登録して招待リンクを共有すると、動画再生報酬と紹介報酬を獲得できます。

検索結果 ながノート
ながノート コミュニティ
1つのキーワードが1つのコミュニティです。
コミュニティ作成
アカウント
見つかりません
ながノート を含む検索結果
今日が火葬。家にジャジャ岩城さんの歌伴でデュオをやってた時の楽曲のコード進行や歌詞を記したノートがある。「愚か者の舟」とか、「すし詰めのキャラバンに乗って」とか。色々な曲が頭の中を巡ります。帰国したらまたノート広げて弾いてみます。ありがとうございました。
もっと見る
「なぜその判断をしたのか?」にAIエージェントが答えるには、フラットなチャットログではなく“つながった記憶”が必要でした🕸️ それを1コマンドで丸ごと立ち上げるツールの登場です。 タイトル: Introducing Create Context Graph URL: 🕸️ 概要 Create Context Graphは、グラフベースのメモリを備えたフルスタックのAIエージェントアプリを、たった1コマンドで生成するNeo4j LabsのCLIスキャフォールディングツールです。生成されるアプリには、FastAPIバックエンド、Next.jsフロントエンド、AIエージェントフレームワーク、Neo4jグラフデータベースが一式含まれます。 ❓ 解決する課題 AIエージェントは作りやすくなりましたが、関係性や因果を理解するのは依然として苦手です。 ・フラットなチャットログやベクトルストアでは、「なぜその判断をしたのか」「何がこの作業をブロックしているのか」といった構造的な問いに答えられません ・つまり、エージェントには関係を捉える「高度な記憶」が欠けていました 💡 方法論と仕組み ・データを「コンテキストグラフ」(つながったナレッジ構造)に変換し、チャット履歴・ベクトルコンテンツ・推論トレースの3種のメモリを整理します ・エンティティモデルはPOLE+O(Person, Organization, Location, Event, Object)に、ドメイン固有の型を重ねます ・エージェントが判断を下すと、その推論チェーンがDecisionTraceノードとして記録され、紐づくTraceStepで構成されるため、クエリ可能な来歴(provenance)が生まれます ・PydanticAI・LangGraph・Claude Agent SDKなど複数フレームワークに対応し、22の組み込みドメイン、Linear・Claude Code・GitHubのコネクタ、推論経路のリアルタイム可視化、シークレット自動リダクションを備えます 🌍 ユースケース ・課題の依存関係やチームのワークフローを開発者がクエリする ・Claude Codeのセッション履歴から個人の開発分析を行う ・判断・コミット・作業項目を組み合わせたマルチツールの相関分析 判断の来歴をクエリ可能にできるため、エージェントの説明可能性やデバッグ、チーム横断の知識統合に役立ちます。 #GraphRAG# #Neo4j#
もっと見る
本当に難しいのは検証とAI基盤の自前化という主張。Satya Nadella氏のインタビューから。 ・GitHub Copilotで先行していたMSClaude Codeに出遅れた ・わずか半年で開発の主役が従来のIDEからコマンドラインへ移ったため ・AIモデルが飛躍的に進化すると、ツールの形自体が急速に変わる ・AIにコードを書かせるコスト自体はかなり安くなった ・しかし、そのコードが正しく動くかの検証(verification)は今も難しい ・もちろんAI自身に生成コードを点検させる手法もある ・ただ、テストを通すために失敗するテスト自体を消すような問題が起きる ・本番の稼働ログから自動で直す仕組みも、結局は検証の壁に突き当たる ・今後は通常業務と並行し、仕事を自動化するファクトリを築く動きが主流になる ・実際、Azureの運用チームは500人超の業務を効率化するエージェント基盤を構築した ・特定企業への依存を避けるため、ハーネス・メモリ・モデルは分離して交換可能にしてある ・機密を守るためオープンモデルや独自評価がある ・AIは内部不正リスクとして別系統で監視する ・1年前の最先端級モデルがすでにノートPCで動くほど、端末側の性能が上がっている ・MSはローカルAIとクラウドを併用するハイブリッド・インテリジェンスに注力 ・若手採用が減っているのも、各チームが自動化の仕組みや人件費とトークン予算の配分を模索しているため ・ただ、再編が落ち着けば若手採用は再び増えるだろう ・(インタビュー元のポッドキャストで言うのも皮肉だが)見聞きするだけでなく実際に手を動かすべき
