OpenAI DevDay日本最速レポ!GPT-4 Turbo、GPTs、Assistants APIとは?ChatGPT最新情報徹底解説

OpenAI-DevDay GPT-4-Turbo GPT Assistant-API ChatGPT

日本時間11月7日午前3時に、OpenAI初の公式イベントであるOpenAI DevDayが開催されました。

現地サンフランシスコ開催だったため、現地参加はできませんでしたが、Youtubeのライブ配信をリアルタイムで見ていました。

今回の記事では、OpenAI DevDayで公開された新情報をまとめました。

Twitter(X)日本語訳

まるでクリスマスイブのような気分だ

OpenAIの創業者であるサムアルトマンがこのように言うくらいなので、とても期待して参加しました!
ぜひ、最後までご覧ください!

なお弊社では、生成AIツール開発についての無料相談を承っています。こちらからお気軽にご相談ください。
→無料相談で話を聞いてみる

目次

OpenAI DevDayで公開された新情報一覧

それでは、早速今回のOpneAI DevDayで公開された新情報を紹介していきます!

こちらです!!

  • GPT-4 Turbo
  • GPTs
  • Assistants API
  • APIの新機能

以下で細かく解説していきます。

ちなみに、OpenAI公式が今回のDevDayの内容を記事に出していたので、英語で読みたい方はこちらをご覧ください。

しかし、記事には載っていない、イベント内でしか語られていない情報も載せていますので、合わせて確認していただくことをお勧めします。

New models and developer products announced at DevDay

GPT-4 Turbo

GPT-4 Turboは、新たに公開されるChatGPT APIです。
現状、最も優れたAPIです。

その特徴は6つ。

・Context Length
128,000トークンまでサポート可能。本にすると300ページ分です。しかも、これまでのモデルよりもかなり正確だそう。

・More Control
JSON modeの搭載。jsonファイルを作成してくれるモードだと考えられます。
APIを呼ぶのがもっと簡単になった。また、reproducible outputsという機能も搭載しています。

・Better Knowledge
ほぼリアルタイムの情報にアクセス可能です。現在は、2023年4月までの情報を持っているそうですが、たびたび情報のアップデートを行うようです。

・New Modalities
Dall-e 3、GPT-4、TTSのAPIが利用できるようになります。
TTSについては、会話がよりナチュラルで正確になり、6種類の声を選べるようになりました。
加えて、Whisper v3の発表もされ、こちらもすぐにAPIになる予定だとのこと。

・Customization
GPT-4 finetuningという、ファインチューニングモデルも発表。
ちなみに、16kバージョンの使用は本日開始とのことです。

・Higher Rate Limits
GPT-4を使用できる上限が上げられました。また、個人の使用状況により、上限を上げるリクエストもできるようになりました。
加えて、Copyright Shieldという情報の保護ができる仕組みも構築しているとのこと。

重要なポイントをピックアップして説明していきます。

Better Knowledge

これまで2021年9月までの知識しか無かったのですが、今回のアップデートで2023年4月までの知識にアップデートされました。

既にブラウザ版のChatGPTはすでに2023年4月までのものに拡張されていました。

今後も継続して知識のアップデートをしていくそうです。

Function Callingのアップデート

一つのメッセージで複数の関数を呼び出すことができるようになりました。

例えば、以下の画像のように「車の窓を開けて、エアコンをオフにする」と言う指示の場合、複数のアクションが必要になりますが、これが一度の指示で可能となります。

また、関数を呼び出す精度も向上しているとのことです。

指示応答精度の向上

指定したフォーマットを生成する指示など、より精度の高い指示応答が可能になりました。

JSON mode

新たに搭載されるJSONモードをオンにすることで、入力に有効なJSON形式で応答してくれる機能です。

なお、JSONモードをオンにしているときはJSON形式でしか出力してくれなくなるという制約があります。

詳しくは以下の記事をご覧ください。

text-generation/json-mode

Reproducible Outputs

これまでは、同じモデルに同じ入力を複数回行うと、それぞれ違う出力が出てくることがありましたが、GPT-4 Turboでは、確定的な出力に対する制御を提供しています。

