python_2121a74eb78b4533aed581f1e5d1a404/.mesonpy-1vrofkvp/meson-logs/meson-log.txt
  [end of output]

note: This error originates from a subprocess, and is likely not a problem with pip. error: metadata-generation-failed

× Encountered error while generating package metadata. ╰─> See above for output.

note: This is an issue with the package mentioned above, not pip. hint: See above for details.

ChatGPT 4o

dbus-python など、特定のシステム依存のあるパッケージが問題となっているようです。そこで、インストール時に問題が発生しやすいパッケージを除外した requirements.txt を作成します。このファイルでは、エラーが発生しにくい一般的なライブラリを優先しています。

以下が修正後の requirements.txt です：

absl-py 【中略】 zipp

この requirements.txt は、dbus-python や launchpadlib のようなシステム依存の強いライブラリを除外しています。このファイルを使用して、次のコマンドでパッケージをインストールしてみてください。

pip install -r requirements.txt

オレ

依然として途中でエラーが出てインストールできません。

Collecting google-cloud-translate (from -r requirements2.txt (line 146)) Downloading google_cloud_translate-3.16.0-py2.py3-none-any.whl.metadata (5.3 kB) ERROR: Ignored the following versions that require a different python version: 0.0.1a1 Requires-Python >=3.6, <3.10; 0.0.1a2 Requires-Python >=3.6, <3.10; 0.1.0 Requires-Python >=3.6, <3.10; 0.1.1 Requires-Python >=3.6, <3.10; 0.2.0 Requires-Python >=3.6, <3.10; 0.3.0 Requires-Python >=3.6, <3.11; 0.3.1 Requires-Python >=3.6, <3.11; 0.4.0 Requires-Python >=3.6, <3.11; 1.0.0 Requires-Python >=3.6, <3.11; 1.0.1 Requires-Python >=3.6, <3.11; 1.0.2 Requires-Python >=3.6, <3.11; 1.0.3 Requires-Python >=3.7, <3.11; 2.10.0 Requires-Python >=3.6, <3.10; 2.11.0 Requires-Python >=3.6, <3.10; 2.12.0 Requires-Python >=3.6, <3.10; 2.13.0 Requires-Python >=3.6, <3.10; 2.13.1 Requires-Python >=3.6, <3.10; 2.14.0 Requires-Python >=3.6, <3.10; 2.15.0 Requires-Python >=3.6, <3.10; 2.16.0 Requires-Python >=3.6, <3.10; 2.16.1 Requires-Python >=3.6, <3.10; 2.17.0 Requires-Python >=3.6, <3.10; 2.18.0 Requires-Python >=3.6, <3.10; 2.19.0 Requires-Python >=3.6, <3.10; 2.20.0 Requires-Python >=3.6, <3.10; 2.21.0 Requires-Python >=3.6, <3.10; 2.22.0 Requires-Python >=3.6, <3.10; 2.22.1 Requires-Python >=3.6, <3.10; 2.23.0 Requires-Python >=3.6, <3.10; 2.23.1 Requires-Python >=3.6, <3.10; 2.23.2 Requires-Python >=3.6, <3.10; 2.23.3 Requires-Python >=3.6, <3.10; 2.24.0 Requires-Python >=3.6, <3.10; 2.24.1 Requires-Python >=3.6, <3.10; 2.25.0 Requires-Python >=3.6, <3.10; 2.25.1 Requires-Python >=3.6, <3.10; 2.25.2 Requires-Python >=3.6, <3.10; 2.26.0 Requires-Python >=3.6, <3.10; 2.27.0 Requires-Python >=3.6, <3.10; 2.27.1 Requires-Python >=3.6, <3.10; 2.28.0 Requires-Python >=3.6, <3.10; 2.28.1 Requires-Python >=3.6, <3.10; 2.29.0 Requires-Python >=3.6, <3.10; 2.30.0 Requires-Python >=3.6, <3.11; 2.30.1 Requires-Python >=3.6, <3.11; 2.31.0 Requires-Python >=3.6, <3.11; 2.32.0 Requires-Python >=3.6, <3.11; 2.33.0 Requires-Python >=3.6, <3.11; 2.34.0 Requires-Python >=3.6, <3.11; 2.34.1 Requires-Python >=3.6, <3.11; 2.34.2 Requires-Python >=3.6, <3.11; 2.34.3 Requires-Python >=3.6, <3.11; 2.34.4 Requires-Python >=3.6, <3.11; 2.6.2 Requires-Python >=3.6, <3.9; 2.7.0 Requires-Python >=3.6, <3.10; 2.8.0 Requires-Python >=3.6, <3.10; 2.9.0 Requires-Python >=3.6, <3.10; 3.0.0 Requires-Python >=3.6, <3.11; 3.0.0b1 Requires-Python >=3.6, <3.11; 3.0.1 Requires-Python >=3.6, <3.11; 3.1.0 Requires-Python >=3.6, <3.11; 3.2.0 Requires-Python >=3.6, <3.11; 3.3.0 Requires-Python >=3.7, <3.11; 3.3.1 Requires-Python >=3.7, <3.11; 3.3.2 Requires-Python >=3.7, <3.11; 3.3.3 Requires-Python >=3.7, <3.11; 3.3.5 Requires-Python >=3.7, <3.11; 3.3.6 Requires-Python >=3.7, <3.11 ERROR: Could not find a version that satisfies the requirement google-colab (from versions: none) ERROR: No matching distribution found for google-colab