もっと見る
⚙️ 月125兆トークンを捌くLLM推論基盤は、どう信頼性とコストを両立しているのか。リクエスト数ではなく「モデルユニット」でコストを測り、GPUコストを80%削減しつつ安定運用を実現したDatabricksの実戦知です。 タイトル: Reliable LLM Inference at Scale URL: 📝 概要 本記事は、大規模なLLM推論を信頼性高く・コスト効率よく運用するための、Databricksのアーキテクチャと手法を解説します。GPUインフラの不安定さや、予測困難なリクエストコストといった本番特有の課題に、具体的な仕組みで対処しています。 ❓ 解決する課題 ・GPUインフラはCPUより本質的に不安定で、prefill/decodeを分離した構成では単一障害が複数ノードに波及します ・リクエストコストは事前推定が難しく、出力トークン生成がレイテンシを支配する一方、その時間は予測困難です ・高負荷時には、リクエストの組み合わせ次第で健全なサーバが突然不健全状態に陥ります 💡 方法論と提案手法 ・コストを「α×入力トークン+β×出力トークン+γ×マルチモーダル」とモデル化する「モデルユニット」抽象を導入し、係数はモデル/ハードウェアごとの自動ベンチマークで決定します ・自動シャーダーDicerが、キュー長でなくモデルユニットで測ったサーバ負荷でルーティングし、ステートフルセッションでキャッシュヒット率を高めます ・保留リクエスト数でなく「モデルユニット利用率」でオートスケールし、ピーク閾値に近づくと増設します ・ブラックボックスのヘルスチェックでサイレントハングを検知し、ヘルスチェックを最高優先度にして誤検知を防ぎます 🎯 ユースケース Superhumanやコーディングエージェント、サポートボットなど、トラフィックが数時間で急増するマルチテナントのエージェント型アプリを支えます。LLMアプリが単一テナントから共有本番環境へ移る局面に直結します。 📊 実験結果 ・コスト認識オートスケーリングで、静的なピーク見込みプロビジョニング比のGPUコストを80%超削減しました ・ヘルスチェックの誤検知を週数件からゼロへ、サイレント障害の検知・回復は5分未満に収めました ・画像処理をTorchvisionへ切り替え、OMP_NUM_THREADSをコンテナ上限に正しく設定し、同じレプリカ・負荷でスループットを3倍超に跳ね上げました ・月125兆トークンをマルチテナントで処理しています #LLM# #MLOps#
もっと見る
# ADKの便利で実践的な使い方 🔀 プロンプトだけでエージェントの実行フローを制御するのは不安定になりがちです。ADKのGraph Workflowsなら、ノードとエッジでワークフローを明示的に定義し、AIノードと関数ノードを自在に組み合わせられます! 📌 タイトル:Graph Workflows — ノードとエッジによる明示的なワークフロー定義 🔗 URL: 🧩 概要 Graph Workflowsは、`Workflow`クラスの`edges`パラメータでノードの接続関係を定義し、実行フローを構築する仕組みです。AIエージェントノード、関数ノード、ツールノード、ネストされたWorkflowを混在させることができます。ルーターノードが`Event(route=...)`を返すことで辞書ベースの条件分岐が可能になり、「プロンプトに頼らない予測可能な制御フロー」を実現します。 🛠 使い方 基本的なGraph Workflowの構成です。 `google.adk` から `Workflow` と `Event` をインポートします。ルーター関数 `process_message` は `node_input` の内容に応じて `Event(route="BUG")`、`Event(route="LOGISTICS")`、または `Event(route="CUSTOMER_SUPPORT")` を返します。各ルートに対応する関数(`response_bug`、`response_support`、`response_logistics`)はそれぞれ `Event(output=...)` で応答メッセージを返します。 `Workflow` の `name="support_router"` で、`edges` に2つのタプルを定義します。