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 学習の量と質の確保
学習の量と質の確保 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
学習の量と質の確保 を含む検索結果
♪名大生ボイス♪ 「[10,11月]不安な時期の受験勉強のコツ」 ・体験談 ・受験当日までの流れ ・焦りとの付き合い方 ・目標設定のポイント ・共通テストと二次試験の学習量配分 ▼名大生ボイスはこちら #名大# #受験生応援# #モチベーション維持# #学習の量と質の確保#
もっと見る
論文:学習する組織で、参加がお飾りになる仕組み 同じ会議に出ていても、意見が通る人と通らない人がいる。声の大きさでも、準備の量でもない。そこには、誰の解釈が採用され、誰の問いが流されるかを決める権力が働いている。 ピーター・センゲの『第五項修練』は1990年、システム思考をシステムダイナミクスとして広め、学習する組織という理想を普及させた。理想そのものは悪くない。問題は、そこで働く権力が見えないことだ。 一つ目の働きは、対話を独白に変えることだ。強い社会的な力が働くと、複数の解釈は一つの解釈に置き換わる。他の解釈は退けられ、それを持っていた人や集団は学習の場から疎外される。 二つ目は、参加させるが縛るという働きだ。参加の場はあっても、その参加を方向づける言説が批判的に検討されない。クレシーとケラハーは問う。学習と生産の最善の解がすでに決まっているなら、批判的な自己省察はどこに入るのか。 スネルとチャクの指摘は、参加の場を増やせば学習が深まるという前提を崩す。 三つ目は、合意を目的化させる働きだ。議論は「合意できたこと」を探す探索になり、その合意が誰の言葉で作られ、誰の沈黙の上に成り立ったかは問われない。合意は、力の非対称を隠す膜になる。 四つ目は、恐怖で学習を後退させる働きだ。ヴィンスは、権力関係が組織の解釈過程を直接媒介すると述べ、感情に政治的な次元があることを示した。不安、防衛、恐れ、縮こまりが、学習を進歩ではなく後退へ向かわせる。 五つ目は、業績の言説が他の価値を押し出す働きだ。ハスは経済性能の言説からの脱学習を説き、マッキンタイア=ミルズは生活の質や周縁の人々の福祉、地球の健康が視野から落ちることを警告した。コリエンは、マクロの支配構造がミクロの学習過程で再生産されると論じた。 * そこで私たちはトリプルループ学習を、設計・討論・権力の三つを同じ重さで扱う学習として組み直す。どれか一つが飾りになれば、学習は責任ある決定から離れる。 シングルループ学習は、目的を所与として手段を問う。「この作業をもっと早くできないか」と考える。設計型は効率を、討論型は参加を、権力型は公平な実践を問うが、なお手段と目的の枠に閉じやすい。 ダブルループ学習は、設計と討論の二つの中心を行き来する。「この作業は本当に必要か」と、目的そのものを問い直す。物事を正しく行っているか、正しいことを行っているかを同時に考える。 トリプルループ学習は、そこに「正しいことが通るのは、それが正しいからか、それとも権力があるからか」という問いを加える。三つの問いを一つの意識に束ね、三つの中心の間で循環させる。 ここで私たちの使う権力には、二つの顔がある。一つは他者を従わせる権力、もう一つは望むことを実現する力だ。問題は、前者が後者を覆い隠してしまうことにある。 設計する力が生活の質に仕えるように、決定する力が責任ある共同決定を育てるように、関係を変える力が人と地球のつながりを強めるように。これは支配する権力から、設計し、共に決め、関係を変える力への移行だ。 多くの論者がトリプルループ学習を論じてきた。循環組織と結びつける議論、教訓学習の手続きに落とす議論、多様性管理に応用する議論がある。しかし、権力を正面から扱うものは少ない。 学習する組織の文献全体も、権力を十分に扱ってこなかった。参加の場を設けても、そこでの発言を制約する言説が再検討されなければ、学習は深まらない。 スネルとチャクは、学習する組織が権力者によって、排除された成員に「自分たちにはより多くの力がある」と信じ込ませる装置になりうると指摘した。学習は、権力の非対称を隠す飾りにもなる。 * この指摘は、学習を増やせばよいという発想を揺さぶる。問うべきは、誰が設計し、誰が討論を方向づけ、誰が決定の責任を負うのかである。 