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 生成AI問題
生成AI問題 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
生成AI問題 を含む検索結果
# 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
YASAKANIエンジンで、RTX 5090 の単一デコード 1,220 tok/s を達成!! 今回は世界最速のエンジンである証明をしました。 RTX 5090 1枚・Qwen3.8-27B・1本の生成で、公開されている最速記録を5本すべて上回った(定格・同じ土俵の条件で、最大2.5倍)。 「5090で最速」を名乗る MegaCapybara 1.39 とは、同じPC・定格・同じ問題で直接対決。動画は実際の生成を、記録した時刻どおりに再生しています。 ■ 公開記録 → YASAKANI(tok/s) - mkyt(JSON)500 → 1,220(2.44倍) - NInfer(構造化3問)377 → 937(2.49倍) - TensorFold(英語)298 → 424(1.42倍) - ignis(コード)491 → 532(1.08倍) - MegaCapybara(コード)540※ → 498(同じPC・定格では466、1.07倍) ※540はメモリ+20% OCと自前のプロンプトでの値 ■ 同じPCで直接対決(MegaCapybara 1.39 Tiny、思考オフ・greedy) - JSONL 160行:1,220 vs 635(1.9倍) - 英語の推理小説:424 vs 253(1.7倍) - 中→英 翻訳:613 vs 366(1.7倍) - SQL:745 vs 603(1.2倍) - コード編集(ファイル全文の書き戻し):1,241 vs 440(2.82倍) - JSONL 8,192トークン:1,260 vs 666(1.89倍) 12問の平均でも、構造化1.4倍・散文1.6倍・翻訳1.6倍。 ■ エージェントの仕事ほど速い コード編集は「約4,700トークンのファイルを1か所直して、全文を返す」課題。AIエージェントが毎日やっている作業です。 3つのエンジン(YASAKANI 高速版・標準版・MegaCapybara)の出力は完全に同じ(4,711トークンが一致)で、違うのは速さだけ:1,241 / 1,136 / 440 tok/s。 ■ Qwen推奨設定(思考あり・温度1.0)でも 雑談・説明・コード・数学・JSON・長文入力の6課題の中央値:YASAKANI 381、SGLang 184、vLLM 183、llama.cpp 147(10/18、同じPC、他社は課題ごとに一番速い設定)。 この条件で250 tok/sを超える公開記録は、10月中旬の調査では見つかっていません。 ■ 長い文脈でも 25万トークンの文書を140秒で読み、続きの返事は0.3秒で開始。25万トークンを積んだ状態でも152 tok/s。262,144トークンの窓でVRAM 24.9GB(32GBのカードに収まる)。(10/30計測) ■ 速いだけではない 元モデルとのズレ(KLD):標準版 12.4GB で 0.021。MegaCapybara Tiny は 0.058(16.6GB)。 1,220 は高速版(11.7GB、KLD 0.044)。標準版でも 1,114。 ■ 正直に書いておくこと - ゼロから書くコードは僅差(1.04〜1.08倍)。540はOC込みの値で、定格では向こうも406〜533 - MegaCapybara以外の相手の数字は各自の公表値(別のPC・別のプロンプト・別の日)。同じPCで測ったのはMegaCapybaraだけ - 中国語の物語は英語より遅い(176〜302 tok/s) - 第三者の再現は公開後。それまでは「この条件で測って」と言われれば、同じPCで測って出します ■ 測り方 RTX 5090 ×1(定格600W・OCなし)、Windows、2026-11-03。NInferが公開している12問(コード3・物語3・翻訳3・構造化3)+自作のコード編集・長いJSONL。上限4,096トークン(長いJSONLは8,192)、思考オフ、greedy。速度=(出力トークン数−1)÷生成時間(読み込みは除く)。MegaCapybaraは公開版1.39を公式の1会話設定で起動し、向こうのサーバーの表示とこちらの計測は一致。 エンジンもモデル形式も自作。オープンソース・無料で公開予定。日程はこのアカウントで。 #YASAKANI#
