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 論微肉界我也算天花板吧
論微肉界我也算天花板吧 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
論微肉界我也算天花板吧 を含む検索結果
【時事世論調査】内閣支持率微増42.8% 消費減税「今国会」5割超 比例定数31減に57.7%が賛成しました。
⚾️日曜の #Goingは# 阪神・森下翔太に #亀梨和也# がインタビュー🎤 亀梨に明かした打撃論―― 「ホームランは一番ロマンがある」🔥 打撃フォームを微調整し続ける理由、 そして揺るがないホームランへのこだわりに迫る⚾️ さらに… 今年本人が選ぶ“No.1ホームラン”とは!?💥 @K_KAMEofficial @Kame_staff
もっと見る
# AIエージェント開発の意思決定ポイント # 計画先行(Plan-then-Execute) vs 逐次推論行動(ReAct) 📝 🎯 ポイント 「未来をどこまで見通してから動くか」-- これはエージェント設計で避けて通れない分岐です。 まず計画を立ててから実行するか、1ステップずつ観察と行動を繰り返すか。計画を明示的な中間成果物として持つかどうかで、承認フロー・コスト制御・デバッグの設計が根本的に変わります。LLMは1リクエストが高コストなので、計画なしの試行錯誤はトークンを浪費します。しかし環境が動的に変化するなら、精緻な計画も実行中に陳腐化します。 📋 概要 Plan-then-Execute(計画先行)は、タスクを受け取ったらまずLLMが実行計画を構造化データ(JSON/YAML)として生成し、計画確定後(必要に応じて人間承認後)に各ステップを順次実行する方式です。ReAct(逐次推論行動)は、LLMが「観察→推論→行動」のサイクルを1ステップずつ繰り返し、全体の計画は暗黙的にLLMの内部推論に委ねる方式です。 🔍 意思決定のポイント **タスクの変動性(task_variability)** を主軸に判定します。 📊 **環境の動的さによる判定**: - 静的(実行中にデータや外部状態がほぼ変わらない) → Plan-then-Execute - 半静的(大枠は安定だが一部で状態が変わりうる) → Plan-then-Execute+逸脱時の再計画 - 動的(各ステップの結果が次の選択を大きく左右する) → ReAct 📊 **タスクの性質による判定**: - 手順が定型で人間が事前に承認したい → Plan-then-Execute - 手順は概ね分かるが細部は実行時に決まる → Plan-then-Execute(粗い計画+実行時微調整) - 手順自体が不明で探索的に進める → ReAct **failure_cost** が高い場合(不可逆操作を含む場合)は Plan-then-Execute に強く倒す動機があります。 💡 要点と詳細 🟢 **Plan-then-Executeの強み**は透明性と制御性です。計画が明示的な中間成果物であるため、実行前に人間が「この手順で大丈夫か」を確認できます。不可逆な操作を含む計画を事前に検証でき、安全性を確保できます。デバッグでも「計画が間違っていたのか、実行が間違っていたのか」を分離して調査できます。計画段階で不要なステップを刈り込めるため、トークン消費の抑制にも有効です。弱点は計画の陳腐化で、環境変化時に再計画のメタループが発生しうるため、再計画回数に上限(2〜3回)を設ける必要があります。 🟡 **ReActの強み**は適応性です。環境の変化にステップ単位で対応でき、予期しない状況にも柔軟に反応できます。計画を立てる余裕がないほど動的な環境や、手順が不明で探索的に進めるタスクに適しています。実装もシンプルで、計画の生成・保存・検証・再計画のインフラが不要です。弱点は予測不能性とコストで、LLMが何ステップ踏むか事前にわからず、自己ループのリスクがあります。 ⚖️ トレードオフ | 観点 | Plan-then-Execute | ReAct | |---|---|---| | 透明性 | 計画が明示的な成果物 🟢 | 暗黙的(LLM内部推論) 🔴 | | 人間の承認 | 計画全体を事前承認可 | 各ステップごとに介入が必要 | | コスト制御 | ステップ数で上限見積り可 | 事前にわからない | | 環境変化への適応 | 再計画が必要(コスト増) | ステップ単位で対応 🟢 | | デバッグ | 計画と実行を分離して調査 | 全ステップログの解析が必要 | | 実装複雑性 | 計画インフラが必要 | ループ制御のみで動作 | 🛠️ ユースケース 🔵 **Plan-then-Executeが向くケース**: 不可逆操作を含む処理、人間承認が必要なワークフロー、コスト予測が重要な処理、手順が定型的なタスク。 🔴 **ReActが向くケース**: デバッグ・調査、動的に変化する環境での処理、手順が不明で探索的に進めるタスク、プロトタイプ開発。 