エラーが出ない範囲で妥協した requirements.txt を作成してください。

なお、ローカル環境なので Google Drive をマウントすることはありません。

ChatGPT 4o

以下の requirements.txt では、ローカル環境でエラーが出やすいライブラリを除外し、Python 3.12 で動作可能なライブラリを中心にリストアップしました。また、Google Drive のマウントは不要とのことなので、google-colab や google-cloud-translate などのライブラリも除外しています。

absl-py 【中略】 zipp

この requirements.txt ファイルでは、依存関係のエラーが発生しにくく、ローカル環境での利用に適したライブラリをリストアップしています。このファイルを使って再度インストールをお試しください。

pip install -r requirements.txt

こうった、エラー結果を貼って修正させて、またそれを使ってという繰り返しを10回移譲した後にやった、エラーの出ない妥協版のrequirements.txt が出来ました。

absl-py accelerate aiohttp aiosignal alabaster albucore albumentations altair annotated-types anyio argon2-cffi argon2-cffi-bindings array_record arviz asn1crypto astropy astropy-iers-data astunparse async-timeout atpublic attrs audioread autograd babel backcall beautifulsoup4 bidict bigframes bleach blinker blis blosc2 bokeh branca build CacheControl cachetools catalogue certifi cffi chardet charset-normalizer chex clarabel click click-plugins cligj cloudpathlib cloudpickle cmake cmdstanpy colorcet colorlover colour community confection cons contextlib2 contourpy cryptography cuda-python cufflinks cupy-cuda12x cvxopt cvxpy cycler cymem Cython dask datascience db-dtypes debugpy decorator defusedxml distributed distro dm-tree docstring_parser docutils dopamine_rl duckdb easydict ecos editdistance eerepr einops entrypoints et-xmlfile etils etuples eval_type_backport exceptiongroup fastai fastcore fastdownload fastjsonschema fastprogress fastrlock filelock fiona firebase-admin Flask flatbuffers flax folium fonttools frozendict frozenlist fsspec future gast gcsfs gdown geemap gensim geocoder geographiclib geopandas geopy gin-config glob2 google-api-core google-api-python-client google-auth google-auth-httplib2 google-auth-oauthlib google-cloud-aiplatform google-cloud-bigquery google-cloud-bigquery-connection google-cloud-bigquery-storage google-cloud-bigtable google-cloud-core google-cloud-datastore google-cloud-firestore google-cloud-functions google-cloud-iam google-cloud-language google-cloud-pubsub google-cloud-resource-manager google-cloud-storage google-cloud-translate google-crc32c google-generativeai google-pasta google-resumable-media googleapis-common-protos googledrivedownloader graphviz greenlet grpc-google-iam-v1 grpcio grpcio-status gspread gspread-dataframe gym gym-notices h5netcdf h5py holidays holoviews html5lib httpimport httplib2 huggingface-hub humanize hyperopt ibis-framework idna imageio imageio-ffmpeg imagesize imbalanced-learn imgaug immutabledict importlib_metadata importlib_resources imutils inflect iniconfig intel-cmplr-lib-ur intel-openmp ipyevents ipyfilechooser ipykernel ipyleaflet ipyparallel ipython ipython-genutils ipython-sql ipytree ipywidgets itsdangerous jax jeepney jellyfish jieba Jinja2 joblib jsonpickle jsonschema jsonschema-specifications jupyter-client jupyter-console jupyter-server jupyter_core jupyterlab_pygments jupyterlab_widgets kaggle kagglehub keras keyring kiwisolver langcodes language_data lazy_loader libclang librosa lightgbm linkify-it-py llvmlite locket logical-unification lxml marisa-trie Markdown markdown-it-py MarkupSafe matplotlib matplotlib-inline matplotlib-venn mdit-py-plugins mdurl miniKanren missingno mistune mizani mkl ml-dtypes mlxtend more-itertools moviepy mpmath msgpack multidict multipledispatch multitasking murmurhash music21 namex natsort nbclassic nbclient nbconvert nbformat nest-asyncio networkx nibabel nltk notebook notebook_shim numba numexpr numpy nvtx oauth2client oauthlib opencv-contrib-python opencv-python opencv-python-headless openpyxl opt-einsum optax optree orbax-checkpoint osqp packaging pandas pandas-datareader pandas-gbq pandas-stubs pandocfilters panel param parso parsy partd pathlib patsy peewee pexpect pickleshare Pillow pip-tools platformdirs plotly plotnine pluggy polars pooch portpicker prefetch_generator preshed prettytable proglog progressbar2 prometheus_client promise prompt_toolkit prophet proto-plus protobuf psycopg2-binary ptyprocess py-cpuinfo py4j pyarrow pyarrow-hotfix pyasn1 pyasn1_modules pycocotools pycparser pydantic pydantic_core pydata-google-auth pydot pydot-ng pydotplus PyDrive PyDrive2 pyerfa pygame Pygments PyJWT pymc pymystem3 pynvjitlink-cu12 PyOpenGL pyOpenSSL pyparsing pyperclip pyproj pyproject_hooks pyshp PySocks pytensor pytest python-box python-dateutil python-louvain python-slugify python-utils pytz pyviz_comms PyYAML pyzmq qdldl ratelim referencing regex requests requests-oauthlib requirements-parser rich rpds-py rsa safetensors scikit-image scikit-learn scipy scooby scs seaborn SecretStorage Send2Trash sentencepiece shapely shellingham simple_parsing six sklearn-pandas smart-open sniffio snowballstemmer snowflake-connector-python sortedcontainers soundfile soupsieve soxr spacy spacy-legacy spacy-loggers Sphinx sphinxcontrib-applehelp sphinxcontrib-devhelp sphinxcontrib-htmlhelp sphinxcontrib-jsmath sphinxcontrib-qthelp sphinxcontrib-serializinghtml SQLAlchemy sqlglot sqlparse srsly stanio statsmodels StrEnum sympy tables tabulate tbb tblib tenacity tensorboard tensorboard-data-server tensorflow tensorflow-datasets tensorflow-hub tensorflow-io-gcs-filesystem tensorflow-metadata tensorflow-probability tensorstore termcolor terminado text-unidecode textblob tf-slim tf_keras thinc threadpoolctl tifffile tinycss2 tokenizers toml tomli tomlkit toolz torch torchaudio torchsummary torchtext torchvision tornado tqdm traitlets traittypes transformers triton tweepy typeguard typer types-pytz types-setuptools typing_extensions tzdata tzlocal uc-micro-py uritemplate urllib3 vega-datasets wadllib wasabi wcwidth weasel webcolors webencodings websocket-client Werkzeug widgetsnbextension wordcloud wrapt xarray xarray-einstats xgboost xlrd xyzservices yarl yellowbrick yfinance zict zipp