もっと見る
「サングラスをかけたトカゲ」を描かせたら、サングラスが消えるか顔が崩れる。画像生成AIの「制御」問題に、Googleが数学的な答えを出しました。 タイトル: How Diffusion Controller unifies and simplifies AI image generation URL: 📝 概要 画像生成を逐次ステップの集まりではなく連続的な「制御問題」として捉え直すフレームワークDiffusion Controllerです。ベースモデルは凍結したまま、軽量なサイドネットワークを追加するだけで挙動を調整します。 ❓ 解決する課題 推論時のガイダンスと重いファインチューニング(LoRA等)という2系統は、統一的な数学原理を持たないため、好みへの適合と画質のバランスを手探りで調整するしかありませんでした。 💡 方法論と提案手法 デノイジング中の中間状態を観察し、モデル内部の重みに触れずに微小な補正を注入します。ポリシー勾定(PPO)方式と報酬重み付き損失方式の2つの実装で、画質を守るガードレールを備えています。この構造により、非公開のクローズドソースモデルすら制御可能になります。 📊 実験結果 Stable Diffusion v1.4でLoRAより少ない層しか操作しないにもかかわらず、SFT・RWL両方の学習経路でLoRAを上回りました。完全にアンロックした版ではベースライン比90%の勝率を記録し、複雑なプロンプトでの人間評価でも最良の品質を示しています。 #画像生成AI# #拡散モデル#
もっと見る
生成AI技術の急速な発展に伴って「声の権利」が大きな問題になっています。 AIを使って芸能人の肖像や声を無断生成した画像や動画が昨年6月から2カ月間で4万件を超え、芸能人らが受ける損失は20億~45億円に上るという試算も発表されています。
もっと見る
【悲報】生成AIによる選挙ポスター、さすがに問題になりそう AIの許容範囲が改めて問われています。
【悪質】“食パン放置問題”で新展開 フェイク動画が拡散 クマがムシャムシャ食べる生成AI動画 鳥取県知事も警鐘 #FNNプライムオンライン# #TSKさんいん中央テレビ#
もっと見る
生成AIによるアウトプットの精度はどこまでいっても100%にはならない。ではどうするか。「100%じゃなくてもいい」という使い方をするのも1つの手だし、そうも言ってられない場合であれば、「こういう観点・手順で検査しているので、こういう問題はありえるが、こういう問題はほぼ起きない」みたいなロジックと割り切りで語るしかないよな
もっと見る
3D生成AIと3Dプリンタの距離が、また少し近づいています。 @MeshyAIのAuto-Repairにより、生成した3Dモデルのジオメトリ問題を検出・修正し、スライサーに渡しやすい穴や隙間のない、3Dプリント向けのメッシュを創れるように。 3Dプリントがもっと楽しみやすくなる。
もっと見る
AI革命にフルベットするEpic Gamesの新戦略とジレンマ Epic Gamesは生成AIを全面的に活用する「AIファースト」の開発体制へと舵を切っている。一方で,AIを用いた既存ゲームの無断複製問題なども浮上。Epic Gamesが描く未来と,そのジレンマを追う
もっと見る
飲食店やスーパーで生成AIイラストによる気色悪いポスターやPOPが作られる理由をまとめると ・絵が描けてデザインセンスのある担当者がいない。 ・デザイナーに委託するほど手間やお金はかけられず、優先度も低い。 ・画像生成ツールがEdgeから使えるBing イメージクリエイターなので精度が悪い。 ・無料版の利用制限のため修正ができない。 ・無料版なので1回でまとめて画像を生成するか、長文のプロンプトは食べ物がキモくなりがち。 ・店長や本部の担当者など偉い人が作って店舗に配布する場合もあるが、AIに詳しくないので内部資料を読み込ませたりしてしまう。 ということらしい。 客からは「下手でも手書きのほうが味があって良い」という意見もあるが、現実問題としては「余裕がないからAIにやらせる」という側面も強いかと。
もっと見る