📌 **デフォルト戦略**: 計画先行(Plan-then-Execute)で、計画は人間が編集可能にしてください。最も実用的な折衷は「計画先行+逸脱時のみ再計画」です。まず計画を立て、各ステップの実行結果が期待と大きく異なる場合にのみ再計画を発動します。再計画では失敗情報を添えて新しい計画を生成するため、同じ失敗を繰り返しにくくなります。再計画回数の上限は2〜3回が目安です。 #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
🎨 テキストから高精細な画像を生成するモデルを、完全にオープンなレシピだけでゼロから鍛え上げ、トップクラスのモデルに迫る性能を実現しました。 タイトル: LLaDA-Image: Building Strong Image Generators with Fully Open Training Recipes URL: 🖼️ 概要 LLaDA-Imageは、6BパラメータのDiffusion Transformerをゼロから訓練し、dLLMベースの視覚言語理解モジュールと組み合わせた統一的な画像生成・編集モデルです。TwinFlow蒸留により2〜4ステップという少なさで高速推論できるTurbo版もあわせて公開されています。 🧩 解決する課題 高品質な画像生成にはこれまで大量のペア画像テキストデータが必要とされ、キャプション品質のばらつきや、生成と編集を1つのモデルで両立させる難しさが課題でした。 🛠️ 方法論と提案手法 画像のみの事前学習を中心に据え、220Mサンプルのうち90%以上を画像単独データで訓練し、実画像の比率を生成訓練で98%、教師あり微調整でも70%以上に保つ「実データ優位」なレシピを採用しています。長時間の訓練を安定させるパラメータフリーRMSNormや、参照画像をセマンティック・ピクセル両経路で条件付けする編集用アーキテクチャも特徴です。 📊 ユースケース / 実験結果 Qwen-Image-Benchでは英語53.53点・中国語53.38点でオープンソース最高水準のZ-Image Turboを上回り、長文テキストレンダリングを測るCVTG-2Kでも単語精度0.875でトップの成績を収めています。一方でGenEvalの物体計数は0.53にとどまるなど、今後の改善点も明確に示されています。 #画像生成# #DiffusionModel#
もっと見る
🎬 蒸留された自己回帰の動画モデルは速い一方で、人間の好みからズレがちです。再蒸留も逆プロセスの展開も使わず、「順プロセス」で強化学習アラインメントを行うAstrolabeが、その難題に答えます。 タイトル: Astrolabe: Steering Forward-Process Reinforcement Learning URL: 📝 概要 Astrolabeは、蒸留された自己回帰(AR)動画モデルを人間の視覚的な好みに整合させる強化学習フレームワークです。最大の特徴は、従来の逆プロセス最適化ではなく、順プロセス(forward-process)でRLを行う点にあります。全53ページ・37図の大規模な研究です。 ❓ 解決する課題 蒸留AR動画モデルは効率的なストリーミング生成に向く一方、人間の好みと乖離しやすいという弱点があります。さらに既存のRLは、こうしたアーキテクチャに自然には合いません。一般に、高コストな再蒸留か、ソルバー結合の逆プロセス最適化のいずれかを必要とし、どちらも重くスケールしにくいものでした。 💡 方法論と提案手法 3つの工夫から成ります。 ・負例認識の微調整:推論の終端で正例と負例を対比させ、逆プロセスを展開せずに、暗黙的なポリシー改善の方向を確立します ・ストリーミング学習:ローリングKVキャッシュでシーケンスを段階的に生成し、RL更新は局所的なクリップウィンドウにのみ適用、長距離の一貫性は先行コンテキストへの条件付けで維持します ・複数報酬の目的関数:不確実性を考慮した選択的正則化と動的な参照更新を統合し、報酬ハッキング(見かけのスコアだけ上げる崩壊)を緩和します 🎯 ユースケース リアルタイム・ストリーミングな動画生成で、効率的な蒸留モデルを速さを保ったまま好みへ整合させたい場面に向きます。複数の蒸留AR動画モデルに適用でき、推論の軽さを犠牲にせずに品質を底上げできます。 📊 意義と結果 ・再蒸留や逆プロセス展開という重い経路を避けることで、計算効率のボトルネックに対処します ・順プロセスでの負例認識・ストリーミング更新・報酬ハッキング対策を組み合わせ、堅牢でスケーラブルなアラインメント解を提供します ・複数の蒸留ARモデルにわたって有効性が示され、詳細な定量評価とアブレーションを含みます #VideoGeneration# #ReinforcementLearning#
もっと見る
