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 個別最適な学び
個別最適な学び 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
個別最適な学び を含む検索結果
自由進度学習で、学習カードを埋めることが目的に。「こなす」から「自ら深める学び」への転換を、授業の具体的な姿から考えます。 東京都小金井市立南小学校が、6年生の国語・理科・音楽による複数教科の単元内自由進度学習を公開。研究発表会では、児童のしぐさをどう見取るか、教具や資料、友達との交流をどう生かすかを巡って意見が交わされました。 手が止まっていても、思考を深めている場合も。一方で、課題を最後までやり切る力の大切さも指摘されました。記事では、学びを委ねる中での教員の役割や、教室環境の工夫を考える論点を紹介します。 #自由進度学習# #個別最適な学び# #授業づくり#
もっと見る
高市内閣は、「教育」分野での改革にも力を尽くしています。 先月に閉会した国会で成立した、『公立義務教育諸学校の学級編制及び教職員定数の標準に関する法律の一部を改正する法律』(いわゆる「義務標準法」の改正)についてご紹介します。 教育は人づくりの「礎」であり、「国家百年の計」そのものです。 特に、「公教育」においては、子供たちを誰一人取り残さず、全ての子供たちの能力を最大限引き出す「個別最適な学び」の実現が重要です。 このため、高市内閣では、「子供たちの教育環境の整備」に取り組んでいます。 近年の学校教育においては、「不登校」などの課題の深刻化、アレルギーなどの「健康課題」の複雑化に加え、「教師の長時間労働」も大きな課題となっています。 このため、『義務標準法』の改正により、公立中学校における「少人数学級の実現」や、「教職員の人数の増加」を通じて、子供たちの学習状況や生活面をより丁寧に把握できるようにし、「学習指導や生徒指導の充実」、「教職員の業務負担の軽減」を図っていきます。 特に、公立中学校の1クラスの「生徒数の標準」の引き下げは、約40年ぶりの大改革です。 今年度の中学校1年生から、1クラスの「生徒数の標準」を40人から35人へ引き下げ、3年間で「少人数学級」を実現します。 また、公立小・中学校の養護教諭(いわゆる保健室の先生)の「配置基準」も見直し、大きな学校には保健室の先生が2人居る体制を整備し、「子供たちの健康課題」などにきめ細かく対応できるようにしました。 この他、高市内閣では、子供たち一人一人のニーズや特性に合った学習の基盤となる「1人1台端末」の整備など『GIGA(ギガ)スクール構想』の推進にも取り組んでいます。 今後も、子供たちに、より良い「教育環境」を提供できるよう、しっかりと取り組んでまいります。
もっと見る
0
1.6K
13.9K
1.8K
コミュニティへ転送
# ADK 2.0の便利だけど知られていない機能 🌍 エージェントのプロンプトを手作業で調整する代わりに、自動で最適化してくれたら効率的だと思いませんか? ADK 2.0の最適化機能は、サンプラーとエージェントオプティマイザーを組み合わせて、エージェントのインストラクションを自動的に改善する仕組みです。 📌 タイトル:最適化 (Optimization) 🔗 URL: 🧩 概要 最適化機能は、Samplers(候補の評価)とAgent Optimizers(インストラクションの改善)の2つのコンポーネントで構成されます。`LocalEvalSampler` は候補エージェントを評価データセットに対して実行しスコアを算出します。オプティマイザーとしては、GEPAアルゴリズムを用いてルートエージェントのプロンプトを最適化する `GEPARootAgentPromptOptimizer` と、「実行→評価→批評→書き直し」の反復サイクルで改善する `SimplePromptOptimizer` が用意されています。最適化の結果は `OptimizerResult` に格納され、スコア付きの最適化済みエージェントが得られます。 🛠 使い方 CLIから `adk optimize` コマンドで最適化を実行できます。 ```python import asyncio from google.adk.evaluation.eval_config import EvalConfig from google.adk.evaluation.local_eval_sets_manager import LocalEvalSetsManager from google.adk.optimization.local_eval_sampler import LocalEvalSampler from google.adk.optimization.local_eval_sampler import LocalEvalSamplerConfig from google.adk.optimization.simple_prompt_optimizer import SimplePromptOptimizer from google.adk.optimization.simple_prompt_optimizer import ( SimplePromptOptimizerConfig, ) # サンプラーの設定 sampler_config = LocalEvalSamplerConfig( eval_config=EvalConfig(criteria={"response_match_score": 0.75}), app_name="my_agent", train_eval_set="train_eval_set", ) sampler = LocalEvalSampler(sampler_config, LocalEvalSetsManager(agents_dir=".")) # オプティマイザーの実行 optimizer = SimplePromptOptimizer(config=SimplePromptOptimizerConfig()) result = sampler)) # 最適化されたエージェントとスコアを取得 best = result.optimized_agents[0] best_agent = best.optimized_agent print(f"Score: {best.overall_score}") ``` 🏗 本番システムへの組み込み方 ・定期的に最適化を実行し、評価データセットの更新に合わせてプロンプトを継続的に改善する ・`SimplePromptOptimizer` で素早くイテレーションし、`GEPARootAgentPromptOptimizer` で本格的な探索を行う ・最適化前後のスコアを比較し、改善が確認できた場合のみプロンプトを更新する ・評価データセットを実際のユーザーインタラクションから構築し、実用的な最適化を実現する 💡 ユースケース 📈 エージェントのプロンプトを評価スコアに基づいて自動改善する 🔬 複数のプロンプト候補を体系的に比較して最良のものを選定する 🔄 モデル変更やAPI仕様変更後に、プロンプトを新環境に最適化し直す 🎯 特定のタスク(コード生成、要約、分類など)に特化したプロンプトチューニングを行う ⚠️ 注意点 `GEPARootAgentPromptOptimizer` はルートエージェントのプロンプトのみを最適化対象とします。サブエージェントのプロンプト最適化には対応していないため、必要に応じて個別に最適化を行ってください。また、最適化には複数回の評価実行が必要となるため、LLMのAPI呼び出しコストに注意が必要です。 ✨ 最適化機能を活用すれば、試行錯誤に頼っていたプロンプト改善をデータ駆動で自動化できます。定期的な最適化サイクルで、エージェントの品質を継続的に向上させましょう。 #ADK# #AIAgent#
もっと見る
# Neo4jの機能と実践的な使い方 🚪 データ投入の方法選びを最初に間違えると、後工程がすべて遅くなります。Neo4jの「インポート方法 選択ガイド」は、規模と頻度から最適な入口を決めるためのハブページです。 🏷️ タイトル: インポート方法の選択ガイド 🔗 URL: 📘 概要 Neo4jへのデータ投入には複数の手段があり、それぞれ得意な規模・実行モード(オンライン/オフライン)・権限要件が異なります。このページは個別の手順書ではなく、「どの方法を選ぶべきか」を最初に判断するための入口にあたります。 ⚙️ 機能の説明 主な選択肢は次のとおりです。 ・Data Importer: ブラウザGUIでCSVをドラッグ&ドロップし、ノード/リレーションシップに視覚的にマッピング。Cypher不要で、検証・プロトタイピング向き。 ・`LOAD CSV`: Cypherで書く汎用的な取り込み。オンライン(DB稼働中)で動き、非管理者でも実行可能。数十万〜数百万行クラスまで。 ・`neo4j-admin database import`: オフラインのバルクローダ。空のDBに対し、ストアファイルへ直接書き込むため最速。数十億規模の初期構築向け。 ・コネクタ/APOC: Apache Spark / Kafka / CDC による継続的同期や、JSON/XML/XLSなど多様な形式の取り込み。 🛠️ 実践的な使い方 規模と頻度で入口を決めるのが実践の第一歩です。 ・数千件のマスタを手早く → Data Importer(GUI) ・数百万件の定期ロード/差分ロード → `LOAD CSV`(`MERGE`で冪等化) ・数十億件のワンショット初期構築 → `neo4j-admin database import`(オフライン) ・常時の継続同期 → Kafka / CDC / Spark コネクタ いずれの経路でも、取り込み前にキー列へ一意制約を張るのが共通の定石です。 ```cypher CREATE CONSTRAINT person_id IF NOT EXISTS FOR (p:Person) REQUIRE IS UNIQUE; ``` 💡 ユースケース プロジェクト初期に、PoCはData Importer、本番初期構築は`neo4j-admin import`、日次差分は`LOAD CSV`、というように経路を分けて設計します。これにより「検証は軽く速く、本番投入は最速」を両立できます。 ⚠️ 注意点 ・`neo4j-admin import`は空のDB専用かつオフラインのため、稼働中DBには使えません。 ・`LOAD CSV`は行数が数十万〜数百万に近づくとメモリ問題が出やすく、`CALL { } IN TRANSACTIONS`での分割が必要です。 ・継続同期(Kafka/CDC)は初期ロードとは別物として、組み合わせて設計します。 ・このページは入口です。各方式の細部は必ずリンク先の個別ドキュメントで確認してください。 #Neo4j# #DataImport#
もっと見る