これにより、何度同じ入力をしても、同じ出力が返ってくる確率が大幅に上がり、再現性のある出力が可能になりました。

デバッグの際や高度なアクションをさせるときに便利な機能です。

Log Probabilities

次の数週間でGPT-4 TurboとGPT-3.5 Turboによって生成された出力トークンの対数確率を返す機能も導入する予定です。

これは、検索時におけるオートコンプリートのような機能を構築するのに役立つとのこと。

Finetuning

GPT-4ファインチューニングの実験アクセスプログラムが開始されました。

GPT-4のファインチューニングは、GPT-3.5と比べ多くの作業が必要になるので、GPT-4のファインチューニングモデルへのアクセスは、品質と安全性が向上した段階で、GPT-3.5ファインチューニングモデルを活用している方に提供される予定です。

GPT-3.5 Turboのアップデート

GPT3.5 Turboもアップデートされます。

16Kトークンの読み込みが可能になるだけでなく、すでに記載した「指示応答精度の向上」や「JSON mode」など、GPT-4 Turboと同じ機能が搭載されるとのこと。

GPT-4 Turboの料金体系

GPT-4 Turbo 128Kは

入力トークン:1セント/1,000トークン
出力トークン:3セント/1,000トークン

となりました!

加えて、Gpt-3.5 turboもかなり安くなることが発表されています。

GPT-3.5 Turbo 16Kは

入力トークン:0.1セント/1,000トークン
出力トークン:0.2セント/1,000トークン

となりました!

こちらが料金表です。

詳しくはこちらに載っています。

gpt-4-and-gpt-4-turbo

なお、GPT 4 Turboの詳細を知りたい方はこちらの記事をご覧ください。
【GPT 4 Turbo】OpenAI最強のモデルが公開!128,000トークン入力&マルチモーダル対応

GPTs

それぞれの目的に合わせて、ChatGPTをカスタマイズできるようになる機能です。
つまり、自分自身でAIエージェントを作成できるということですね。何より嬉しいのが、全て自然言語でプログラムできちゃうということです!

GPTsは、現実世界のタスクにも対応しており、例えばデータベースに接続したり、特定の相手にメッセージを送ったりすることもできます。

また、ChatGPT Enterpriseユーザーは、企業内の部署や特定の利用条件に合わせたエージェントを作成できます。

詳しくは、こちらをご覧ください。

Introducing GPTs

デモ

GPTsのデモがありましたので、それも解説します。

まずUIとしては、画面左半分は開発用画面、右半分はプレビュー画面となっています。

開発画面はタブで2つの機能が切り替えられるようになっています。
Create」と「Configure」です。

以下の画像が、実際のデモの画面です。

Create

Configure

開発用画面で開発したものが、即座にプレビュー画面で見れるという使用です。

「Create」はこれまでのChatGPTと同じように会話をする画面となっており、ここで開発を行います。
「Configure」は諸々の設定をする画面で、Web BrowsingやDALL-E 3、Code Interpreterの使用可否を選べたり(複数選択可)ファイルのアップロードができるようになっていたりします。

最初のデモでは、すでに開発されていたGPTsを使用していました。
CanvaとZapierはデフォルトで使用できるようで、Zapierを使ったデモでした。

まず、「What’s on my schedule for today?(今日の予定は?)」と尋ねると、事前に連携してあったGoogle Calenderを参照して自動で時間区切りでその日のスケジュールを教えてくれます。

この時にダブルブッキングしている予定があったらそれも教えてくれていました。

デモでは、Sam Altmanの予定とブッキングしていたので、「サムアルトマンにそれを伝えて」と打ち込むと、自動でサムアルトマンにメッセージが送られました。

Sam Altmanのデモ

次に、Sam Altmanのデモが始まります。

Sam Altmanは実際にGPTsを使ってツールの開発を行いました。
作るツールはこちら。

I want to help startup founder think through their business ideas and get advice, after the founder has gotten some advice. Grill them on why they are not growing faster.