ハスは経済性能の言説を脱学習する必要を説き、マッキンタイア=ミルズは生活の質と地球の健康を基準に組み替えるよう求めた。私たちのトリプルループ学習は、この問題意識を三つの中心の循環に組み込む。 学習する組織の成否は、循環の回数ではなく、誰の声が設計と決定に届いているかで決まる。トリプルループ学習は、参加の場を飾るのではなく、参加を可能にする条件そのものを問う。 — 研究論文 『A systemic approach to processes of power in learning organizations: part I - literature, theory, and methodology of triple loop learning』(学習組織における権力過程へのシステム的アプローチ:第1部 トリプルループ学習の文献・理論・方法論)2018年。 Robert L. Flood、Norma R. A. Romm(組織学習とシステム思考の研究者)
もっと見る
🛠️ 「成功した軌跡」を集めるだけでは、ツール利用エージェントは強くならないかもしれません。 タイトル: Trajectory2Gym: Decision-Grounded Compositional Interaction Synthesis for Tool-Use Agents URL: 成功軌跡ではなく「学習できる経験」を意図的に作ってSFTする、ツール利用エージェントの学習データ合成手法です。注目ポイントは3つです。 🧩 注目ポイント1: 依存関係を狙って合成する 検索・エラー・リトライ・確認・更新といった依存連鎖が、データに繰り返し含まれているかを重視します。足りないパスを次の合成ラウンドで補います。実際、既存の候補プールでは、本物のエラーの後の意思決定を含む軌跡は10.0%しかありませんでした。 🎯 注目ポイント2: エージェントに見える根拠のある行動だけを学習 教師ポリシーしか知らないIDのような「見えない情報」に頼った行動は学習から外します。失敗した呼び出しやエラーはコンテキストに残しつつ、模倣はしません。 ⚖️ 注目ポイント3: 軌跡単位で重みを揃えるSFT 長い軌跡ほど学習例が増えて重みが偏るのを避けるため、軌跡内で平均してから軌跡間で平均します。アブレーションでは+8.04ポイントと最大の単独効果でした。 📊 Qwen3の5規模で、Tau1・Tau2・BFCLの平均が16.9〜29.8ポイント向上しました。学習後の4BがTau2で69.17と、30B-A3B初期モデルの28.33を上回っています。 💡 データの量より、依存関係と根拠の質を管理する発想が重要だと示しています。 #AIエージェント# #LLM#
もっと見る
何故いまだに量vs質の話があるのか不思議 第一原則:量が質に転化する、は不可逆(量なしに質は上がらない) 第二原則:ただし、間違った量は質に転化しない 第三原則:量の投下先を間違えないために学習しろ これ以外の答えはないと思っているんですが、、、 ありますか?
もっと見る
# 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 # 集中 vs 連合メモリ|エージェントの記憶をどこに持つか 🎯 ポイント エージェントの記憶(ユーザープロファイル、対話履歴、学習データ)を「1箇所に全部集める」か「各データソースに分散させたまま」にするか。これは単なる技術選択ではなく、データ主権・越境規制・パーソナライズの質に直結する設計判断です。特にグローバル展開するエンタープライズでは、GDPRや中国データセキュリティ法への対応が設計を大きく左右します🔑 📋 概要 集中メモリは全エージェントが同一の中央ストアを参照する構成で、複数チャネルを横断した一貫したパーソナライズが実現できます。Slackでの会話履歴をSalesforceのエージェントでも活用するようなケースです。連合メモリは各データソースにデータを分散保持し、エージェントが必要なときだけ参照する構成で、データ主権や越境転送規制への準拠が容易です。どちらにも長所と限界があり、多くのエンタープライズではメタデータは集中・本体は連合というハイブリッド構成に落ち着きます📊 🔍 意思決定のポイント 判断の最重要軸は「データの越境転送規制」です。 