AIで"出来る","出来ない"論は、もはやあまり生産的ではない。AIエージェントになると個別最適が自動で可能なので多くの事は"出来る"。 必要なインプットとアウトプットの指定、ターゲットにすることに求められる汎化性が論点 (なんか5年前も同じ事言うてた気が) 説明時によく分からないのは、だんだん人がネックになっているので、これでいいんだっけ??は、"出来る"といわないのかしら。 AIではなくAIと〇〇さんならできる!!みたいになるのか。
もっと見る
AIエージェントで業務プロセスを効率化するサービスを立ち上げたい的な話を最近聞きますし、お伺いします そんなに簡単ではないなーと思う 確かにAI(LLM)恩恵で作る・解析するは早くなりました。問題は汎化性と個別最適がトレードオフであること。そのため、事業グロースしにくいことなんですよね
もっと見る
⚙️NVIDIAがHBM4の主力を12段から8段へ替えてほしいと頼んだ | 歩留まりが落ちるのはDRAMでなく積む工程だ 000660.KS 005930.KS NVIDIAが韓国の2社へ出したのは、増やしてくれという依頼ではなかった。 ZDNet Koreaが8月26日に伝えたところでは、SamsungとSK hynixは今年下半期、NVIDIA向けHBM4の出荷で8段品の比率を引き上げる。両社はここまで、次世代AIアクセラレータVera Rubin向けに12段品を供給してきた。量産出荷の開始はSamsungが1〜3月期、SK hynixが4〜6月期とみられている。すでに走っている供給への、途中変更だ。 > 最近NVIDIAから、HBM4の主力供給製品を12段から8段へ変更してほしいという要請があった。それに合わせて下半期の供給計画が修正されたと理解している > (メモリ半導体業界関係者) 段数はそのまま容量になる。HBMはDRAMを縦に積んだメモリで、12段は12枚重ねたという意味だ。Vera Rubinは1基あたりHBM4を288GB載せる。8つのスタックに分けるので1つが36GB、それが12段の姿だ。同じ8スタックを8段で組めば24GBずつ、合計は192GBに下がる。 ただし動いているのは比率で、8段が何割まで来るかはまだ決まっていない。もう一人の関係者は、8段への需要はもともと一部あったが下半期に増え、関連する素材・部品の発注にも影響が出た、と話している。 減らすほうへ動いた理由は、同紙の中で2つに分かれている。 一つは熱だ。HBM4はデータの通り道である入出力端子を前の世代の2倍、2,048本へ増やした。増えた分の発熱は個別のチップに留まらず、サーバーラック全体に乗る。 熱を逃がす構造そのものは用意されている。8月23日のHot Chips 2026に登壇したSK hynix Americaのパッケージ技術担当VP、Jaesik Leeは、5月に自社が公開した熱ブロックを詳しく説明したうえで、この構造はすでに設計に入ったHBM世代へは適用できないと断った。HBM4はもう設計を終えている。この熱ブロックで解く道は、この世代には残っていない。 もう一つが歩留まりで、今回の芯はこちらにある。 HBMはいま極度の供給難にある。そのうえHBM4は、性能と集積度を上げたぶん歩留まりを取りにくい。同紙が書いているのは、その落ち方の場所だ。HBMの中身であるDRAMコアダイの歩留まりは比較的速く引き上げられる。落ちるのは、それを12枚積み、接合し、パッケージする工程のほうだという。 良品が減っているのは、DRAMを作る工程ではない。積む工程だ。 積む工程がいちばん狭い場所なら、そこを通す数を増やす一番速い手段は、新しい棟でも新しい装置でもない。積む回数を減らすことだ。増えるのは通るスタックの数で、1本に載る容量のほうは減る。 段数を変えてほしいと言われた製品の重さも、数字で出ている。Samsungでメモリのグローバル営業・マーケティングを統括するJaejune Kimは、7月30日の決算説明会で、下半期はHBM売上に占めるHBM4の比率が60%をかなり上回ると述べた。下半期のHBM売上の主力が、今回の変更の対象にあたる。 いまVera Rubin向けに12段のHBM4を量産供給しているのが SK hynix 000660.KS と Samsung 005930.KS で、同紙が計画を伝えているのもこの2社に限られる。 業界側の受け止めは、それでも冷静だ。 > NVIDIAは最新のAIプラットフォームを設計するうえで発熱管理を最も重視している。個別チップのスペックを下方調整するというより、システム全体で最適な組み合わせを探す過程であり、市場全体の需要に大きな変動を起こすものではない > (半導体業界関係者) 同じ変更は、次の世代へもう入り始めている。HBM4の後継のHBM4Eも、当初の12段ではなく8段中心の出荷になる公算が高いという。