1つ目は `("START", process_message)` で開始ノードからルーターへ接続し、2つ目は `process_message` の出力を `{"BUG": response_bug, "CUSTOMER_SUPPORT": response_support, "LOGISTICS": response_logistics}` の辞書で各ハンドラーに振り分けます。 順次実行のシンプルなチェーンも定義できます。 `Workflow` の `edges` にタプル `("START", agent1, function1, agent2, function2)` を1つ渡すことで、ノードを順次接続するシンプルなチェーンを定義できます。 🏗 実践的な使い方 **AIフリー関数チェーン + AIノードの混在**: データの前処理や後処理はPython関数で行い、判断が必要な部分だけAIエージェントノードを使います。これによりLLMの呼び出し回数を最小限に抑え、コストと遅延を削減できます。 関数ノード `extract_data` は `json.loads(node_input)` でデータを解析し `Event(output=parsed["content"])` を返します(AI不要)。`LlmAgent` の `analyzer` がデータの分析と要約を行い、関数ノード `format_output` が `Event(output=f"## 分析結果\n{node_input}")` でフォーマットします(AI不要)。 `Workflow` の `name="hybrid_pipeline"` で `edges=[("START", extract_data, analysis_agent, format_output)]` と定義し、関数ノードとAIノードを混在させたハイブリッドパイプラインを構築します。 **カスタマーサポートの自動振り分け**: 問い合わせ内容をルーター関数で分類し、適切な対応エージェントに振り分けます。分類ロジックがコードで明示されているため、動作の予測と検証が容易です。 💡 ユースケース 📨 問い合わせの自動分類・振り分け(バグ/サポート/配送) 🔧 前処理(関数)→ 分析(AI)→ 後処理(関数)のハイブリッドパイプライン 🏭 ETLパイプラインのAI組み込み(抽出は関数、変換にAIを活用) 🔀 ルーティングロジックの明示化によるテスタビリティ向上 ⚠️ 注意点 - ライブストリーミング機能はGraph Workflowsと互換性がありません。 - 一部のサードパーティ連携はGraph Workflowsをサポートしていない場合があります。 - ルーターの辞書にないrouteキーが返された場合のエラーハンドリングを考慮してください。 - ノードは1回の実行で1つの`Event.output`のみを出力できます。 ✨ Graph Workflowsは、AIノードと関数ノードをノードとエッジで明示的に結合し、プロンプトだけに頼らない予測可能なエージェントパイプラインを構築します。コスト効率と信頼性を両立したい場面でぜひ活用してください! #ADK# #AIAgent#
もっと見る
# AIエージェントをソフトウェアに組み込むプラクティス # Deadline & Budget Cascade|期限・予算のカスケード伝播 🎯 エージェントが再帰的にサブタスクを生成して、気づけばコストが数十ドルに。「請求事故」を構造的に防ぐ方法があります。 全体の予算と期限を末端ノードまで伝播させれば、各ノードが自分で打ち切り判断できます。 🔥 解決する課題 エージェントの呼出ツリーが深くなると、各ノードは自分がどれだけのリソースを消費してよいか分かりません。高コストなLLM呼び出しが再帰的に積み重なり、請求事故が起きます。計画-反省の自己ループでは、改善の見込みが薄くても無限にリトライを繰り返しえます。根本原因は「全体の予算と期限がローカルな判断に伝わっていない」ことです。 💡 提案パターン Deadline & Budget Cascade(期限・予算のカスケード伝播)は、呼出ツリーのルートでdeadline(期限)とbudget(トークン・コスト・ステップ数の上限)を設定し、子タスクへ委譲するたびに残り枠を差し引いて伝播します。どの末端ノードでも「今の自分に残された時間・コスト」を知っており、枠を使い切る前に縮退・中断・部分結果返却に切り替えられます。deadlineは相対秒でなく絶対時刻で渡し、伝播時のズレを防ぎます。 ✅ 選定条件 使うとき: - エージェントがサブタスクを再帰的に生成、または複数ワーカーに並列委譲する - 1リクエストのコストが予測困難で、上限を置かないと請求事故が起きうる - タスク完了にSLAや期待値がある 使わないとき: - 呼出ツリーが1段で完結し、タイムアウトだけで十分な場合 - バッチジョブなど時間制約がなくコストも固定的な場合 ⚠️ 落とし穴 - deadlineは絶対時刻で渡すこと。相対秒を渡すと伝播のたびにズレが蓄積します(gRPCのgrpc-timeoutと同じ原則) - 子に全予算を渡さず、予備枠(10〜20%)を親に残すこと。子の結果を集約・フォーマットする時間とコストが必要です - 枯渇時の振る舞い(部分結果返却・人間エスカレーション・縮退モデル切替)を事前に決めておくこと。タイムアウト例外を投げるだけではUXが崩壊します 🔧 実装方針 - BudgetContextデータクラスにdeadline_at(絶対時刻)・max_cost_usd・max_steps・max_tokens・depth・max_depthを持たせ、呼出ツリーのルートで初期値を設定します - 子タスクへの委譲時にchild_budgetメソッドで残り枠からfractionを掛けて分配し、伝播マージン(概ね2秒)を差し引きます。予備枠としてルート予算の10〜20%を親に残します - 各ノードはis_exhaustedで残時間・残コスト・残ステップを確認し、枠を使い切る前に縮退・中断・部分結果返却に切り替えます - 並列子タスクではコストは各子の合算、deadlineは最も遅い子で決まることに注意し、分配比率は子タスクの重要度と予測コストで按分します - 予算消費率(consumed/limit比)をメトリクスとして観測し、閾値超過時にアラートを発火させる仕組みを組み込みます #AIエージェント# #ソフトウェアアーキテクチャ#
もっと見る
闇バイトをやろうとしている方々。 実は私、30年以上前、闇バイトに関わったことがあります。 当時、大学生の時給は800~900円くらいだったのですが、「電話回線の簡単な点検作業で時給1500円」だったので応募しました。 詳細を説明すると長くなりますが、簡単に言うと、「NTTのシステムのバグを利用して公衆電話をハッキングする」という仕事…いや、犯罪でした。 いちおう法学部の学生だった私は、一通り説明を聞いて、機材を与えられて考えてみると、これは偽計業務妨害罪に当たるのではないかと考え、大学の図書館で過去の判例を調べると、マジックホン事件というのが出てきた上、刑事訴訟法の教授に相談すると、電子計算機使用詐欺にも抵触するのではないかとわかりました。 ところが、ここからが問題だった。 時代は平成初期。パソコンを持っている人は少なく、まだポケベルの時代。 NTTのシステムバグを、NTTの人に通報しても、警察の人に通報しても、理解してもらえない。 そもそも、首謀者とどこで出会ったのかを問われ、パソコン通信とかNIFTY-Serveと言っても通じない。 NTTも警察も動かないから、横浜地検に告発状を提出したら、やっと話が警察につながり、捜査することになった。 当時、神奈川県警は私の自宅を訪れて、パソコン通信に接続している様子を見る。私をNTTの実験室に呼んで架電実験を行う。 神奈川大学の先輩に当たる巡査部長が自前のノートパソコンを警察署内に持ち込んで再現実験をするなど、手さぐりの捜査を行った。 当時、私は21歳。首謀者は電子計算機使用詐欺で逮捕された。今なら分かりやすい闇バイトなら簡単に裁判は進むが、裁判官も検事も素人。唯一、被告人の弁護人だけがNTT案件に強いとされる弁護士だった。 刑事裁判は長引き、私は検察側証人として証人尋問を受け、結果は有罪。 当時、電子計算機使用詐欺といえば、銀行の端末を利用して女性が金を引き出して男に貢ぐ犯罪というイメージがあったが、公衆電話からハッキングしてダイヤルQ2事業者に架電させて金を得る行為を同罪で有罪にしたのは日本初だった。 読売新聞が密着取材をしてくれて大きく報道。この事件の詳細は三才ブックスの「裏パソコン通信の本」に掲載されることになった。 その後、大学院に進学した私は、横浜地検に捜査資料の閲覧を求めた。本来はダメだけど、「複写はしない」、「修士論文に使うだけ」、「電磁的記憶媒体の証拠の取り扱いについてのみ」ということを約束して閲覧を許された。 で、何が言いたいか。 私はこの事件で得た「電磁的記憶媒体」、つまり当時のフロッピーディスクに落としたNIFTY-Serveのログの証拠調べ方法についての修士論文を書いたのです。 