スタートアップ創業者をのビジネスが伸びるように助けることができるようにしたいとのこと。

まず、「Create a GPT」ボタンを押し、先ほどの開発画面に入ります。
会話をしながら内容を詰めていき、ファイルのアップロードをして外部の情報を入力します。

1分ほどで簡単なアプリが完成し、実際に「What are three things to look for when hiring employees at an early startup stage?(スタートアップの早い時期に従業員を雇うときに探すべき3つのことは?)」と打つと、サムアルトマンがよく創業者に伝えるアドバイスが出てきました。

ここで作ったツールは外部にシェアもできるし、自分だけが見れるようにもできるとのことです。

ChatGPT PlusおよびEnterpriseのユーザーは、CanvaおよびZapire AI Actionsを使用することができるようで、今後数日のうちに使えるようになります。

また、近々より多くのユーザーにGPTsを提供する準備をしているようです。

GPT Store

このGPTsと付随して、GPT Storeという機能を今後リリースすると伝えられました。

GPT Storeは、自分で作ったGPTsを公共に共有できるようになります。もし、便利なツールがシェアされたら、その開発者に報酬を支払う仕組みとなっており、GPT専用のマーケットプレイスが出来上がるとのこと。

かなり大盤振る舞いなOpenAIなので、かなりの報酬が支払われることが期待されます。

なお、GPTsの詳細を知りたい方はこちらの記事をご覧ください。
【GPTs】ノーコードで自分専用のChatGPTを開発できる!使い方や活用事例を紹介

Assistants API

Assistants APIはGPTのAPIにいくつかの便利な機能が追加されたAPIです。

具体的には、以下の4つの機能が追加されます。

・Persistent Threads
情報を忘れないようにthreadという形式で情報を入れることができる。

・Data Retrieval
エンディングなどの作業なしで、外部の情報を入れることができる。

・Code Interpreter
これまでの機能と同様。

・Function Calling
これまでの機能と同様。

デモ

こちらもデモがありましたので、紹介していきます。

デモでは、DALL-E 3を使って作られたWanderlustという旅行サイトを使いました。

まず、Playground画面に行くと、「Tools」という表示があり、Data Retrieval、Code Interpreter、Function Callingの3つが使えるようになっていました。

次に、Wandelustの画面上でデモが行われます。Wanderlustはチャット形式で会話できるようになっていました。

例えば、「What are the top10 things to do in Paris?(パリでするべきトップ10は何?)」と入力すると、チャット画面上でそれを教えてくれるだけでなく、マップでどこでそれができるのかを教えてくれます。

また、チャット画面にPDFをドラッグして読み込ませることができ、試しにパリまでのチケットの情報が載っているPDFと宿泊先のAirbnbのPDFを載せ、「We’ll be four friends staying at the Airbnb. whats my share of it + flights?=4人でエアビに泊まるんだけど、自分は一人いくら払えば良い?」と聞くと、Code Interpreterが起動し、自動で計算をしてくれました。

さらに、APIを使用していても、ブラックボックスにならないようになっており、ダッシュボードから会話の履歴やどこでFunction Callingが使われたかなど、詳細に記録されています。

最後に、TTS APIについても紹介されていました。

デモでは、「今回のDevDayの参加者からランダムに5人を選んで、500ドル分のAPIクレジットをあげられる?」と音声で指示すると、「わかりました」と答え、本当にランダムに選んだ5人に500ドル分のAPIを上げている様子が映し出されていました。

そこで終わりかと思えば、「最後に、、、」と言い、「やっぱり参加者全員に500ドル分のAPIクレジットをあげられる?」と指示をし、本当に全員にクレジットを上げていました。

行けばよかった…!