HBM4EはNVIDIAのRubin Ultra向けの製品だ。 > 12段と16段のHBM4Eサンプルも議論されてはいるが、いまの顧客との議論を見ると、来年供給されるHBM4Eは8段が主力になる可能性が高い。ただしRubin UltraがHBM4EとHBM4のどちらを使うのかといった論点が残っており、業界全体の不確実性は高い > (メモリ半導体業界の高位関係者) 見るべきは来年のHBM4Eの段数だ。8段で出てくれば、段数は積み上がっていくものだという前提が2世代続けて止まる。12段や16段で出てくれば、止まったのはHBM4の1世代だけということになる。 そのどちらになるかを決めているのが、いまのところJEDECの規格書ではなく客の発注書のほうだ、という点は覚えておいていい。 🤘情報提供 Stock Slayer :
もっと見る
【アップデート】 Game Pitching+を1.0から2.0にバージョンアップしました ■背景: 従来方式の課題は、打者が振るか見送るかという最初の分岐と、その後に起きる結果を、1つの多クラス分類で同時に学習させていた点です Swingの判断、空振りやファウル、見逃し時の判定は発生構造が異なります これらをまとめて扱うと、それぞれの条件付き確率を個別に最適化しにくく、頻度の異なる結果が同じ損失関数の中で競合します また、BIPのxwOBAcon回帰は平均的な打球品質を評価するには有用ですが、低頻度ながら失点影響の大きいHRと、通常のインプレーを同じ連続値の中で扱います そのため、平均的な打球品質の推定に引っ張られ、HRというテールリスクが薄まる可能性がありました ■Game Pitching+2.0概要: Game Pitching+ 2.0では、まずTake/Swingを予測し、その条件下でWhiff/Foul/InPlay、またはCalled Strike/Ball/HBPを予測します さらにBIP時のHR確率を独立して推定します 投球結果が発生する順序に沿ってモデルを分解することで、それぞれの確率を適切な対象球だけで学習できる構造にしました ■モデル検証: 検証では2022〜2024年を学習期間とし、2025年を完全な未学習データとして使用しました 確率校正は2022〜2023年で一時モデルを学習し、2024年でTemperature Scalingを実施 2025年に100回以上を投げた共通127投手について、FIP、K-BB%、SIERAとの関係を比較しました ■検証結果(Pearson相関の絶対値): FIP:.588 → .761 K-BB%:.683 → .840 SIERA:.692 → .853 3指標平均は.654から.818へ改善しました Pitching+ 2.0では、球質・位置・状況を別々に評価して後から足すのではなく、最初から1つの投球価値として学習する設計を採用しています
もっと見る
大規模言語モデル(LLM)に「株の大口注文をいつ・どれだけ売買するか」を決めさせる研究が出ていた( 機関投資家が大きな注文を一度に出すと価格が動いて損をするため、小分けにして執行する(親注文執行)のがアルゴリズム取引の基本課題。従来はTWAP(注文を時間で均等に分割する手法)のような固定ルールか、個別に学習させたモデルに頼るしかなく、市場の前提が変わるたびに弱くなったり再学習が要ったりした。 この論文が提案する「PACE」(先読み制御執行、の意)は、LLMに役割を分けて執行させる。Planner役が数十分単位の値動きの方向性を読んで大まかな配分計画を立て、Executor役がそれをもとに数分単位で数量を上下させる。市場の前提を置かず、専用の学習も不要というのが利点。 深セン証券取引所の実データで検証したところ、PACEはTWAPやAlmgren-Chriss(伝統的な最適化手法)、XGBoost/LSTM(学習ベースの手法)をすべて上回り、最も成績の良かった手法よりも0.65bps(ベーシスポイント、1万分の1)高い成績を出した。年間1000億ドルを取引するファンドなら年間650万ドルのコスト削減に相当する規模で、1,680件の注文全体でLLMのAPI利用料はわずか30ドル程度だったという。 行動特性も興味深く、人間の投資家は自信過剰だと成績が悪化しやすいが、このLLMは自信度が高いときほど成績が良かった。締め切り間際に慌てるのではなく、早めに多く取引を終わらせる傾向も見られた。
もっと見る
# ADKの便利で実践的な使い方 ## 🔌 全エージェントに一括適用!ADKのPlugins機能 個別のエージェントにコールバックを設定するのは面倒…ADKの **Plugins** なら、Runnerレベルで全エージェント・全ツール・全LLM呼び出しに横断的な制御を一括適用できます!🎯 ## 📌 タイトル Plugins(プラグイン) ## 🔗 URL ## 🧩 概要 Pluginsは、Runnerレベルで動作するクロスエージェントモジュールです。エージェント個別のCallbacksとは異なり、**一度登録するだけで全エージェント・全ツール・全LLM呼び出しに適用**されます。セキュリティガードレール、ロギング、レート制限などの横断的関心事に最適です。 