この、妥協版 requirements.txt は僕のローカルPCのWSL環境でもインストールできるので、今後はこれを使っていこうと思います。

フルの会話はこちら: https://chatgpt.com/share/da39c73c-89fa-40cc-81d0-100fa3be222e

Gmail にはフィルタという機能があって、来たメールを自動的に分類してくれます。

しかしフィルタは基本的にはメールが来たら自動的に振り分けるように出来ています。

僕の使い方だと、しばらくは受信トレイに残っていて欲しくて、何日か経ったらラベルをつけてアーカイブして欲しいのです。

そこで ChatGPT に次のような指示を出して、Google Apps Script を作ってもらいました。

次のようなスクリプトを作成し、セットアップの仕方も解説してください。

• Google Apps Script です。 V8 ランタイム を使います。
• spreadsheets に binding します。
• Gmail の受信箱で既読のメールをチェックし、件名, 送り主, の両方が指定した物を含み、指定した日数以上経過した物をアーカイブしラベルを付けますます。
• 件名, 送り主, 日数, ラベルは以下のような形式で spreadsheets の "ルール" という名前のシートに記述します。

件名	送り主	日数	ラベル
*	@news.example.com	3	ニュース
お荷物お届け完了	*	2	宅配
週間LLM	llm@mag.example.com	5	メルマガ/LLM

• 件名、送り主のどちらか、又は両方が空ならば、処理しません。
• "" が記入されていれば無条件にマッチします。つまり件名と送り主の両方が "" ならば全てのメールにマッチします。
• ラベルが無ければ上位のラベルも含めて作成します。
• スクリプトは1日1回日本時間の夜中の2時ごろに定期実行します。
• 実行時エラーなどは出来るだけログに残します。
• 定期実行をセットアップする関数も作成してください。
• スクリプトは Google Apps Script の V8 ランタイム で使える限りモダンな機能を使って記述してください。
• スクリプトには日本語で詳細なコメントを付けて下さい。

チャットの内容はこちらです。

https://chatgpt.com/share/56d57819-ed9c-44d1-b2b9-51715850c682

残念ながら、一発では完璧に動くものは出来ず、何回かのやり取りが必要でしたが、それでも以前より良いコードが出てくるようになったと思います。

最終的なコードは以下のようになりました。

/**

• スプレッドシートの "ルール" シートを元に、Gmail で既読のメールをチェックし、

• 条件に合致するメールをアーカイブしてラベルを付けるスクリプト。 */ function archiveAndLabelEmails() { try { const spreadsheet = SpreadsheetApp.getActiveSpreadsheet(); const sheet = spreadsheet.getSheetByName("ルール"); if (!sheet) throw new Error('シート "ルール" が見つかりません。');

  // ルールのデータを2次元配列として取得 const rules = sheet.getDataRange().getValues();

  // 最初の行（ヘッダー）をスキップしてループ for (let i = 1; i < rules.length; i++) { const [subjectRule, senderRule, daysRule, labelName] = rules[i];

  // 件名、送り主が空の場合は処理しない if (!subjectRule || !senderRule) continue;

  // daysRule が数値でない場合は無視 const days = parseInt(daysRule, 10); if (isNaN(days)) continue;

  // 検索クエリを構築 let query = in:inbox is:read older_than:${days}d; if (subjectRule !== '') query += subject:${subjectRule}; if (senderRule !== '') query += from:${senderRule};

  Logger.log(${labelName}: ${query});

  // メールを検索 const threads = GmailApp.search(query);

  // 条件に一致するスレッドに対してアーカイブとラベル付けを実行 threads.forEach(thread => { const label = getOrCreateLabel(labelName); thread.addLabel(label); thread.moveToArchive(); }); }

} catch (error) { Logger.log(エラーが発生しました: ${error.message}); } }

/**

• ラベルを再帰的に取得する。存在しない場合は上位ラベルも含めて作成する。
• @param {string} labelName - ラベル名（"/" を含むとサブラベルとして扱われる）
• @return {GmailLabel} - 作成または取得した GmailLabel オブジェクト */ function getOrCreateLabel(labelName) { const labelParts = labelName.split('/'); let currentLabel = ''; let label = null;

// ラベル名の各部分を順次確認・作成していく for (let i = 0; i < labelParts.length; i++) { if (i > 0) { currentLabel += '/'; } currentLabel += labelParts[i];

label = GmailApp.getUserLabelByName(currentLabel);
if (!label) {
  label = GmailApp.createLabel(currentLabel);
}