そして、なんとこちらはベータ版で提供されるとのことなので、簡単にハンズオンしてみようと思います!

Assistants APIを実際に使ってみた

Assistants APIは、以下のリンクにアクセスすることでベータ版を利用することができます。

playground

アクセスすると、このような画面になります。

左上のモード選択をAssistantsにして、Createをクリックすることで、自分のAssistantsを作成することができます。

するとこのような画面になるので、赤枠の部分に自分が作りたいアシスタントの設定を行います。

今回は、以下のように設定して、入力した場面に応じて最適な6匹のポケモンを選ぶポケモントレーナーを作りました。

なお、modelは最新のGPT-4 Turboが使えるはずですが、なぜかGPT-3.5 Turboしか使えなかったのでそちらを使用しています。

また、読み込ませたファイルは、ポケモンのタイプや種族値などのデータが入ったCSVファイルで、Code interpreterをオンにすることで、データを解析するコードを書かせるようにしています。

Instructionsは以下のように入力しました。

あなたはポケモントレーナーです。

ファイルの中のポケモンから、様々なシチュエーションのポケモンバトルを想定した6匹のポケモンの組み合わせを選んでください。

さっそくプロンプトを入力してみようと思います。

以下のプロンプトを入力して、最適なポケモンを選んでもらいます。

強力な水タイプのポケモンを使う対戦相手に勝てるポケモンを選んで

すると、Assistantsはこのような回答をしました。

User
強力な水タイプのポケモンを使う対戦相手に勝てるポケモンを選んで

Pokeon Trainer
了解しました。まず、提供されたポケモンのリストを確認し、水タイプのポケモンに対して有利なタイプや特性を持つポケモンを選びます。それに基づいて、最適な6匹のポケモンを選んでみましょう。以下が提供されたポケモンのリストです。

code_interpreter
import pandas as pd

# ポケモンデータの読み込み
pokemon_data = pd.read_csv('/mnt/data/file-ln6rK8xiZbIxfOC7vS0RaRdy')

# ポケモンデータの先頭5行を表示
pokemon_data.head()
   #                   Name Type 1  Type 2  Total  HP  Attack  Defense  \
0  1              Bulbasaur  Grass  Poison    318  45      49       49   
1  2                Ivysaur  Grass  Poison    405  60      62       63   
2  3               Venusaur  Grass  Poison    525  80      82       83   
3  3  VenusaurMega Venusaur  Grass  Poison    625  80     100      123   
4  4             Charmander   Fire     NaN    309  39      52       43   

   Sp. Atk  Sp. Def  Speed  Generation  Legendary  
0       65       65     45           1      False  
1       80       80     60           1      False  
2      100      100     80           1      False  
3      122      120     80           1      False  
4       60       50     65           1      False  
Pokeon Trainer
提供されたポケモンのリストを確認しました。次に、水タイプのポケモンに対して有利なタイプや特性を持つポケモンを選びます。

一般的に、草タイプや電気タイプのポケモンが水タイプに有利です。また、特性「ちからもち」や「すいすい」も水タイプに対して有利な効果を持っています。

上記の情報を考慮して、6匹のポケモンを選びます。選択基準は以下の通りです。

できるだけ水タイプに有効なタイプや特性を持つポケモンを選ぶ。
ポケモンの個々のステータスや技も考慮して、バトルに役立つ組み合わせを作る。
この基準に基づいて、最適な6匹のポケモンを選びます。

code_interpreter
# 水タイプに有効なポケモンを選ぶ
water_type_effective = pokemon_data[(pokemon_data['Type 1'] == 'Grass') | (pokemon_data['Type 1'] == 'Electric') | 
                                   (pokemon_data['Type 2'] == 'Grass') | (pokemon_data['Type 2'] == 'Electric') |
                                   (pokemon_data['Ability 1'] == 'Torrent') | (pokemon_data['Ability 2'] == 'Torrent') |
                                   (pokemon_data['Ability 1'] == 'Swift Swim') | (pokemon_data['Ability 2'] == 'Swift Swim')]