対象データにGDPR、中国データセキュリティ法等の越境転送規制が適用される場合、連合メモリが前提です。データを元のシステムから移動できない以上、集中は選択肢になりません。 複数システムを横断した一貫したパーソナライズが必要な場合は、集中を検討しましょう。顧客の解約意思を全エージェントが即座に反映するような強整合が求められるケースです。 各データソースのアクセス権限モデルが統一できない場合は、連合で各ソースの権限を尊重しましょう。統合すると最小権限の原則に違反するリスクがあります。 データ量と更新頻度から中央への同期コストが許容範囲を超える場合は、連合にキャッシュ層を追加する構成を検討してください⚡ 💡 要点と詳細 ハイブリッド構成の3つのアプローチを理解しておくことが重要です: メタデータは集中、本体は連合 — ユーザーの識別子・最終アクセス日・嗜好サマリなど軽量なメタデータは中央に持ち、詳細データ(対話ログ本文、添付ファイル)は各ソースに残します。集中の利便性と連合のデータ主権準拠を両立する、最も一般的なパターンです。 キャッシュ層による仮想集中 — 各ソースからリアルタイムにフェッチした結果を短期キャッシュに統合し、リクエスト単位で疑似的な集中ビューを構築します。データの永続的な複製を避けられるため、GDPRの忘れられる権利への対応も容易です。 コンテキストブローカー — エージェントのリクエスト時に必要なデータを各ソースから収集・結合するブローカーを配置します。集中ストアを持たずに横断的な文脈を提供できますが、レイテンシとソース障害時のフォールバック設計が課題です🔄 ⚖️ トレードオフ 集中ストアに全データを複製すると、ストレージコストが膨らむだけでなく元データとの同期遅延が発生します。Salesforceで顧客情報を更新したのに集中メモリには反映されていない — この不整合はエージェントの信頼性を根本的に損ないます。さらに、削除権(忘れられる権利)への対応も複雑化します。集中メモリにコピーしたデータの削除が元ソースの削除と連動しないと、GDPRリスクになります😰 一方、連合のまま横断クエリを強行すると、各ソースへのリアルタイムクエリが多段になり、レイテンシが5秒を超えてユーザー体験が劣化します。ソース障害時にエージェントがエラーを返す問題もあり、キャッシュからの応答と鮮度警告を組み合わせたフォールバック設計が不可欠です。 最も危険な失敗は、データ分類の欠如です。どのデータが集中可能でどのデータが越境不可かを事前に分類せず、コンプライアンス違反が本番で発覚するケースは珍しくありません⚠️ 🛠️ ユースケース グローバル顧客対応エージェント(Salesforce/Zendesk連携):EU顧客のデータはEUリージョンのZendeskに、日本の顧客データは日本のSalesforceに連合保持。メタデータ(顧客ID、最終対応日、嗜好サマリ)のみ中央のCDPに集約し、全エージェントが一貫した顧客理解を共有。詳細データは必要時に各ソースからフェッチします📚 社内ナレッジエージェント(ServiceNow/Workday/Confluence連携):ServiceNowのインシデント履歴はIT部門管轄、Workdayの人事データはHR部門管轄として、それぞれのソースがアクセス権限を制御。コンテキストブローカーがリクエスト時に必要なデータを各ソースから収集・結合し、横断的な回答を生成します🏢 顧客360エージェント(Salesforce CDP連携):全社統一の顧客プロファイルストアを中心に、全エージェントが同一の顧客理解を共有。解約意思や重要クレームなどの状態変更は強整合で即座に反映。データが単一リージョンに収まるドメスティック運用に向いています🔧 実践のコツ:まずデータ分類ポリシーを策定してください。「集中可能」「越境不可」「アクセス制限あり」の3カテゴリでデータを仕分けし、その分類に基づいてメモリアーキテクチャを選定するのが正しい順序です。技術選定からではなく、コンプライアンス要件から設計を始めましょう💪 #AIエージェント# #エンタープライズアーキテクチャ#
もっと見る