} return label; }

/**

• スクリプトを毎日日本時間の2時に実行するトリガーをセットアップする関数。 */ function setupTrigger() { // 既存のトリガーを全て削除してから新しいトリガーをセットアップ deleteTriggers(); ScriptApp.newTrigger('archiveAndLabelEmails') .timeBased() .inTimezone('Asia/Tokyo') .atHour(2) .everyDays(1) .create(); }

/**

• 既存のトリガーを全て削除する関数。 */ function deleteTriggers() { const triggers = ScriptApp.getProjectTriggers(); triggers.forEach(trigger => ScriptApp.deleteTrigger(trigger)); }

中島聡さんのメルマガ 週刊 Life is beautiful *1 にGPTに代表されるLLMには『世界モデル』が構築されていないので、『「引く」と書いてあるドアを反対側から押すとどうなるか』という問題に答えられないと書かれていて興味深いので、やってみました。

ChatGPT

俺

「引く」と書いてあるドアを反対側から押すとどうなるか

GPT-4o

「引く」と書いてあるドアを反対側から押すと、そのドアは通常開かないことが多いです。ドアの構造上、引く方向にしか動かないようになっているため、押しても動かず、開かない場合がほとんどです。ただし、ドアの種類によっては、両方向に開くドアもありますが、基本的には引くと書いてあるドアは押しても開かないように設計されています。

俺

間違っています。反対側から力を加える事により、押す、引くのベクトルが逆向きになることを考えて下さい。

GPT-4o

おっしゃる通りですね。ドアの「引く」という指示は、特定の側から見たときに引くべき方向を示しています。そのため、反対側から押すと、結果的には「引く」動作と同じになります。

例えば、ドアが「引く」と書かれている側の反対側に立っている場合、そのドアを押すことで実際には「引く」方向に力を加えることになり、ドアは開きます。これは、力の方向がドアの動きに対して正しい方向にかかるためです。

要するに、「引く」と書いてあるドアを反対側から押すと、ドアは開くということになります。ご指摘ありがとうございます。

perplexity (PRO ディフォルト)

俺

「引く」と書いてあるドアを反対側から押すとどうなるか

perplexity

ドアに「引く」と書かれている場合、そのドアは通常、手前に引いて開けることを意図しています。しかし、反対側からそのドアを「押す」ことを試みると、いくつかのことが起こる可能性があります。

1. ドアが開かない: 多くの場合、ドアは片側からしか開かないように設計されています。したがって、「引く」と書かれた側の反対側から押しても、ドアは開かない可能性があります。この場合、ドアのヒンジやラッチがその方向に動くことを許さないためです[1][4]。
2. ドアが開くが、損傷のリスクがある: もしドアが反対側から押しても開く場合、それはドアやその周辺の構造に損傷を与える可能性があります。ドアの設計や取り付け方法によっては、無理に押すことでヒンジやラッチが壊れることがあります[4][5]。
3. 安全性の問題: 特に公共の場や緊急出口などでは、ドアの開閉方向は安全性を考慮して設計されています。誤った方向に力を加えることで、緊急時に迅速な避難ができなくなる可能性があります[7]。

このように、ドアの開閉方向は設計上の理由や安全性を考慮して決められているため、指示に従って正しい方向に操作することが重要です。

Citations: [1] https://www.sugita-ace.co.jp/column/2012/entry307.html [2] https://stretchex.jp/5418 [3] https://www.youtube.com/watch?v=kyxNTUPKO1s- [4] https://www.mhlw.go.jp/content/12300000/000620595.pdf [5] https://www.sugita-ace.co.jp/column/2012/entry372.html [6] https://www.tv-asahi.co.jp/doraemon/tool/a.html [7] https://detail.chiebukuro.yahoo.co.jp/qa/question_detail/q148979239 [8] https://www.npa.go.jp/koutsuu/kikaku/kyousoku/index.htm

俺

間違っています。反対側から力を加える事により、押す、引くのベクトルが逆向きになることを考えて下さい。

perplexity

ドアに「引く」と書かれている場合、通常はその方向に力を加えることでドアが開きます。しかし、反対側から押すとどうなるかを物理的に考えると、力のベクトルが逆向きになるため、以下のような状況が考えられます。

1. 力のベクトルの合成: ドアを押す力と引く力は反対方向に働きます。例えば、押す力が50Nで、引く力も50Nであれば、これらの力は互いに打ち消し合い、ドアにかかる合力はゼロになります。実際の計算では、ドアの質量が10kgの場合、加速度もゼロとなり、ドアは動かないことになります。
2. ドアの構造と動き: ドアが片側からしか開かないように設計されている場合、反対側から押してもドアは開かないことが多いです。これは、ヒンジやラッチの構造がその方向に動くことを許していないためです。
3. 実際の影響: 理論的には力が打ち消されるためドアは動かないことになりますが、実際にはドアの構造や取り付け方によっては、無理に押すことでドアやヒンジに損傷を与える可能性があります。

このように、反対側から力を加えることで力のベクトルが逆向きになり、結果的にドアが動かないという結論になります。力を加える方向とドアの設計に従って操作することが重要です。