# ポケモンをランダムに6匹選ぶ
selected_pokemon = water_type_effective.sample(n=6, random_state=1)

# 選ばれたポケモンの情報を表示
selected_pokemon[['#', 'Name', 'Type 1', 'Type 2', 'Ability 1', 'Ability 2', 'Ability 3']]
---------------------------------------------------------------------------
KeyError                                  Traceback (most recent call last)
File ~/.local/lib/python3.8/site-packages/pandas/core/indexes/base.py:3361, in Index.get_loc(self, key, method, tolerance)
   3360 try:
-> 3361     return self._engine.get_loc(casted_key)
   3362 except KeyError as err:

File ~/.local/lib/python3.8/site-packages/pandas/_libs/index.pyx:76, in pandas._libs.index.IndexEngine.get_loc()

File ~/.local/lib/python3.8/site-packages/pandas/_libs/index.pyx:108, in pandas._libs.index.IndexEngine.get_loc()

File pandas/_libs/hashtable_class_helper.pxi:5198, in pandas._libs.hashtable.PyObjectHashTable.get_item()

File pandas/_libs/hashtable_class_helper.pxi:5206, in pandas._libs.hashtable.PyObjectHashTable.get_item()

KeyError: 'Ability 1'

The above exception was the direct cause of the following exception:

KeyError                                  Traceback (most recent call last)
Cell In[2], line 4
      1 # 水タイプに有効なポケモンを選ぶ
      2 water_type_effective = pokemon_data[(pokemon_data['Type 1'] == 'Grass') | (pokemon_data['Type 1'] == 'Electric') | 
      3                                    (pokemon_data['Type 2'] == 'Grass') | (pokemon_data['Type 2'] == 'Electric') |
----> 4                                    (pokemon_data['Ability 1'] == 'Torrent') | (pokemon_data['Ability 2'] == 'Torrent') |
      5                                    (pokemon_data['Ability 1'] == 'Swift Swim') | (pokemon_data['Ability 2'] == 'Swift Swim')]
      7 # ポケモンをランダムに6匹選ぶ
      8 selected_pokemon = water_type_effective.sample(n=6, random_state=1)

File ~/.local/lib/python3.8/site-packages/pandas/core/frame.py:3455, in DataFrame.__getitem__(self, key)
   3453 if self.columns.nlevels > 1:
   3454     return self._getitem_multilevel(key)
-> 3455 indexer = self.columns.get_loc(key)
   3456 if is_integer(indexer):
   3457     indexer = [indexer]

File ~/.local/lib/python3.8/site-packages/pandas/core/indexes/base.py:3363, in Index.get_loc(self, key, method, tolerance)
   3361         return self._engine.get_loc(casted_key)
   3362     except KeyError as err:
-> 3363         raise KeyError(key) from err
   3365 if is_scalar(key) and isna(key) and not self.hasnans:
   3366     raise KeyError(key)

KeyError: 'Ability 1'
Pokeon Trainer
申し訳ありません、提供されたデータにはポケモンのアビリティ情報が含まれていなかったようです。そのため、アビリティに基づく選択は行えません。

代わりに、水タイプに有利なタイプのポケモンを選ぶ方法で進めさせていただきます。一般的に、草タイプや電気タイプのポケモンが水タイプに有利です。以下の選択基準を考慮して、最適な6匹のポケモンを選んでみましょう。

ポケモンのタイプが水タイプに有利なタイプ(草タイプ、電気タイプ)を持つ。
ポケモンの個々のステータスや技も考慮して、バトルに役立つ組み合わせを作る。
では、選択基準に基づいて最適な6匹のポケモンを選んでみます。ただし、ポケモンのステータスや技に関する情報は提供されたデータには含まれていないため、ランダムに選ぶこととします。

code_interpreter
# 水タイプに有効なタイプのポケモンを選ぶ
water_effective_types = ['Grass', 'Electric']
water_effective_pokemon = pokemon_data[(pokemon_data['Type 1'].isin(water_effective_types)) | (pokemon_data['Type 2'].isin(water_effective_types))]