深層学習の歴史を振り返ると、AlexNetが「手作業で工程を分けるより、入力から出力まで丸ごと1つのモデルで学習させる(end-to-end)方が強い」ことを示したのが革命の始まりだった。ところが生成AIだけはこの流れに乗り切れていない、という指摘から始まる論文が公開された(https://arxiv[.]org/html/2607.27372v1)。 拡散モデルや自己回帰モデル(要素を1つずつ順番に予測して生成するモデル)など、今の生成AIはどれも「生成の手順を細かいステップに分解する」ことで動いている。拡散モデルなら、ノイズだらけの画像を少しずつクリアにしていく数百ステップだ。これは「1つの入力に無数の正解がありうる」多峰性(複数の正解パターンがある)分布を、各ステップではほぼ一意な予測に絞り込むための工夫だが、この分解のせいで学習時(1ステップだけ予測)と推論時(数百ステップ繰り返す)でやっていることが食い違い、end-to-end(学習と推論の手順を完全一致させる訓練方式)にはなっていなかった。 この論文の「Explorative Modeling(探索的モデリング)」は逆転の発想で、生成の手順は分解せず学習ループ自体を分解する。各学習ステップでモデルに複数の候補を生成させ、正解データに一番近いものだけを使って学習する(best-of-k方式)。候補が1個だとモデルの最善手はすべての正解の平均になりぼやけた画像しか出せないが、候補をk個に増やすとそれぞれが別々の正解パターンを担当できるようになる。論文中の犬画像の比較が分かりやすく、候補1個ではほぼ完全にぼやけた模様、候補50個まで増やすと元画像とほぼ見分けがつかない鮮明さになっている。 この「探索の量」はパラメータ数・データ量に続く第三のスケーリング軸として機能し、画像・動画・言語のすべてで性能が単調に向上する。しかも効果はスケールが大きくなるほど強く、データ量を増やした場合の改善幅は7%から36%へ、モデルサイズを増やした場合は13%から23%へ拡大した。効率面ではFLOP(計算量)効率が4.1倍、サンプル効率が6.2倍、パラメータ効率が47%改善し、最強の画像生成レシピではImageNet 256×256でガイダンスなし1.43 FID(生成画像の品質指標、小さいほど良い)というほぼ最先端の性能に到達している。動画生成では過学習も抑えられ、FVD(動画品質指標、小さいほど良い)の最良値が探索なしの37.5から探索ありで30.0まで改善した。 さらにロボット制御タスクでは単体のend-to-end生成モデルとしても機能し、拡散モデルベースの手法と同等の性能を推論ステップ数16分の1から256分の1で達成した。数百回繰り返していた予測が、たった1回の計算で済むことになる。
もっと見る
# ADKの便利で実践的な使い方 セッションを超えた「長期記憶」を実現するMemory機能。過去の会話から学び、ユーザーを深く理解するエージェントを作りましょう🧠 📌 **タイトル**: Memory 🔗 **URL**: ## 🧩 概要 Memoryは、セッションを横断して検索可能な長期知識を管理する機能です。Stateが「今の会話」のデータを保持するのに対し、Memoryは「過去の会話から得た知識」を蓄積し、自然言語で検索できます。 主要なAPIは以下の2つです。 - `add_session_to_memory` / `add_events_to_memory`: セッションやイベントの内容をメモリに追加 - `search_memory`: 自然言語クエリでメモリを検索 バックエンドにはChromaなどのベクトルDBを使用でき、RAG(Retrieval-Augmented Generation)パターンでエージェントの応答品質を向上させます。 ## 🛠 使い方 `google.adk.memory` から `InMemoryMemoryService` をインポートしてインスタンス化します。セッション終了時に `await memory_service.add_session_to_memory(session)` でセッション内容をメモリに追加します。検索時は `await memory_service.search_memory(app_name=..., user_id=..., query="以前のネットワーク接続の問題")` のように自然言語クエリを渡します。返されたresultsの各 `memory` オブジェクトの `memory.content` から、過去の関連する会話内容を取得してエージェントの文脈に活用できます。 ## 🏗 実践的な使い方 **カスタマーサポートでの活用:** 1. ユーザーが「ネットワークがまた繋がらない」と問い合わせ 2. Memoryを「ネットワーク接続の問題」で検索 3. 「前回(3日前)も同じ問題で問い合わせがあり、ルーターの再起動で解決しました」という情報を取得 4. エージェントが「前回の問題は解決しましたか?同じ症状でしたらルーターの再起動をお試しください」と提案 過去の対応履歴を踏まえた、パーソナライズされたサポートが実現します。 **学習支援エージェント:** 1. 「微分がわからない」とユーザーが相談 2. Memoryを検索し、「このユーザーは視覚的な説明を好む」「前回は具体例から理解した」という知識を取得 3. グラフを使った具体例ベースの説明を提供 ## 💡 ユースケース - 🎧 カスタマーサポート: 過去の問い合わせ履歴を踏まえた対応。「前回の問題は解決しましたか?」 - 📚 学習支援: ユーザーの学習スタイルや理解度を記憶し、最適な教え方を選択 - 🏥 健康管理: 過去の相談履歴から傾向を把握し、継続的なアドバイスを提供 - 🛒 パーソナルショッパー: 購買履歴や好みを記憶し、的確な商品提案 ## ⚠️ 注意点 - メモリに個人情報を保存する場合、プライバシーポリシーとデータ保護規制への準拠が必要です - ベクトルDBの検索精度はエンベディングモデルの品質に依存します。適切なモデルを選択してください - メモリの量が増えると検索コストも増加します。定期的な整理やTTL(有効期限)の設定を検討しましょう - `InMemoryMemoryService` はプロセス再起動でデータが消えます。本番ではChromaなどの永続化バックエンドを使用してください ✨ Memory機能でエージェントに長期記憶を持たせれば、ユーザーとの関係が深まり、回を重ねるほど賢くなるエージェントが実現します! #ADK# #AIAgent#
もっと見る
🧬 「データは多いほど良い」という機械学習の常識が、ゲノム医療の世界では通用しないかもしれません。 タイトル: Transfer learning for genomic prediction in underrepresented populations URL: 疾患リスクを予測するポリジェニックリスクスコア(PRS)は、これまでほぼ欧州系集団のデータで作られてきたため、他の集団に使うと精度が落ちるという課題がありました。この研究では、UK Biobank(欧州系)とBiobank Japan(日本人)のデータ量を変えながら、8つの臨床形質でPRSの精度を検証しています。 注目ポイント1 📉 データが増えるほど良いとは限らない 欧州系データを使った転移学習が日本人向け予測に有利なのは、日本人側のサンプル数がおよそ15,000人に達するまで。それを超えると、むしろ日本人単独のデータで作ったモデルの方が精度が高くなります。 注目ポイント2 🧬 形質によって「賞味期限」が違う BMIのように遺伝的に保存性が高い形質は、欧州データの恩恵が25,000〜40,000人以上まで長続きします。一方、脂質関連の形質など集団固有性が強い形質では、恩恵はもっと早く失われます。 注目ポイント3 ⚖️ 手法選びもサンプル数次第 クロス集団向け手法PRS-CSxは、サンプル数が少ないうちはシンプルな手法に劣りますが、10万人規模に近づくと同等の性能を発揮します。万能な手法は存在せず、状況に応じた使い分けが必要です。 臨床ゲノミクスの公平性を高めるには、各地域のバイオバンク拡充と、形質・サンプルサイズに合わせた戦略選択の両輪が欠かせないことを示す研究です。 #ゲノミクス# #転移学習#
もっと見る