Citations: [1] https://www.wolframalpha.com/input?input=%E3%83%89%E3%82%A2%E3%82%92%E6%8A%BC%E3%81%99%E5%A0%B4%E5%90%88%E3%81%AE%E5%8A%9B%E3%81%AE%E3%83%99%E3%82%AF%E3%83%88%E3%83%AB%E3%81%AE%E5%90%88%E6%88%90%E3%81%AB%E3%81%A4%E3%81%84%E3%81%A6 [2] https://www.wolframalpha.com/input?input=%E5%8F%8D%E5%AF%BE%E5%81%B4%E3%81%8B%E3%82%89%E6%8A%BC%E3%81%97%E3%81%9F%E5%A0%B4%E5%90%88%E3%81%AE%E5%8A%9B%E3%81%AE%E5%BC%8F [3] https://www.wolframalpha.com/input?input=%E3%83%89%E3%82%A2%E3%81%AB%E3%81%8B%E3%81%8B%E3%82%8B%E5%90%88%E5%8A%9B%E3%81%AE%E3%83%99%E3%82%AF%E3%83%88%E3%83%AB

俺

ちがいます。ドアの「引く」という指示は、特定の側から見たときに引くべき方向を示しています。そのため、反対側から押すと、結果的には「引く」動作と同じになります。

perplexity

その通りです。「引く」と書かれているドアは、特定の側から見たときにその方向に引くことを意味しています。したがって、反対側から見ると、その方向に「押す」ことが「引く」動作と同じになります。つまり、ドアの片側から引く動作は、反対側から見ると押す動作に相当します。

具体的には、ドアの一方の側で「引く」動作を行うと、ドアはその側に向かって開きます。反対側から見ると、同じ方向にドアが開くためには「押す」動作をすることになります。したがって、ドアの開閉方向は、見る側によって異なりますが、実際の動きは同じです。これは、ドアの設計が両側からの操作を考慮している場合に限ります。

Gemini Advanced (Gemini 1.5 Pro)

俺

「引く」と書いてあるドアを反対側から押すとどうなるか

Gemini Advanced

「引く」と書いてあるドアを反対側から押すと、ドアは開かないでしょう。

ドアに「引く」と書いてあるのは、そのドアが手前に引いて開けるタイプであることを示しています。反対側から押しても、ドアの構造上、開く方向とは逆の力をかけることになるため、ドアは動きません。

俺

間違っています。反対側から力を加える事により、押す、引くのベクトルが逆向きになることを考えて下さい。

Gemini Advanced

失礼いたしました。ご指摘の通りです。

「引く」と書いてあるドアを反対側から力を加えると、確かに押す、引くのベクトルが逆向きになります。

したがって、ドアは開く可能性があります。

ただし、いくつかの要素が影響する可能性があります。

• ドアの構造: 一部のドアは、蝶番やロックの仕組み上、反対側から押しても開かないように設計されている場合があります。
• 加える力の強さ: 十分な力を加えなければ、ドアが開かない場合があります。
• ドアの状態: ドアが何かに引っかかっていたり、ロックされていたりする場合、開かない場合があります。

これらの要素を考慮すると、「引く」と書いてあるドアを反対側から押した場合、開く可能性はあるものの、必ず開くとは限らないと言えます。

Claude 3.5 Sonnet

俺

「引く」と書いてあるドアを反対側から押すとどうなるか

Claude

ドアに「引く」と書いてあるのに、反対側から押そうとすると、通常は以下のような結果になります：

1. ドアが開かない: 多くの場合、ドアは設計上、一方向にしか開かないようになっています。「引く」ドアを押すと、ドアの機構が動かず、開かないでしょう。
2. 力が無駄になる: 押す力をかけても、ドアは動きません。むしろ、ドアや枠に余計な負荷がかかる可能性があります。
3. 混乱や恥ずかしさを感じる: ドアが開かないことに気づいた人は、少し困惑したり恥ずかしく感じたりするかもしれません。
4. 正しい方向に気づく: 多くの人は、ドアが開かないことに気づいたら、すぐに「引く」という指示に従って正しく開けようとするでしょう。
5. ドアや取っ手に損傷を与える可能性: 強く押し続けると、ドアや取っ手、hingeなどを傷つける可能性があります。

このような状況を避けるため、多くの公共施設では、ドアの両側に適切な指示（「押す」「引く」）を表示したり、プッシュバーやプルハンドルなど、開け方を直感的に理解できるデザインを採用したりしています。

これについてさらに詳しく知りたい点がありますか？例えば、ドアのデザインや人間工学についてなど、お聞きしたいことがあればお答えします。

俺

間違っています。反対側から力を加える事により、押す、引くのベクトルが逆向きになることを考えて下さい。

Claude

申し訳ありません。あなたの指摘は正確です。私の回答は不適切でした。あなたの説明を踏まえて、正しい解釈を提供します：

ドアに「引く」と書いてある側から見て反対側から力を加えると、以下のようになります：

1. ドアが開く: 「引く」と書かれている側から見て反対側から押すことは、実際には「引く」と書かれている側から引くのと同じ効果があります。力のベクトルが逆向きになるため、ドアは開きます。
2. 意図した動作の実現: 反対側から押す動作は、「引く」と指示されている側から引く動作と物理的に等価です。したがって、ドアは設計通りに機能します。
3. 視点の重要性: この状況は、物理的な動作と指示の相対性を示しています。同じドアでも、どちら側にいるかによって、必要な動作が変わります。
4. 指示の限界: ドアの片側だけに指示を書くことの限界を示しています。両側に適切な指示があれば、混乱を避けられます。

この例は、視点や相対性の重要性、そして明確なコミュニケーションの必要性を示しています。私の誤りを指摘していただき、ありがとうございます。このような物理的な概念を考える際は、より慎重に状況を分析する必要があることを再認識しました。