当時、この証拠調べ方法は、A説・B説・C説があり、有名な民訴学者がA説とB説で論争を繰り広げていたのですが、私はC説が正しいのではないかということで、指導教授と対立してしまい、ものすごく悩んでいました。私はC説を主張していた、元裁判官の夏井高人教授に直接メールを送って「私はどうしてもAB説が信じられず、C説が正しいような気がする」、「現に横浜地検はこういう証拠を出していた」と相談したところ、「そんな事件があったのか~い」と驚かれたのでした。 で、いつもの学歴話になる。 私、この一件で、新しい技術について、理系の人はよくわかっていても、文系の人はついていけないことが多く、それは大学教授であっても、裁判官であっても同じってこと。 私が必死に「あれはああいう犯罪で」と説明しても、NTTも警察も問題だとは思わず、後から「うさん臭いビジネスに加担するおまえが悪い」と説教してくる大人たちがいたのです。 で、私は思う。 ここに出てきた登場人物の中で、犯罪ではないかと気付いたのは、まだ神奈川大学の学生だった俺じゃないか。NTTも警察も裁判官も検事も、私が口で説明しても、何の疑問も持たなかったじゃないか。 まともに話ができたのは、神奈川大学の先輩に当たる知能犯係のH警部補だけだったじゃないか。 警察・検察・裁判所が動いて、判決ができてから、教授のみなさんが「あれは詐欺事件」みたいに、後づけで研究対象にするのを見て、学歴ってアテにならないんじゃねーの?…と思った次第です。 長文ごめん。 ちなみに、この一連の事件で、一番金をくれたのは、三才ブックス。原稿料が良かった。10万チョイ。 次が裁判所。検察側の証人尋問30分で3800円。 読売新聞の記者は、2回くらいランチをおごってくれた。 神奈川県警はお茶とアイスクリーム。 NTTはノベルティグッズ。 でもまぁ、お金ではないけれど、大学院の修士論文のネタという意味では、100万くらいの価値はあったと勝手に査定する。 元祖「闇バイト」の私。詐欺の片棒をかつがされたものの、結局お金は貰っていないし、騙されていることがわかってすぐに通報したので、被疑者にはならなくて済みました。ただし、調書に「重要参考人・松本肇」と書かれたのを見た時はドキっとしたよ。 ちなみにその被告人。未決拘留は10月。詐欺事件については初犯だったため、懲役1年6月、執行猶予3年の刑でした。 長文ごめん。
もっと見る
🏠 テキストや画像で家具を指定するだけで、スタイルの揃った3D屋内シーンを自動生成。しかもMMGDreamer比で約85%高速です。 タイトル: FlowScene: Style-Consistent Indoor Scene Generation with Multimodal Graph Rectified Flow URL: 📝 概要 FlowSceneは、テキストと画像を融合したマルチモーダルなシーングラフから、高忠実度の3D屋内シーンを生成する手法です。配置・形状・テクスチャの3ブランチを、直線的なRectified Flowで同時に生成し、シーン全体でスタイルの一貫性を保ちます。 ❓ 解決する課題 言語駆動の検索型はオブジェクト単位の制御やスタイル一貫性に弱く、グラフベース型は高品質なテクスチャ生成が苦手でした。FlowSceneはこの両者の弱点を同時に解消します。 💡 方法論と提案手法 ・ノードがテキスト記述と画像特徴を融合できるマルチモーダルグラフを入力にします(テキストのみ・画像のみ・混在に対応) ・サンプリング中にノード情報を密に交換するInfoExchangeUnitで、個別条件と全体条件を両立させます ・配置(3Dボックス)、形状(VQ-VAE潜在)、テクスチャ(幾何にアンカー)を独立デノイザで生成します ・テクスチャは幾何を固定したまま外観だけをデノイズし、テキストのみのノードにもスタイル一貫したテクスチャを合成します 🎯 ユースケース インテリアデザインや製造での対話的なシーン設計、VR/ARコンテンツ制作、ロボティクスのシミュレーション環境づくりなどに使えます。 📊 実験結果 ・FID(寝室)が42.38→35.01とMMGDreamer比17.4%改善 ・CLIPScore 0.2386で全手法中最高、スタイル一貫性のユーザー評価も8.72/10 ・推論時間はテクスチャなしで6.83秒と、MMGDreamerの45.34秒より約85%高速 ・ナイトスタンドの最小マッチング距離を43.90%改善するなど、オブジェクト品質も向上しました #3DGeneration# #GenerativeAI#
もっと見る