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 形式検証
形式検証 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
形式検証 を含む検索結果
TL;DR 350年以上未解決だったフェルマーの最終定理を、Claudeがわずか11日間で完全にコンピュータ検証可能な形に形式化しました。数十体のAIエージェントが協力し、証明支援系Leanで検証済みの巨大な証明を作り上げています。 タイトル: Formalizing Fermat's Last Theorem URL: ポイント 🧮 証明した中間定理は29,500個(総数30,300個) 📄 生成したLeanコードは1,300万行、Mathlibの5倍の規模 🤝 数十体のClaudeエージェントが役割分担しながら協調作業 🧩 協調基盤「Prove2Me」が定理の依存関係と状態管理を担当 ⚙️ 使用した公理はLeanの標準3公理のみ 💬 数学者Kevin Buzzard氏も証明の正しさを確認済み 🔁 3人チームが3日間で三素数定理を形式化した先例もあり 一件一件人手で数年かかっていた証明査読の負担を、AIによる形式化が大きく減らせる可能性を示す事例だと感じます。 #Lean# #形式検証#
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 # Verified Structured Output|検証済み構造化出力 🎯 LLMの出力をそのまま下流システムに流していませんか?JSONが壊れている、値が不正、フィールドが足りない――「黙って壊れる」を防ぐのがこのパターンです。 🔥 解決する課題 LLMの出力は本質的に曖昧な自然言語です。下流のコードやAPIが期待する型やフィールドに従わない出力が返ると、パース失敗・型エラー・無効な値の混入がサイレントに後続処理を破壊します。フォーマットが正しくても「過去の日付を未来として返す」「存在しない商品IDを含める」といったビジネスルール違反は、構文チェックだけでは検出できません。 💡 提案パターン LLMの出力をresponse_formatやfunction_callingでJSON Schemaに準拠させる第1層(スキーマ検証)と、決定論的コードでビジネスルール制約を検証する第2層(意味的検証)の二段構成にします。違反時はエラー内容をコンテキストに追加して自己修正リトライを行い、予算内(目安1-3回)で収束しなければfail-fastします。温度は0.0-0.3に設定し、構造化出力の従順率を確保します。 ✅ 選定条件 使うとき: - LLMの出力を下流のコード・API・データベースが消費する - 出力が従うべきスキーマ(型・必須フィールド・値域)が定義可能 - 不正な出力が後続処理を壊すと業務影響がある 使わないとき: - 出力が自由形式のテキスト(要約・対話)で構造化の必要がない - 出力スキーマが頻繁に変わりスキーマ維持コストが利益を上回る - 不正出力をそのまま捨てても問題ない低リスク用途 ⚠️ 落とし穴 - リトライ時にエラーメッセージを毎回追加するとトークン消費が膨らみます。直前のエラーだけを渡すか要約する工夫が必要です - スキーマのフィールド数が多すぎると(概ね15超)LLMの従順率が下がります。大きいスキーマは分割呼び出しを検討してください - response_formatはプロバイダ依存です。スキーマ定義はPydanticやJSON Schemaなど中間表現で管理してください 🔧 実装方針 - 第1層(スキーマ検証)ではresponse_formatやfunction_callingでJSON Schemaに準拠させ、Pydanticモデルで型・値域を強制します - 第2層(ビジネスルール検証)では決定論的コードで日付範囲・ID存在・権限等のドメイン制約を検証します - 検証失敗時はエラー内容をコンテキストに追加して自己修正リトライを行い、予算(目安1-3回)で打ち切りfail-fastします - LLMの温度は0.0-0.3に設定し、構造化出力の従順率を確保します - スキーマ定義はPydanticやJSON Schemaなどプロバイダ非依存の中間表現で管理し、移植性を担保します #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