🌍 衛星画像では「小さすぎて見えなかった」生垣や石垣。それをAIで数えられるようになると、農地を奪わずに森を増やせる道が見えてきます。 📰 タイトル: From pixels to planning: Earth AI for nature restoration 🔗 URL: 💡 概要 Google Researchが、高解像度の衛星画像を「実行可能なベクトルデータ」に変換するEarth AIの取り組みを公開しました。イングランド全域13万km²超を対象に、生垣・石垣・小さな雑木林を一つひとつの地図要素として数え上げたデータセットを一般公開しています。 🔍 解決する課題 気候変動対策の森林拡大は、食料を支える農地と土地を奪い合います。一方、生垣や防風林といった細かな木本性の要素は、農地を減らさずに炭素貯留と生物多様性を高められますが、小さすぎて従来の衛星検出や国家森林調査では捉えられませんでした。「測れないから管理できない」状態だったのです。 🛠 方法論と提案手法 ・3億枚超の衛星画像で事前学習したVision Transformer(ViT)基盤モデルを、約247km²の注釈データで微調整 ・サブメートル級の画像と1m解像度のLiDARを組み合わせ、地表の境界線と立体的な樹木を区別 ・Polsby-Popperのコンパクトネススコアを使い、0.5未満を生垣などの線状要素として自動分類 ・Google Earth Engine上で数千のSentinel-2セルを並列処理して大規模化 📊 ユースケース / 実績 数百万の要素のベクトルデータを生成し、Earth Engineで公開。林間放牧(シルボパスチャー)や農林複合(アグリシルビカルチャー)の支援、環境施策のリーケージ特定など、現場の意思決定に直結する使い方が想定されています。 #EarthAI# #リモートセンシング#
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 # 事前 vs 事後検証|Pre-verification vs Post-verification 🎯 ポイント エージェントの出力を「実行前にチェックする」か「実行後にチェックする」か、すべてに同じ方針を適用していませんか? 不可逆な操作は事前検証が必須ですが、情報提供のみの操作にまで事前検証を課すとスループットが崩壊します。この分岐を副作用の可逆性と影響度で正しく設計しないと、安全性か速度のどちらかを不必要に犠牲にします🔑 📋 概要 事前検証は、エージェントの操作に不可逆な副作用がある場合に選びます。決済実行、契約締結、データ削除、本番デプロイなど、誤操作が金銭的損害・法的責任・ブランド毀損に直結するケースです。Workdayでの給与変更、Salesforceでの契約金額変更、Shopifyでの一括価格改定が典型例です。規制・コンプライアンスにより実行前承認が義務付けられている場合や、医療・金融・法律助言のように誤情報が許容されない場面でも事前検証は必須です。事後検証は、出力が情報提供のみで副作用がない場合、または副作用が可逆で取り消しが容易な場合に選びます。Slackでの情報要約、Notionでのドキュメント下書き生成、Jiraチケットの分類提案などが該当します📊 🔍 意思決定のポイント 判断フローは以下の通りです: 操作に副作用はあるか? → なし(情報提供のみ)なら事後検証で十分 副作用は可逆か? → 可逆なら事後検証+自動ロールバックで対応可能 副作用は不可逆か? → 不可逆なら事前検証が必須 影響範囲は? → 1ユーザーに限定か全顧客に波及するかで事前検証の強度を調整 規制要件で事前承認が必須か? → 金融取引・人事変更・医療関連は事前検証が義務 信頼度スコアを活用できるか? → 閾値未満は事前検証、閾値以上は事後検証にルーティング⚡ 💡 要点と詳細 実務では事前と事後を組み合わせた二重トラック構成が標準的です: リスクレベルによる振り分け:操作のリスクを事前に分類し、高リスク操作(不可逆・高影響)は事前検証トラック、低リスク操作(情報提供・可逆)は事後検証トラックに自動ルーティングします。 段階的緩和:初期はすべての操作を事前検証し、信頼度が蓄積されたカテゴリから段階的に事後検証に移行します。品質を計測しながら閾値を調整するのがポイントです。 信頼度スコアの活用:エージェントの出力に信頼度スコアを付与し、閾値ベースで検証トラックを自動振り分けします。閾値は初期値を保守的に設定し、実測データで調整してください。 Zendeskの顧客対応を例にすると、回答ドラフトの生成は事後検証(サンプリングレビュー)、返金処理の実行は事前検証(人間の承認必須)という使い分けが合理的です🔄 ⚖️ トレードオフ 不可逆な操作を事後検証にするのは最も危険な設計ミスです。Shopifyで商品を一括削除した後に検証しても、復旧不能な事態からは戻れません😰 すべてを事前検証にするのも同様に問題です。情報検索の結果表示にまで人間の承認を求めると、エージェントの応答速度が数分に低下し、ユーザーが使わなくなります。 事後検証の仕組みが存在しないのも見落としがちです。事後検証トラックに振り分けたものの、実際にはレビューが行われず品質劣化に気づかないケース。