【武田の日曜競馬コラム・レパードＳ】「データがベース」 馬齢重賞の５７㌔は有利で相手にも恵まれたパイロマンサー #日刊ゲンダイDIGITAL# #データがベース# #レパードＳ# 武田記者の的中一覧は→

【武田の日曜競馬コラム・七夕賞】「データがベース」 迎春Ｓの勝ち内容が秀逸！ アスクナイスショーの重賞初Ｖ #日刊ゲンダイDIGITAL# #データがベース# #七夕賞# 武田記者の的中一覧は→

膨大なデータを分析して本命馬──。 【武田の土曜競馬コラム・関越Ｓ】「データがベース」 勝ち鞍爆増！ 荻野極で新潟６、７Ｒを勝負 #日刊ゲンダイDIGITAL# #データがベース# #データ# #関越Ｓ# #三面川特別# 武田記者の的中一覧は→

膨大なデータを分析して本命馬──。 【武田の土曜競馬コラム・ＴＶｈ杯、博多Ｓ】「データがベース」 函館、小倉メインは３歳馬買いでいく #日刊ゲンダイDIGITAL# #データがベース# #データ# #ＴＶｈ杯# #博多Ｓ# 武田記者の的中一覧は→

【武田の日曜競馬コラム・小倉記念、函館２歳Ｓ】「データがベース」 ジョバンニのハンデ５７・５㌔は恵まれている！ #日刊ゲンダイDIGITAL# #データがベース# #小倉記念# #函館２歳Ｓ# 武田記者の的中一覧は→

【武田の日曜競馬コラム・函館記念、ラジオＮＩＫＫＥＩ賞】「データがベース」 ２重賞はマジックサンズ、キンググローリー勝負！ #日刊ゲンダイDIGITAL# #データがベース# #函館記念# #ラジオＮＩＫＫＥＩ賞# 武田記者の的中一覧は→

# ADK 2.0の便利だけど知られていない機能 🌍 エージェントが「先週の会話の内容」を覚えていてくれたら、もっと自然なやり取りができると思いませんか？ ADK 2.0のメモリ機能は、セッションを超えた長期的な知識をエージェントに提供するための仕組みです。過去の会話や学習した情報を記憶し、必要に応じて呼び出すことができます。 📌 タイトル：メモリ 🔗 URL： 🧩 概要 メモリはStateとは異なり、セッション横断の長期的な知識を管理します。3つのメモリサービス実装が用意されています。InMemoryMemoryServiceは開発・テスト用のインメモリ実装、VertexAiMemoryBankServiceはセマンティック検索ベースの本番向け実装、VertexAiRagMemoryServiceはベクトルベースのRAG実装です。メモリの取得にはPreloadMemory（セッション開始時に自動ロード）とLoadMemory（オンデマンドでロード）の2つのビルトインツールが用意されており、プログラムからはtool_context.search_memory()でアクセスできます。 🛠 使い方 メモリサービスを設定し、エージェントにメモリツールを組み込みます。 ```python from google.adk.memory import InMemoryMemoryService from import PreloadMemory, LoadMemory # 開発用：インメモリ実装 memory_service = InMemoryMemoryService() # エージェントにメモリツールを追加 agent = Agent( name="assistant", tools=[PreloadMemory(), LoadMemory()], ... ) # Runnerにメモリサービスを設定 runner = Runner( agent=agent, memory_service=memory_service, ... ) ``` ツール内からプログラム的にメモリを検索する場合は以下のようにします。 ```python def my_tool(query: str, tool_context: ToolContext) -> str: results = tool_context.search_memory(query="過去の会話") return str(results) ``` 複数のメモリサービスを組み合わせる場合は、カスタムツールを作成して統合できます。 🏗 本番システムへの組み込み方 ・開発時はInMemoryMemoryServiceで素早くプロトタイプし、本番ではVertexAI系に切り替える ・PreloadMemoryで頻繁に必要な情報を自動ロードし、レスポンス品質を向上させる ・メモリに保存するデータの範囲を適切に設計し、不要なデータの蓄積を防ぐ ・カスタムツールで複数のメモリソースを統合し、包括的な知識ベースを構築する 💡 ユースケース 🧠 過去の会話履歴をもとに、ユーザーの好みに合わせた応答を生成 📚 プロジェクトの過去の議論や決定事項を長期記憶として保持 🔍 セマンティック検索で関連する過去のやり取りを自動的に取得 🤝 複数のエージェント間で共有知識ベースとしてメモリを活用 ⚠️ 注意点 InMemoryMemoryServiceはプロセス終了時にデータが失われるため、本番環境では使用しないでください。VertexAI系のサービスはGCPのセットアップが必要です。また、メモリに保存されるデータ量が増えると検索のレイテンシに影響するため、適切なデータ管理戦略を検討してください。 ✨ メモリ機能により、エージェントはセッションを超えた文脈を持つことができます。長期的なユーザー体験の向上に大きく貢献する機能です。 #ADK# #AIAgent#