ストライプ CEO — 偉大な成果を残すためのキャリアと学習の原則 ■ 専門性の探求と圧倒的なインプット 特定の分野に深く潜り込み、その道の第一人者である専門家になることが極めて重要です。そのためには、まずは圧倒的な量の本を意図的に読むことを生涯の目標に据えなければなりません。単に広く浅く知識を蓄えるのではなく、一つの物さを極限まで突き詰める姿勢こそが長期的な成長の最大の土台となります。深く知ることで初めて見えてくる独自の景色があり、そこからイノベーションを推進する専門性が生まれます。徹底的な読書と飽くなき深掘りこそが、知的な卓越性を築き上げるための確固たる第一歩なのです。 ■ 限界のないハードワークの効用 自分が働くことを心の底から楽しめる限りにおいて、何者にも遠慮せずにハードワークに没頭すべきです。このような主観的な制約を満たす限り、限界まで努力を重ねたことに対する見返りやリターンが大幅に減少することはないというのが不都合な真実です。もし自らが日々のハードワークを心から楽しめているのであれば、それは天からの幸運な授かり物であり、深く感謝しつつそのアドバンテージを極限まで活用するべきです。限界を自ら設定せずに情熱のすべてを注ぎ込むことで、誰にも真似できない比類なき成果を生み出すことができます。 ■ ネットを活用した一流との繋がり 自分が少しでも興味を抱いている分野において、インターネットを最大限に駆使して世界中の優れた人々との信頼関係を築くことが大切です。現代のインターネットというインフラは、人類の過去の世代と比較して私たちが手にしている極めて強力かつ最大のアドバンテージの一つです。この圧倒的な競争優位性を活用しない手はなく、自ら積極的に情報発信をして他者と深く繋がることで自身の視野を広げていくべきです。地理的な制約やバックグラウンドを超えて、世界中の一流人材と切磋琢磨できる刺激的な環境を自らの手で主体的に作り出してください。 ■ 不確実性の中での物作りの実践 実際にリスクを取って自らの手でプロダクトや組織を作り出す経験は、単に安全な場所で知識を頭に入れるだけの受動的な学習とは全く異なる次元の深い体験です。特に先行きが見通せない不確実性の極めて高い環境において、自ら主体的に手を動かして行動することは、どのような高名な座学や教科書でも決して得られない本質的な知見をもたらします。そのためには、自分が心から憧れる領域における具体的な成功事例や優れたロールモデルを日常から数多く発見しておくことが不可欠です。一流の人物と実際に直接対面するチャンスを必死に模索したり、インタビュー動画の視聴やSNSでの追跡を通じて、彼らの思考様式を脳内に丸ごとインストールしてください。 ■ 若き日の挑戦とスピード感 人類の歴史において偉大な業績を残した傑出した人々の多くは、現代の私たちが驚くほど若い年齢の時にその最も重要な仕事をすでに成し遂げています。彼らがやがて有名になって白髪交じりの姿でメディアに登場する頃には、実際の実務や偉大なブレイクスルーを終えたずっと後の段階に過ぎないのです。したがって、若い時期の貴重な時間を一瞬たりとも無駄にすることなく、圧倒的なスピード感を持ってすぐに行動を開始しなければなりません。誰しもが早い段階から世界を変える素晴らしい挑戦を始める権利を持っており、今すぐその第一歩を踏み出すことで大いなる業績を達成できるのです。
もっと見る
特定のタスクでは、強化学習でファインチューニングしたSLMが、最新のLLMを上回っているよという内容。メモメモ。 ・Ramp社のデータによると、AI投資の上位企業は3年間で収益が2倍以上に成長 ・一方、AI支出がゼロの企業はわずか15%の成長にとどまっている ・成功している企業の共通点は、AIの知能を自社で所有していること ・その成功の定石となっているのが、オープンモデルと強化学習の組み合わせ ・最新モデルで作ったデータを用い、自社の業務プロセスを模した環境で学習させる ・BridgewaterやHarveyなども、この手法で最新モデルを上回る成果を出した ・筆者らはeコマースのカタログ審査タスクを用いて、この手法を実際に検証した ・約500ドルと数日のGPU稼働で、9BのオープンモデルをGRPOで強化学習 ・結果として、9Bのモデル(Qwen3.5)がGPT-5.5などの最新モデルのスコアを上回った ・品質だけでなく、推論コストの面でも圧倒的な差が生まれている ・最新モデルのAPIは1,000件の処理に34ドルのコストがかかる ・しかし、自社モデルなら同じ処理がわずか0.50ドルで済む ・大手eコマースの処理量で換算すると、年間5億ドルのコストが700万ドルになる計算 ・汎用モデルは毎回ゼロから背景を推論するため、プロンプトの指示には限界がある ・自社モデルなら、タスク固有の知識を重みとしてモデル内部に保持できる ・正誤の検証が可能で、かつ高頻度で実行されるタスクはファインチューニングが最適 ・ただ、まれにしか発生しないタスクは最新モデルのAPIを借りる方が適している
もっと見る