# ポケモンをランダムに6匹選ぶ
selected_pokemon = water_effective_pokemon.sample(n=6, random_state=1)

# 選ばれたポケモンの情報を表示
selected_pokemon[['#', 'Name', 'Type 1', 'Type 2']]
       #            Name    Type 1 Type 2
554  495           Snivy     Grass    NaN
536  479  RotomMow Rotom  Electric  Grass
517  466      Electivire  Electric    NaN
294  271          Lombre     Water  Grass
309  285       Shroomish     Grass    NaN
31    26          Raichu  Electric    NaN
Pokeon Trainer
水タイプに有効なポケモンを選びました。以下が選ばれた6匹のポケモンです。

Snivy (#495) - グラスタイプ
RotomMow Rotom (#479) - エレクトリック・グラスタイプ
Electivire (#466) - エレクトリックタイプ
Lombre (#271) - ウォーター・グラスタイプ
Shroomish (#285) - グラスタイプ
Raichu (#26) - エレクトリックタイプ
これらのポケモンは水タイプに対して有利なタイプを持ち、異なるステータスや技を持っています。バトルにおいて役立つ組み合わせとなるでしょう。

結果は、データを解析して最適な組み合わせを選んでくれました。完璧です。

最終的には、私が想定していた有利タイプのポケモンの組み合わせを出力してくれましたが、ステータスや技まで考慮されており、期待以上の結果を出力してくれました。

また、当初はタイプに加えて、水タイプに有利な特性をもつポケモンまで抽出してくれようとしており、完全に私の想定を超えた、本物のポケモントレーナーになっています。

なお、実行結果などの情報は、Threadsにすべて保存されているので、簡単に過去のものを参照できます。

いやー、それにしても驚きましたね。

これがさらに詳細なデータで、GPT-4 Turboが使えたらどうなってしまうのかと恐怖さえ感じます笑

もし、これを見てAssistants APIが気になった方は、2023年11月17日まで上記のリンクから無料で使うことができますので、ぜひ使ってみてください!

APIの新機能

さらに今回、新しいAPIがいくつか発表されました。

・GPT-4 Turbo with vison
・DALL-E 3
・Text-to-speech(TTS)

GPT-4 Turbo with vision

GPT-4 Turboはすでに説明した通りですが、加えて画像の入力が可能になり、キャプション生成や画像の分析ができるようになりました。

料金は入力する画像の大きさに依存するようですが、1080×1080ピクセルだと0.00765ドルかかるとのこと。

以下のリンクから画像の大きさによってかかる料金がわかりますので、確認してみてください。

pricing#gpt-4-turbo

詳しくは以下の記事からご確認ください。

Vision

DALL-E 3

DALL-E 3のAPIが公開されましたね!

SnapChatやCoca-Cola、Shutterstockのような企業はすでに使用しているらしく、かなり好評だとか。

使い方はこちらからご確認ください。

Image Generation

Text-to-Speech(TTS)

ついにOpenAIからもText-to-Speech(TTS)のAPIが公開されました!

6種類の音声を提供しています。
例えばこんな音声が使えるそう。

モデルは、tts-1tts1-hdの2種類あり、tts-1はリアルタイムアプリケーション向け、tts-1-hdは品質重視のモデルです。

出力音声ファイルの形式は、デフォルトはMP3ですが、OpusAACFLACにも対応しています。

料金は1000文字につき0.015ドルからだそうです。

使い方はこちらからご確認ください。

Text to speech

考察

今回のアップデートで、ChatGPTは唯一無二のマルチモーダルAIモデルとして進化したといえます。

GoogleやMetaといった名立たるIT企業が、こぞって生成AIの開発を進めていますが、どの企業もここまでのAIモデルを開発することはできていません。

私が今回の新機能の中で特にすごいと思ったのが、GPTsです。

それぞれの目的に合わせて、ChatGPTをカスタマイズして、自分の好みのAIエージェントを作成できる
さらにこれがすべて自然言語でのやり取りのみで行えるというのですから、専門知識のない方でも気軽にAIエージェントを作成できます。