# Palantir Foundryを学ぶ 🚀 「このダッシュボードの数字、どこから来たの?」に即答できる。Data Lineageは、データの流れをまるごと可視化する探索ツールです。 📌 タイトルと機能のURL タイトル: データリネージ URL: 📝 概要 Data Lineageは、Foundryプラットフォーム上をデータがどう流れるかを包括的に示すインタラクティブな可視化ツールです。データの移動・依存関係・変換を、データエコシステム全体にわたって理解できます。ソースからパイプライン、オントロジー、アプリへと続く系譜をグラフとして辿れるため、障害対応や監査説明のコストを大きく下げられます。 🔧 機能の説明 グラフベースのビジュアライゼーションでデータの依存関係を表現します。 ・プロジェクト名・テーブル識別子・行ラベルを使ってデータセットを検索でき、Foundry Projects上から直接データを閲覧できます ・任意のデータセットについて、上流(祖先)と下流(子孫)の関係を展開・折りたたみできます ・複数のテーブル属性を同時に表示し、スキーマ詳細・ビルドのタイムスタンプ・ソースコードまで確認できます ・カスタムのカラースキームを適用して、古くなった(stale)データセットなどパイプラインの特性を強調できます ・共有可能なパイプラインのスナップショットを作成し、チーム内で共有できます 🛠 実践的な使い方 ・ダッシュボードや出力データセットから上流をたどり、数字の出所(ソース)を特定します ・上流のスキーマ変更があった際に、下流をたどって影響範囲を洗い出します ・カラースキームで古いデータセットを色分けし、放置されたパイプラインを発見します ・高レベルの全体像から、変換コードや実行履歴といった粒度の細かい技術詳細へドリルダウンします ・パイプラインのスナップショットを共有してデータワークフローを部門横断で文書化します 🎯 ユースケース ・「このダッシュボードの数字の出所」を即座に回答 ・上流スキーマ変更の影響範囲を事前に特定し、障害を未然に防止 ・監査時にデータの系譜を提示して説明コストを削減 ・古い・未使用のデータセットを発見してパイプラインを整理 ⚠️ 注意点 ・本概要ページでは、極端に大規模なパイプラインでのパフォーマンスやグラフの複雑さに関する制約は明示されていません ・リネージはFoundryプラットフォーム内のデータフローを対象とし、プラットフォーム外の処理は可視化の範囲外となります ・系譜の正確さは、変換やパイプラインがFoundry上で適切に構成されていることに依存します #PalantirFoundry# #DataLineage#

1台のカメラで撮った動画から、遮蔽や激しい変形があっても動く物体を4D（3D＋時間）で復元する手法です🎥 タイトル: Lift4D: Harmonizing Single-View 3D Estimation for 4D Reconstruction In-the-Wild URL: 🎥 概要 単一視点の3D予測と変形可能な3Dガウシアンスプラッティングを組み合わせた、テスト時最適化フレームワークです。学習済みの幾何・外観の事前知識を映像と統合し、強い遮蔽や非剛体運動に対処します。 ❓ 解決する課題 ・4Dを直接予測する手法は学習データが乏しく汎化が難しい ・3Dを初期化して動画だけで精緻化する手法は、大変形や遮蔽のある実世界映像で破綻しがち 💡 方法論と提案手法 3つの要素で構成されます。 ・Causal Latent Conditioning：画像→3Dモデルを再学習なしで時間方向に整合。隣接フレームの潜在をODEレベルで結合し、t₀で一貫性と各フレーム忠実度を調整 ・変形可能ガウシアン：疎な制御ノード＋時間変化するSE(3)変換とLBSで、正準表現を各フレームへ変形 ・遮蔽考慮の精緻化：見えるピクセルだけを比較しつつ、視点条件付き拡散事前分布で未観測面を補完 📊 実験結果 ・ベースライン（STAG4D, PAD3R, L4GM, DreamMesh4D, V2M4, BANMo）と比較 ・Pexelsデータで点追跡誤差EPE 0.072（競合は0.119〜0.211） ・単一H200 GPUで32フレーム動画あたり約30分 #3D再構成# #GaussianSplatting#