/ #謎検# 2026秋 「早割」実施中📝 \ 10/12(月)11:59までのお申込みで、 受検料が4,400円→3,300円に✨ 開催は11/25(水)〜12/1(火)。 WEBテスト形式で期間中いつでも挑戦可能💪 ▼お申込み&詳細はこちら
もっと見る
# AIエージェント開発の意思決定ポイント 🎯 ポイント LLMにドメイン知識を与えたい。RAG?ファインチューニング?ロングコンテキスト? 「とりあえずRAGで」と思考停止していませんか?この三択、実は知識の性質によって最適解がまったく異なります。選び間違えると、古い情報で回答し続けたり、出典を示せなかったり、トークンコストが爆発したり。正しく選ぶための判断軸を整理しましょう。 📋 概要 AIエージェントにドメイン固有の知識を持たせる方法は大きく3つあります。RAG(検索拡張生成)はベクトルDBなどから関連情報を検索してプロンプトに注入する方式。ファインチューニング(FT)はモデルの重みを追加学習で調整して知識を焼き込む方式。ロングコンテキストは大きなコンテキスト窓にドキュメントをそのまま投入する方式です。それぞれ知識の格納場所・更新サイクル・コスト構造が根本的に異なるため、ユースケースに応じて主軸を1つ選ぶ必要があります。 🔍 意思決定のポイント 判断の核心は「知識がどのくらいの頻度で変わるか」と「出典の明示が必要か」です。 📌 知識の鮮度が命なら → RAG一択。FAQや価格、在庫情報など頻繁に変わるデータは、インデックスを更新するだけで即座に反映されます。FTでは再学習に日〜週単位かかり、現実的ではありません。 📌 出典を示す必要があるなら → これもRAG。「この回答の根拠はどのドキュメントの何ページか」を提示できるのはRAGだけです。FTで焼き込んだ知識は「モデルがそう知っている」状態であり、事後に追跡不可能。説明責任が求められる環境では致命的です。 📌 出力の様式・口調を統一したいなら → FT。「常に法務文書の形式で出力する」のようなスタイルの一貫性は、RAGで例を注入しても安定しません。FTでモデルレベルに染み込ませることで、推論時の例示注入が不要になり、コンテキスト窓の節約にもなります。 📌 少数の文書を丸ごと理解させたいなら → ロングコンテキスト。契約書全体の解釈のように文書構造が重要な場合、チャンク分割で文脈が断絶するRAGよりも、全文をそのまま投入する方が精度が高くなります。 💡 要点と詳細 🔹 RAGの本質的な強みは「知識とモデルの分離」です。知識はインデックスに、推論能力はモデルに。この分離により、知識の更新がモデルの再学習を必要としません。ただし検索品質に依存するため、チャンク分割・埋め込みモデル・リランキング戦略のチューニングが品質を左右します。 🔹 FTの本質的な強みは「行動様式の安定的な変容」です。繰り返し同じ形式で出力する場面では、推論コストがRAGより低くなりえます。ただし知識の更新にはデータセット準備→学習→検証のサイクルが必要で、機動力に欠けます。 🔹 ロングコンテキストの本質的な強みは「実装の単純さ」です。ベクトルDB、検索パイプライン、チャンク分割、FTのインフラがすべて不要。ただしトークン課金がそのままコストに直結し、"Lost in the Middle"問題(窓の中盤の情報に注意が薄れる)もあるため、大量の文書には向きません。 ⚖️ トレードオフ RAGは鮮度と出典追跡に優れるが、検索パイプラインの構築・運用が必要。FTは様式の一貫性に優れるが、知識の更新が遅く出典が不透明。ロングコンテキストは実装が最も簡単だが、コストとスケーラビリティに制約あり。 🏆 実務での定石は「様式はFT、事実はRAG」のハイブリッド。FTで出力形式・口調・専門用語をモデルに染み込ませ、RAGで最新の事実情報を注入する。ロングコンテキストは、RAGのチャンク分割では失われる文脈が重要な場面で補完的に使います。 🛠️ ユースケース 🏢 社内ナレッジベースQ&A → RAG。ドキュメントは日々更新され、回答には出典の提示が求められる。 ⚖️ 法務文書レビュー → FT+RAG。法務特有の口調と形式はFTで統一し、最新の判例や規制はRAGで注入。 📄 契約書の全体解釈 → ロングコンテキスト。