また、同時に発表されたGPT Storeでは、個人がGPTsで作ったエージェントを公開して収益を得ることができます。

これは、どの企業もしてこなかった(できなかった?)アプローチであり、新たな経済圏を形成して、新たなビジネスの形を生み出すかもしれません。

このように、他のAI企業の何歩も先を行っているOpen AIですが、最近ではイーロン・マスク率いるxAIGrokというAIモデルを公開して、Open AIに追いつこうとしています。

実際、イーロン・マスクはOpenAI DevDayのあとにこんなポストを投稿しており、Open AIをライバル視しているのは確実でしょう。

現在、Grokは驚異的なスピードでトレーニングされているようで、わずか2ヶ月のトレーニングでGPT-3.5の性能を上回ったそうです。

我々ユーザーからすれば、このような開発競争で、どんどん革新的なサービスが出てくることは、嬉しいことなので、今後のGrokの追い上げと、ChatGPTの更なる進化、ひいては生成AI業界全体の進化に期待が高まりますね!

なお、ChatGPTについて知りたい方はこちらをご覧ください。
ChatGPT-3.5とGPT-4の違いとは?料金や機能、使い方について徹底比較

OpenAI DevDayの発表は本当に凄かった!

以上、OpenAI DevDayのレポートとなります!

予想以上に多くのことが、予想以上のクオリティで発表されていて衝撃でした…!

特にAPIの発表とGPTsは考察したように、かなりやばい機能になるんじゃないかなと考えています。自分でAIエージェントが作れるようになったら、もう本当にAGIの登場ですよね…

今回のChatGPTのアップデートを機に、生成AI業界全体が新たなステージにステップアップして、さらにすごい機能が登場してくることを期待しましょう!

ChatGPTのアップデートは随時行われるようなので、機能が使えるようになったらまたご紹介します!

なお、今回のDevDayで発表されたアップデートの記事一覧を掲載しておきます。是非参考にしてみてください。

New models and developer products announced at DevDay
Text to Speech
fine-tuning
Image Generation
Vision
Introducing GPTs
Models
Text generation models
Pricing
assistants/overview
OpenAI DevDay, Opening Keynote 

最後に

いかがだったでしょうか?

弊社では

・マーケティングやエンジニアリングなどの専門知識を学習させたAI社員の開発
・要件定義・業務フロー作成を80%自動化できる自律型AIエージェントの開発
・生成AIとRPAを組み合わせた業務自動化ツールの開発
・社内人事業務を99%自動化できるAIツールの開発
ハルシネーション対策AIツールの開発
自社専用のAIチャットボットの開発

などの開発実績がございます。

まずは、「無料相談」にてご相談を承っておりますので、ご興味がある方はぜひご連絡ください。

➡︎生成AIを使った業務効率化、生成AIツールの開発について相談をしてみる。

生成AIを社内で活用していきたい方へ

「生成AIを社内で活用したい」「生成AIの事業をやっていきたい」という方に向けて、生成AI社内セミナー・勉強会をさせていただいております。

セミナー内容や料金については、ご相談ください。

また、弊社紹介資料もご用意しておりますので、併せてご確認ください。

投稿者

  • Hiromi Sai

    ChatGPTメディア運営 / テクニカルライター リベラルアーツ専攻。大学休学中は、Webマーケティング会社のマネージャーとしてライター、ディレクター100名のマネジメントをする。南米のチリとタイでの長期居住歴を持つ。

  • URLをコピーしました!
  • URLをコピーしました!
目次