# AIエージェントをエンタープライズシステムに組み込む意思決定ポイント # 棄権閾値｜Abstention Threshold 🎯 ポイント エージェントが「自信がないときに黙る」仕組み、ちゃんと設計していますか？ 棄権閾値とは、エージェントが「自信がない」と判断して回答を棄権し人間にエスカレーションする信頼度スコアの境界線です。低すぎると誤答がユーザーに届き、高すぎるとエスカレーションだらけで自動化の意味がなくなります。誤答コストの大きさに応じてタスクカテゴリごとに異なる閾値を設定する多段構成が正解です🔑 📋 概要 棄権閾値は、エージェントが回答に自信がないときに人間へのエスカレーションを発動する信頼度スコアの基準値です。閾値が低ければ自動解決率は上がりますが誤答リスクも上がり、高ければ安全ですがエスカレーションが増えて人間の負荷と応答遅延が増大します。「間違った回答を自信満々にする」エージェントは信頼を致命的に損ないます。一方で「何でもかんでも聞いてくる」エージェントは導入の意味がありません。この間のバランスを、業務の誤答コストに基づいて精密に設計するのがこのダイヤルの役割です。 🔍 意思決定のポイント このダイヤルは「誤答した場合のコスト」で決めます。 致命的（不可逆・法的リスク・金銭損害）→ 高い閾値（0.85〜0.95）。返金金額の誤り、契約条件の誤案内、医療・法律相談など。少しでも不確実なら棄権。 中程度（修正可能だが手間がかかる）→ 中程度の閾値（0.70〜0.85）。Jiraチケットの優先度誤判定、Salesforceの商談ステージ誤更新など。 軽微（すぐ修正でき影響が限定的）→ 低い閾値（0.50〜0.70）。FAQ回答候補の表示、Slackでの情報検索結果など。多少の誤りは許容。 一律の閾値は避け、タスクカテゴリごとに異なる閾値を設定する多段構成にしてください⚡ 💡 要点と詳細 棄権閾値を機能させるには、信頼度スコアの設計が重要です。4つの算出方法があります： モデルのlogprob — トークンレベルの確率を集約します。分類タスクでは有効ですが、自由形式の回答では使いにくくなります。 自己評価プロンプト — 「回答の確信度を0〜1で評価せよ」と追加プロンプトで問います。キャリブレーションが必要です。 複数回生成の一致度 — 同じ入力を3〜5回生成し、回答の一致率を信頼度とします。コストはかかりますがロバストです。 検索ヒットの関連度スコア — RAGベースの回答では、検索結果の類似度スコアを信頼度の代理指標にします。 計測すべき指標は、自動解決率（エスカレーションせずに完了した割合）、誤答率（自動回答のうち誤っていた割合、目安として2〜5%以下）、不要棄権率（棄権したが正しく回答できていたケースの割合）、エスカレーション後の解決時間、そして信頼度スコアのキャリブレーション（信頼度0.8の回答の実際の正答率が80%前後か）です📊 ⚖️ トレードオフ 閾値が低すぎると、自動解決率は上がりますが誤答がユーザーに到達します。「間違った回答を自信満々にする」ケースが増え、信頼毀損や実害が発生します。特に金銭・法的リスクが絡む業務では、一度の誤答が取り返しのつかない結果を招きます😰 一方、閾値が高すぎると、エスカレーションが増えすぎて人間がボトルネックになります。ユーザーの待ち時間が増加し、エージェント導入の価値が問われます。期待される自動解決率の目安は、致命的リスクで40〜60%、中程度で60〜80%、軽微で80〜95%です。この数字から大きく外れていれば閾値の見直しが必要です⚠️ 🛠️ ユースケース Zendesk顧客対応：返金・解約に関する回答は閾値0.90で厳格に棄権します。間違った返金額を案内するリスクは取れません。一方、商品情報の案内は閾値0.65で自動回答を優先し、スループットを確保します📚 ServiceNow ITサポート：パスワードリセット手順（定型・低リスク）は閾値0.50で積極的に自動対応。権限変更の承認判断（高リスク）は閾値0.90で、不確実なら即エスカレーションします🎯 Salesforce営業支援：商談の受注確度予測は閾値0.75。データが不十分で信頼度が閾値を下回る場合は「判断を保留します。追加情報をご確認ください」と棄権し、誤った確度予測による営業判断ミスを防ぎます🔧 実践のコツ：初期は高めの閾値（0.85）で開始し、2〜4週間のデータ蓄積後に不要棄権率を分析して0.05刻みで下げてください。誤答率が許容範囲を超えたら即座に閾値を戻すこと。信頼度スコアのキャリブレーションは月次で実施し、モデル更新によるドリフトを補正してください。棄権時には「確認中です、担当者におつなぎします」のように、棄権を透明に伝えるUX設計も忘れずに💪 #AIエージェント# #エンタープライズアーキテクチャ#