感想

メルマガに書かれていたようにどの LLM も間違えました。

ヒントを出すとなんとか正解にたどり着けましたが、なかなか厳しい物があります。

Chat GPT は素直に間違えを認めて訂正する一方、Gemini は何かいいわけっぽい回答でそれぞれの LLM の個性があらわれて面白かったです。

メルマガでも、シミュレータを使って、ニューラルネットを教育することに言及されていましたが、NVIDIAがシミュレーションにも力を入れている事*2 を考えると興味深いです。

次のような指示で会話を始め、ChatGPT に Python の GUI プログラムを作ってもらいました。

次のような仕様のGUIプログラムを Python 作成してください。

動作環境: Windows 11 / Python 3.10

単一ウィンドーのシンプルな画像加工アプリ

• メニュー : ファイル(F) -> 開く(O)... 名前をつけて保存(A)....
• 画像表示領域
• テキスト一行入力
• 数値入力欄(幅入力)
• テキスト色選択ボタン
• テキスト位置選択ラジオボタン 上、下
• ファイルを開く(F) を選ぶとファイル読み込みダイアログが表示され画像を読み込み、画像表示領域に表示する
• 表示上は画像領域に収まるように拡大縮小される。
• 開いた画像に入力されているテキストが描きこまれる。
• テキストを変更すると描きこまれているテキストも変化する。
• テキストの大きさは、画像の横幅に応じて表示可能で最大となるように変化する。
• ただしテキストの上下左右に半文字分程度のマージンがあるものとする。
• テキスト色選択ボタンを押すとカラーピッカーが表示され選んだ色にテキスト色が変わる。
• テキスト位置選択ラジオボタンで上を選択すると画像の最上部に、下を選択すると最下部にテキストが描かれる。
• 名前を付けて保存を(A)... を選ぶとファイル保存ダイアログが表示され、ファイルを保存することができる。この時画像は縦横比を保ったまま、数値入力欄(幅入力)で指定したサイズにリサイズする。

以上ですが、他に作成するのに必要な情報があれば質問してください。

• 会話の全文はこちら:https://chat.openai.com/share/23febaad-b720-422a-88cd-5b2aaf6863e3
• つくってもらったプログラムに数行だけ手を加えたものはこちら:https://gist.github.com/HiroshiOkada/3ae65f399ffbcc09ec4bf0626a19e57d

自分では Python のプログラムはそれなりに書いていますが、GUI を伴ったものは殆ど作った事がありませんでした。多少問題はありますが、明らかに自分で全部書くよりは早いです。

感想

• いきなり完成形のものを提示されるのではなく、徐々に作っていくのが Chat というインターフェースに合っているとおもいました。特に GUI プログラムだと途中まで実装してから仕様変更したい所が出てくるのでより Chat 向きだと思いました。
• エラーが出た時は、ChatGPT にそのエラーを伝えるだけではなく、Google でそのエラーを検索しそこで得た情報を ChatGPT にフィードバックするのも有効でした。やはり未だ Google 検索も必要です。

オレ:

BeautifulSoup を使って HTML の

で表したデータをPython の List の List に変換する関数を作成してください。

• <td> もしくは <th> で囲まれた中身だけをデータとします。中身は get_text(strip=True) で取得する事とします。
• colspan と rowspan を処理します例えば

は

[[10, None, 20][None, None, 30][40, 50, 60]]

のようなデータに変換されます。

ChatGPT:GPT-4

BeautifulSoupを使用してHTMLの<table>をPythonのListのListに変換する関数を作成します。この関数は、<td>や<th>タグの中身を取得し、colspanおよびrowspan属性を考慮します。以下にPythonコードを示します。

from bs4 import BeautifulSoup

def table_to_list(html):

soup = BeautifulSoup(html, 'html.parser')


table = soup.find('table')


result = []


rowspans = []


for row in table.find_all('tr'):
    
    current_row = []
    
    cell_index = 0
    
    
    for r in rowspans:
        current_row.append(None)
        cell_index += 1
        r[1] -= 1
        if r[1] == 0:
            rowspans.remove(r)
            
    
    for cell in row.find_all(['td', 'th']):
        
        rowspan = int(cell.get('rowspan', 1))
        colspan = int(cell.get('colspan', 1))
        
        
        text = cell.get_text(strip=True)
        
        
        if rowspan > 1:
            rowspans.append([cell_index, rowspan-1])
            
        
        for i in range(colspan):
            current_row.append(text if i == 0 else None)
            cell_index += 1
            
    
    result.append(current_row)

return result

html = """

print(table_to_list(html))

このコードは、HTMLテーブルを解析し、<td>および<th>タグの中身を取得してPythonのリストに変換します。また、colspanおよびrowspan属性を適切に処理します。

オレ:

上記のコードは例えば次のような table を正しく処理できません。

rowspan, colspan がある場合 2次元的にどのセルが使用されているかを記録して判定する必要があります。

ChatGPT:GPT-4

おっしゃる通りです。rowspanとcolspanの属性を考慮して、2次元配列でどのセルが使用されているかを記録する必要があります。これにより、テーブル内の各セルが正確に配置されます。 以下は、この考慮を含めた改良された関数です:

from bs4 import BeautifulSoup

def table_to_list(html):

soup = BeautifulSoup(html, 'html.parser')


table = soup.find('table')


result = []


for i, row in enumerate(table.find_all('tr')):
    
    while len(result) <= i:
        result.append([])
    
    
    cell_index = 0
    
    
    for cell in row.find_all(['td', 'th']):
        
        rowspan = int(cell.get('rowspan', 1))
        colspan = int(cell.get('colspan', 1))
        
        
        text = cell.get_text(strip=True)
        
        
        while len(result[i]) > cell_index and result[i][cell_index] is not None:
            cell_index += 1
        
        
        for r in range(rowspan):
            for c in range(colspan):
                row_idx = i + r
                col_idx = cell_index + c
                