契約書1通を丸ごと投入し、条項間の関係を把握させる。 🏥 医療情報提供 → RAG必須。出典の明示が絶対要件であり、情報の鮮度も重要。FTで焼き込んだ医療知識はハルシネーションと区別できず危険。 迷ったらRAGから始めてください。ほとんどの業務システムでは知識は更新されるものであり、出典を示す能力は信頼性の基盤です。 #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
便利だけど知られていないGemini APIの機能 🔎 RAGを自前で構築する前に、マネージドで試してみませんか? Geminiの「ファイル検索(File Search)」は、ファイルをアップロードするだけでチャンク化・埋め込み・検索まで全部やってくれるマネージドRAGです。自前でベクトルDBを立てる必要がありません。 📌 タイトル:ファイル検索(File Search) 🔗 URL: 🧩 概要 RAG(検索拡張生成)を構築するには、通常はドキュメントのチャンク化、埋め込みモデルの選定、ベクトルDBの構築・運用が必要です。File Searchはその全てをGoogle側が管理。ファイルをアップロードするだけで、Geminiがそのファイル内の関連箇所を検索し、回答に利用します。 🛠 使い方 ファイルをFiles APIでアップロードし、File Searchツールを有効にしてリクエストを送るだけ。Geminiが質問に関連するチャンクを自動で検索し、回答に組み込みます。PDF、テキスト、コードなど様々な形式に対応。複数ファイルをまとめて検索させることも可能です。 🏗 本番システムへの組み込み方 ・社内ドキュメントQ&A:規約集、マニュアル、議事録をアップして、社員がチャットで質問できるシステムに。ベクトルDB不要で即構築。 ・カスタマーサポート:製品ドキュメントをアップし、顧客の質問に対して正確な情報を自動で返す。 ・法務/コンプライアンス:契約書や法令文書をアップし、条項に関する質問に回答。出典の特定も容易。 ・技術文書検索:APIドキュメントや設計書を検索して、開発者の質問に即答するアシスタント。 💡 ユースケース 📚 社内ナレッジベースのQ&Aシステム 🎧 製品ドキュメントに基づくサポートbot ⚖️ 法務文書の条項検索・解釈 🧑‍💻 技術文書に基づく開発者アシスタント ⚠️ 注意点 マネージドのためチャンク化戦略やembeddingモデルのカスタマイズは限定的です。精度を細かくチューニングしたい場合は自前RAGの方が柔軟。また、ファイルサイズや数に制限があるため、大規模なドキュメント群には事前に制限を確認してください。 ✨ 「RAGを試したいけどインフラ構築が重い」という声に応える機能です。まずは小さなドキュメントセットでFile Searchを試して、マネージドの手軽さを体感してみてください。 #Gemini# #LLM#
もっと見る
形式にとらわれて融通が利かないことを「杓子(しゃくし)定規」といいます。しかし辞書を見ると「誤った基準でものをはかろうとすること」(日本国語大辞典)という別の意味も載っています。曲がった杓子の柄を定規として使うことに由来するそうですが、だいぶ印象が違いますね。(埋) #杓子定規
もっと見る
形式を守り教義に盲従するというだけの宗教では何の価値もありません。真の宗教とはみずから世に出て、少しでも住み良い環境にするような行為を心掛けることです。
もっと見る
セッション形式の撮影会ではぼっちになることもしばしば。そんな時はポージングの練習をしています。それが来年出版される作画資料集にも繋がっているのかと思うと我ながら胸熱です。無駄な時間なんて1秒もないね。時間が足りない。
もっと見る
クイズ形式で会話をする人の「私はこの後どうしたと思う?」的な出題に対して、私は幼少期より一貫してそのような出題に脳みそと時間を使うのは無意味であると考えるので、「分かりません」と即答するのですが、クイズ形式で会話をしたがる人の性質が40過BBAになっても分からないのであります。
もっと見る
『ランキング形式の大喜利の順位を全部決めるライブ』 今回は2つのランキング順位を決定❗️ 1位が中々決まらない時間や、猫が出てくるなど自由な時間をお楽しみいただきました📝 花谷さんの回答も盛り上がり和気あいあいとした瞬間も😆 ご来場いただきありがとうございました✨️✨️
もっと見る