プラグインはエージェントレベルのコールバックよりも**先に実行される**ため、グローバルポリシーの適用に適しています。 ADKには組み込みプラグインも用意されています:Reflect and Retry Tools、BigQuery Analytics、Context Filter、Global Instruction、Logging Pluginなど。 ## 🛠 使い方 `BasePlugin` を `google.adk.plugins.base_plugin` からインポートし、`InMemoryRunner` を `google.adk.runners` からインポートします。`SecurityGuardPlugin` クラスを `BasePlugin` のサブクラスとして定義し、`__init__` で `super().__init__(name="security_guard")` を呼びます。`before_model_callback` メソッドでは `llm_request.contents[-1].parts[0].text` からユーザー入力を取得し、`detect_injection()` でインジェクションを検出した場合に拒否メッセージ入りの `LlmResponse` を返します。`before_tool_callback` メソッドでは `is_authorized( で権限チェックを行い、未認可ならエラー辞書を返します。いずれも問題なければ `None` を返して通常続行します。最後に `InMemoryRunner` を作成し、`plugins=[SecurityGuardPlugin()]` を渡すだけで全エージェントにこのセキュリティガードが適用されます。 ## 🏗 実践的な使い方 **「Gemini as a Judge」パターンでのインジェクション検出:** `InjectionDetectorPlugin` は `BasePlugin` を継承し、`name="injection_detector"` で初期化します。`self.judge_model = "gemini-flash-lite"` をジャッジモデルとして保持し、`before_model_callback` で `llm_request.contents[-1].parts[0].text` からユーザー入力を取得して `judge_with_flash_lite()` に渡します。判定結果が `"INJECTION"` であれば `audit_log()` で記録し、拒否メッセージ入りの `LlmResponse` を返してブロックします。問題なければ `None` を返します。 `RateLimitPlugin` は `BasePlugin` を継承し、`max_calls_per_minute` パラメータ(デフォルト60)で初期化します。` リストで呼び出し履歴を管理し、`before_model_callback` で直近60秒間の呼び出し回数をカウントします。上限に達していればレート制限メッセージ入りの `LlmResponse` を返し、そうでなければ現在時刻を `call_log` に追加して `None` を返します。 最後に `InMemoryRunner` の `plugins` パラメータに `InjectionDetectorPlugin()` と `RateLimitPlugin(max_calls_per_minute=30)` を渡して、複数プラグインを組み合わせて登録します。 ## 💡 ユースケース - 🛡️ **セキュリティガードレール**:全エージェントに対するインジェクション検出・PII保護を一元管理 - 📊 **統合ロギング**:BigQuery Analyticsプラグインで全エージェントの実行ログを集約 - ⏱️ **レート制限**:API呼び出し回数を制御してコスト爆発を防止 - 🔄 **自動リトライ**:Reflect and Retry Toolsプラグインでツール失敗時のインテリジェントなリトライ - 📝 **グローバルインストラクション**:全エージェントに共通のポリシーや指示を注入 ## ⚠️ 注意点 - プラグインはエージェントレベルのコールバックより**先に**実行されます(優先順位に注意) - プラグインで値を返すと、対応するエージェントレベルのコールバックも含めてスキップされます - 全エージェントに適用されるため、特定エージェントだけに適用したいロジックはCallbacksを使ってください - `on_model_error_callback` / `on_tool_error_callback` フックでエラーハンドリングも可能です - Python v1.7.0+、TypeScript v0.2.5+、Go v0.4.0+、Java v0.3.0+ で利用可能です ## ✨ まとめ Pluginsは「一度書けば全エージェントに適用」を実現する強力な仕組みです。セキュリティ、ロギング、レート制限などの横断的関心事はPluginsに任せ、エージェント固有のロジックはCallbacksに集中させましょう。この分離により、保守性とセキュリティの両方が向上します! #ADK# #AIAgent#
もっと見る