                
                while len(result) <= row_idx:
                    result.append([])
                
                
                while len(result[row_idx]) <= col_idx:
                    result[row_idx].append(None)
                
                
                result[row_idx][col_idx] = text if r == 0 and c == 0 else None
        
        
        cell_index += 1

return result

html = """

print(table_to_list(html))

このコードでは、テーブル内の各セルの位置を2次元配列で記録し、rowspanおよびcolspan属性を考慮して適切に配置します。

オレ:

これはダメでです。一行目の <tr><td rowspan="2">10</td><td>20</td><td rowspan="2">30</td></tr> を処理した後、 result は '10', '20', '30'], [None, None, None]] となります。後に値を入れる事ができる場所と値を入れられない場所が区別されません。 値を入れられる場所と入れらい場所は区別する必要があります。幸いデータはテキスト型のみなので、テキストでなく None でもなり値を使えば区別できます。

ChatGPT:GPT-4

確かに、区別するために特別な値を使用する必要があります。Noneは値が存在しないことを示すため、異なるマーカーを使用して、セルが使用不可であることを示します。以下は、この考慮を含めた改良された関数です:

from bs4 import BeautifulSoup

def table_to_list(html):

soup = BeautifulSoup(html, 'html.parser')


table = soup.find('table')


result = []


unavailable = object()


for i, row in enumerate(table.find_all('tr')):
    
    while len(result) <= i:
        result.append([])
    
    
    cell_index = 0
    
    
    for cell in row.find_all(['td', 'th']):
        
        rowspan = int(cell.get('rowspan', 1))
        colspan = int(cell.get('colspan', 1))
        
        
        text = cell.get_text(strip=True)
        
        
        while len(result[i]) > cell_index and result[i][cell_index] in (unavailable, None):
            cell_index += 1
        
        
        for r in range(rowspan):
            for c in range(colspan):
                row_idx = i + r
                col_idx = cell_index + c
                
                
                while len(result) <= row_idx:
                    result.append([])
                
                
                while len(result[row_idx]) <= col_idx:
                    result[row_idx].append(None)
                
                
                result[row_idx][col_idx] = text if r == 0 and c == 0 else unavailable
        
        
        cell_index += 1


for row in result:
    for i, cell in enumerate(row):
        if cell is unavailable:
            row[i] = None

return result

html = """

print(table_to_list(html))

このコードでは、unavailableという特別なマーカーを使用して、セルが使用不可であることを示します。これにより、Noneと使用不可のセルを区別することができます。関数の最後で、このマーカーをNoneに置き換えて最終的な結果を得ます。 これにより、rowspanおよびcolspan属性を持つテーブルを正確に処理することができます。

オレ:

ここの部分がおかしいです。せっかく unavailable を用意したのに None までスキップしています。 None はスキップする必要は無いです。

使用中または使用不可のセルをスキップする

while len(result[i]) > cell_index and result[i][cell_index] in (unavailable, None): cell_index += 1

ChatGPT:GPT-4

ごめんなさい、おっしゃる通りです。Noneをスキップする必要はありません。以下は修正されたコードです。

from bs4 import BeautifulSoup

def table_to_list(html):

soup = BeautifulSoup(html, 'html.parser')


table = soup.find('table')


result = []


unavailable = object()


for i, row in enumerate(table.find_all('tr')):
    
    while len(result) <= i:
        result.append([])
    
    
    cell_index = 0
    
    
    for cell in row.find_all(['td', 'th']):
        
        rowspan = int(cell.get('rowspan', 1))
        colspan = int(cell.get('colspan', 1))
        
        
        text = cell.get_text(strip=True)
        
        
        while len(result[i]) > cell_index and result[i][cell_index] == unavailable:
            cell_index += 1
        
        
        for r in range(rowspan):
            for c in range(colspan):
                row_idx = i + r
                col_idx = cell_index + c
                
                
                while len(result) <= row_idx:
                    result.append([])
                
                
                while len(result[row_idx]) <= col_idx:
                    result[row_idx].append(None)
                
                
                result[row_idx][col_idx] = text if r == 0 and c == 0 else unavailable
        
        
        cell_index += 1


for row in result:
    for i, cell in enumerate(row):
        if cell is unavailable:
            row[i] = None

return result

html = """

print(table_to_list(html))

上記の修正では、Noneはスキップせず、unavailableマーカーがある場所のみをスキップしています。これにより、rowspanおよびcolspan属性を持つテーブルのセルを正確に処理することができます。 この修正により、Noneは使用可能なセルを示すために使用され、unavailableマーカーはrowspanまたはcolspan属性によって占有されたセルを示します。関数の最後で、unavailableマーカーをNoneに置き換えることで、最終的なリストが完成します。

感想

まだ、細かい部分や場合によっては正しく処理できない気がしますが、当面の用は足りるのでここで終わりとしました。

pandas の read_html で

みたいなテーブルを読むと [[10, 10, 20][10, 10, 30][40, 50, 60]] のようになります。これはこれで有用なのですが、欲しかったのは [[10, None, 20][None, None, 30][40, 50, 60]] なので自前で実装したかのですが。めんどくさいのでChatGPT に手伝ってもらいました。

結果リテイクに手間が取られて自分で実装するのと比較して微妙なのですが、やる気が出ない時は役立ちます。

ちなみに後で Bard と Bing にリテイクなしで聞いてみましたが、Bing は colspan rowspan を全く無視した回答、Bingもあまり役立つコードでは無かったです。