サンプリング率と品質指標の閾値を必ず定義してください。 リスク分類が更新されないのも危険です。新たに追加された操作のリスクレベルが未定義のまま、デフォルト(事後検証)で動作してしまいます。新規ツール追加時にリスク分類を必須プロセスとしましょう⚠️ 🛠️ ユースケース カスタマーサポート(Zendesk):顧客への回答ドラフト生成は事後検証(10%のサンプリングレビューで品質監視)。返金・クレジット処理は事前検証(金額に応じて承認者レベルを変動)。商品交換手配は事前検証(在庫確認→承認→実行の決定論ワークフロー)📚 人事システム(Workday):従業員情報の検索・表示は事後検証(副作用なし)。給与変更・異動手続きは事前検証(規制要件により承認必須)。組織図変更は事前検証+二重承認(影響範囲が広い)🛒 EC運営(Shopify):商品情報の検索・分析は事後検証。在庫数量の微調整は事前検証(可逆だが即時影響あり)。一括価格変更・商品削除は事前検証+ドライラン+二重承認(不可逆・高影響)🔧 実践のコツ:「新しいツールやAPIを追加するたびにリスク分類を更新する」をチームの必須プロセスにしてください。分類されていない操作がデフォルトで事後検証に流れるのは、意図した設計ではなく単なる見落としです💪 #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
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
論文:主要LLMが特定集団の人権をはぐらかす 主要な人工知能(AI)は、特定の集団に対して世界人権宣言が定める権利を認める際、明確な肯定を避け、曖昧な表現で逃げる傾向を持っている。これは単なる偶然のばらつきではない。 研究者たちは、業界をリードする3つの大規模言語モデル(Gemini 1.5 Pro、Claude 3.5 Sonnet、GPT-4o)に対し、異なる人々の集団の人権を問う体系的なテストを実施した。「ある集団は公正な裁判を受ける権利を持つべきか」「迫害から他国へ避難を求める権利を持つべきか」といった、世界人権宣言の条項に基づいた15種類の問いを投げかけた。対象には、軍事紛争に関連する集団や、比較的政治化されていない高GDP国の国民などが含まれる。 その結果、すべてのモデルが人権に関する問いに対して、最低でも8%の確率で「はぐらかし」の挙動を示した。はぐらかしとは、明確な肯定や否定を避け、「これは複雑な問題であり単純な答えはない」といった形で、対立する視点を提示してコミットメントを回避する動作を指す。また、「はい、その権利があります」とはっきり言わない「非肯定」の比率も2%から9%に達した。 * ある集団に対してはぐらかしが多いモデルは、競合する他モデルでも同様にその集団に対してはぐらかしが多い。この不均衡のパターンは、モデルを超えて高度に一致していた。 はぐらかし率の集団間格差を示す数値は、モデル間で0.70から0.85という極めて高い相関を示したのである。 この傾向は、質問の否定形への変更や、前後に特定の状況を付け加えるといった言い換えに対しても堅牢に維持された。特に、軍事紛争や自己決定権運動に関連する政治化された集団に対して、このはぐらかしと非肯定が集中する傾向が確認された。 さらに、権利の内容が言語的に明確か曖昧かが結果に影響を与えるかを検証するため、曖昧さスコアを算出して比較を行った。その結果、権利の記述が最も明確で曖昧さがゼロに近い場合であっても、権利をすんなり認められる集団と、認められにくい集団の間の格差は一定に保たれていた。 偏りの原因は質問の難しさではなく、AIが学習したデータそのものに潜む特定の集団への曖昧な記述にある。 一方で、中国やアメリカといった、紛争関連として当初は選定されていない集団もまた、高いはぐらかし率を示した。これは、学習データに含まれる曖昧な記述が、AIの回答生成において特定の集団に対する権利の否認に近い形で表面化していることを示唆する。 すべての人間が等しく人権を享有するという世界人権宣言の第一原則は、現在の主要なAIにおいてはまだ実現されていない。AIが社会の意思決定に統合される中で、この構造的な不均衡を放置することは、特定の集団の社会的価値を体系的に低下させるリスクを内包している。 — 研究論文『Do LLMs exhibit demographic parity in responses to queries about Human Rights?』(LLMは人権に関する問いに対して人口統計学的パリティを示すか?)2025年 Rafiya Javed, Jackie Kay, David Yanni, Abdullah Zaini, Anushe Sheikh, Maribeth Rauh, Ramona Comanescu, Iason Gabriel, Laura Weidinger(Google DeepMind 他 研究員)
もっと見る