よいどれ市2024、1回目のステージ終わりました✨ 角野卓造さんプロデュースの「酒と洋食つまみカドノ」のフルセットを頂いてしまいました！おいしそーー！お酒も飲みたいけどまだ我慢だーーー！ このあと15:55からも歌うのでよろしくね🫶

いよいよ明日 #ご当地よいどれ市# 皆さんと一緒に飲めるのを楽しみにしてます🩷 チケットはこちらから🎟️ #ご当地よいどれ市2024# #SKE48# #斉藤真木子#

今日から始まった #ご当地よいどれ市# 🍻 私たちが出演するトークショーは13日です！ 皆さんと一緒に飲めるのを楽しみにしてます🩷 入場チケットの購入はこちらから🎟️ #SKE48# #斉藤真木子# #松本慈子# #ご当地よいどれ市2024#

東京ドームシティプリズムホールでのイベント、久しぶりに皆さんと一緒にお酒を飲めてとっても嬉しかったです🫶🏻いや〜本当にどんな私も愛してくれてありがとうございます！頬が赤く熱ってしまった私の姿は皆さんの目だけに納めておいてください〜🤫🩷#ご当地よいどれ市# #ご当地よいどれ市2024#

明日8月3日(月)の上映スケジュールです✨️ 明日から少し暑さも和らぐようで天気もよくそんな日は映画日和ですね どれもよい作品なのでオススメです！ ご来館お待ちしております☺

AIに3Dの部屋を作らせるなら、完成例だけでなく「どの修正が効いたか」と「なぜ使いにくいか」も学ばせたい（ 家具がぶつかっていなくても、椅子の向きが机と合わない、窓への道を塞ぐ、といった配置は使いにくい。そこで、作る過程の観察・判断・操作を約3.5万件、複数の部屋を比べる批評データを約1.5万件用意した。作業記録からは、最終状態を保ちながら無効な修正を取り除いている。 学習では、同じ部屋から複数の編集案を試し、Critic（部屋の物理的な成立、使い勝手、配置のまとまりを評価するモデル）が比較する。候補のどれがよいかに加え、編集前より本当に改善したかも報酬にする。学習中はCriticを固定し、作る側を更新する。 お手本をまねる学習だけのScene-Builderと比べ、物の向きの誤りを直すのに5回以上の修正が必要だった割合は40%から7%へ。窓へのアクセスを塞ぐ誤りでは21%から5%へ下がった。これは成功率ではなく、修正回数についての比較。 さらに生成時にも4案からCriticが選ぶと品質が上がる。ただし、部屋の見た目や機能の評価にはGPT-4を使い、批評データには配置を意図的に崩した例も含む。人間の生活空間での使いやすさを直接実証したわけではない。 手順を長く残すことより、効果のある修正を残し、次の案を選べる評価役を育てる。3D制作に限らず、エージェントの作業経験を学習へ戻すときにも参考になる設計だと思う。

この国がよい国になることを望むなら、大日本帝国からどれだけ遠ざかるか、大日本帝国のしたことを繰り返さないための努力をどれだけできるかが重要だということは間違いないでしょう。

# 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#