先日、OpenAI から発表された function calling という機能は一部では神アップデートと呼ばれている見ようですが。*1 オレもその通りだと思います。

これは ChatGPT を API 経由で使うときに使える機能なのですが、 こういう関数があるよ、引数はこうしてね ChatGPT に伝えておくと、ChatGPT が必要に応じて、その関数を引数付きで呼び出してね、という応答を返してくるものです。

いままでは ChatGPT の API を使って何かしようとすると、ChatGPT のメッセージ自体を解析するとか、あまり安定的でない方法を取らなくてはいけなかったのですが、これを使うと明示的に関数と引数を JSON で返してくれるので安定した処理をすることが出来ます。

Open AI のガイドによると

In an API call, you can describe functions to gpt-3.5-turbo-0613 and gpt-4-0613, and have the model intelligently choose to output a JSON object containing arguments to call those functions. The Chat Completions API does not call the function; instead, the model generates JSON that you can use to call the function in your code.

The latest models (gpt-3.5-turbo-0613 and gpt-4-0613) have been fine-tuned to both detect when a function should to be called (depending on the input) and to respond with JSON that adheres to the function signature. With this capability also comes potential risks. We strongly recommend building in user confirmation flows before taking actions that impact the world on behalf of users (sending an email, posting something online, making a purchase, etc).

ℹ️ Under the hood, functions are injected into the system message in a syntax the model has been trained on. This means functions count against the model's context limit and are billed as input tokens. If running into context limits, we suggest limiting the number of functions or the length of documentation you provide for function parameters.

Function calling allows you to more reliably get structured data back from the model. For example, you can:

• Create chatbots that answer questions by calling external APIs (e.g. like ChatGPT Plugins)
  • e.g. define functions like send_email(to: string, body: string), or get_current_weather(location: string, unit: 'celsius' | 'fahrenheit')
• Convert natural language into API calls
  • e.g. convert "Who are my top customers?" to get_customers(min_revenue: int, created_before: string, limit: int)and call your internal API
• Extract structured data from text
  • e.g. define a function called extract_data(name: string, birthday: string), or sql_query(query: string) ...and much more!

API呼び出しでは、gpt-3.5-turbo-0613およびgpt-4-0613に関数を記述し、モデルがインテリジェントにそれらの関数を呼び出すための引数を含むJSONオブジェクトを出力するよう選択できます。チャットコンプリーションAPIは関数を呼び出さない代わりに、コードで関数を呼び出すために使用できるJSONをモデルを生成します。

最新のモデル（gpt-3.5-turbo-0613およびgpt-4-0613）は、関数が呼び出されるべき場合（入力に応じて）を検出し、関数シグネチャに準拠したJSONで応答するように微調整されています。この機能には潜在的なリスクが伴います。ユーザーに代わって世界に影響を与える行動を取る前に（メールを送信する、オンラインに投稿する、購入するなど）、ユーザーの確認フローを組み込むことを強くお勧めします。

ℹ️ 内部的には、関数はモデルが学習された構文でシステムメッセージに注入されます。これは、関数がモデルのコンテキスト制限に対してカウントされ、入力トークンとして請求されることを意味します。コンテキスト制限に遭遇した場合は、関数の数や関数のパラメータに対するドキュメントの長さを制限することをお勧めします。

関数の呼び出しにより、モデルからより確実に構造化データを取得できます。例えば、次のことができます。

• 外部APIを呼び出して質問に答えるチャットボットを作成する（例： ChatGPTプラグインのような）
  • 例： send_email(to: string, body: string)、get_current_weather(location: string, unit: 'celsius' | 'fahrenheit')のような関数を定義
• 自然言語をAPI呼び出しに変換する
  • 例:「トップの顧客は誰ですか？」を get_customers(min_revenue: int, created_before: string, limit: int)に変換して、内部APIを呼び出す
• テキストから構造化データを抽出する
  • 例：extract_data(name: string, birthday: string)やsql_query(query: string)という関数を定義する ...など、さらに多くのことができます！

https://platform.openai.com/docs/guides/gpt/function-calling

との事です。

使い方については OpenAI がサンプルの ipynb を公開してくれていますが、少しわかりにくかったので日本語に翻訳し、コメントを追加し、少し修正したものを作成しました。

なお、この文書の翻訳のほとんどは

Python スクリプトに日本語コメントをつける作業をおねがいします。文字列中の英語にも日本語コメントをつけてください。
最初に例を示します。(コメントは過剰になりすぎないようにしてください)

元のスクリプト

def add_and_print(a, b): """"""Add the two numbers a and b and print the result."""""" t = a + b print(f""Adding {a} and {b} gives the total {n}"")

日本語コメントを追加したスクリプト

def add_and_print(a, b): """"""Add the two numbers a and b and print the result."""""" # 2つの数字a、bを足して結果を表示する。 t = a + b print(f""Adding {a} and {b} gives the total {n}"") # {a}と{b}を足すと、合計{n}になります。

それではお願いします。

元のスクリプト

【ここに翻訳するPythonスクリプトを挿入】

とか

文字列の中身も含めて日本語に翻訳して下さい、ただし MarkDown 記法や記号、URL はそのままにしてください。解説は不要です。

【ここに翻訳するMarkDownを挿入】

みたいなテンプレートを作って ChatGPT の API で GPT-4 モデルを呼び出して行いました。

引用をストックできませんでした。再度お試しください

限定公開記事のため引用できません。