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 関数ちゃんファンアート
関数ちゃんファンアート 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
関数ちゃんファンアート を含む検索結果
👀 AIエージェントが「今ちゃんと動いてます」と伝えるだけで、信頼度が変わる。地味だけど効きそうな機能がLangChainから登場しました。 タイトル: Build great out-of-the-box user experiences with Managed Deep Agents URL: Managed Deep Agents v0.9で、Slackチャネル向けの新しいリアクションAPIが追加され、エージェントが本文で返信する前に絵文字で「受け取りました」と伝えられるようになりました。注目ポイントは3つです。 👀 シンプルな絵文字リアクション reactions引数に絵文字の文字列、またはコンテキストを受け取って絵文字を返す非同期関数を渡すだけです。「broken」という単語があれば🐛、それ以外は👀を返す、といった軽量なif分岐から始められます。 🧠 分類モデルJevによる動的選択 TypeSafeClassifier(model="typesafe/jev-latest")を使えば、メッセージを「バグ」「障害」「レビュー依頼」「待機中」など7カテゴリに自動分類し、最適な絵文字を動的に選べます。確信度が0.25未満の場合は無難な👀にフォールバックする設計も用意されています。 🎭 カスタム絵文字でスキューモーフィックUI Slackのカスタム絵文字ショートコードにも対応しており、ブランド独自のリアクションで「エージェントが今作業に取りかかった」ことを視覚的に演出できます。 ローディング状態のような一見地味なUXディテールこそ、ユーザーがエージェントを信頼し使い続けるかどうかを左右するという視点が印象的です。 #LangChain# #AIエージェント#
もっと見る
調和関数、超分からんっす
SnowflakeのAI関数とPythonを使って日本語ドキュメント(契約書や約款のPDF)を構造的に読み取るハンズオンとテックブログを公開しました。 契約書や約款のように構造を持つドキュメント(「章・条・節・項」や、2段組レイアウト、表やダイアグラム等)はOCRで日本語テキストだけを読んでも文章構造が失われ、正確にテキスト読み取りできないことがあります。 このブログでは(私個人が作った)合成データの契約書や約款を使って、PDFから構造を維持したJSONとしてドキュメントを読み取る手法を紹介しています。
もっと見る
三次関数のグラフの定義ってなんだろうなgrokもちゃんとした回答示さないしな。単にxを-♾️や♾️にしたときyの値も-♾️や♾️になるってことに落ち着くのかなぁ?それなら一次関数と同じだしな。言語化が難しいな😓
もっと見る
三次関数のグラフの定義を教えてください。@grok
🏗 一行の関数なら書けるAIも、「アプリ一式をゼロから作って」と言われると途端に崩れます。ファイルをまたいだ設計、噛み合うインターフェース、延々と続く不整合のデバッグ——これは個人技ではなく、チーム戦だからです。 そこで本研究は、AIエージェントに本物の開発チームを演じさせます。まず複数のArchitectが互いに異なる設計案(Software Design Sketch)を競って描き、CTO役が構造の妥当さやインターフェースの整合性を0〜8点で採点して最良案を選定。選ばれた設計は、ファイル所有者・公開API・依存関係・非循環性まで機械が検証できる「契約」へと正規化されます。 実装フェーズでは、Developerたちが依存関係の順に沿って自分の担当ファイルだけを、必要最小限の文脈で書いていきます。協調はGitで軽量に。各自がブランチにコミットする際、変更した公開シンボルや影響先を構造化メモに残すので、ファイル本文を共有せずともインターフェースの変更だけが伝播します。仕上げはQA役が依存レイヤーごとにテストを走らせ、失敗を担当者へ差し戻して直させる。まさに人間のチーム開発そのものです。 この CodeTeam: An LLM-Powered Multi-Agent Framework for Repository-Level Code Generation は、本物のpytestで検証するNL2Repo-Benchで平均42.3%のテスト通過率(SFT設定)を達成し、19リポジトリ中15でベースラインのCodeSに勝利しました。構造の良さが、実際に動くコードの正しさへとつながっている点が見どころです。 URL: #CodeGeneration# #AIAgents#
もっと見る
カシオの関数電卓CWシリーズが”生産完了品”になってる。モデルチェンジするのかな。(2023年発売の新しい製品だが大学教員や土地家屋調査士などのプロからの評価がとても低いようだねえ)
もっと見る
AIコーディングツールの指数関数的なコスト増をいかにコントロールしていくかについてのdatabricks記事。(一部引き算して読む感じ) ・AIコーディングツールは生産性を劇的に向上させる ・しかし、それに伴ってコストも指数関数的に増大している ・放置すれば、AIによる恩恵がコストで相殺される ・そのため、最高性能ではなく、コスパに優れた効率性フロンティアの追求が必要になっていく ・具体的な対策の筆頭は、より安価で効率的なモデルへの移行 ・特定のモデルへの依存を防ぐため、メタハーネスを導入して柔軟性を確保する ・また、タスクの難易度に応じて安価なモデルと高性能モデルを動的にルーティングする手法も有効 ・予算管理において、利用上限でアクセスを完全に遮断するのは悪手 ・これは、最も生産性の高い開発者の足を引っ張ってしまうため ・代わりにコストを可視化し、閾値を超えたら安価なモデルへダウンシフトさせる仕組みが望ましい ・さらに、不要なコンテキストを削ってトークン消費を抑えることも大事に ・また、プロンプトキャッシングを活用することで、コストを大幅に削減できる (で、Unity AI Gateway というプロダクトの宣伝になるので、以下は略)
もっと見る
# ADKの便利で実践的な使い方 ⚡ Python関数をそのままツールに、エージェントもツールに、そして長時間タスクもノンブロッキングで実行 — ADKのFunction Toolsは、ツール定義の柔軟性を極限まで高めます。 📌 タイトル:Function Tools — 関数・エージェント・非同期タスクをツール化 🔗 URL: 🧩 概要 ADKのFunction Toolsでは、Python/TypeScriptの関数をそのままエージェントのツールとして利用できます。さらに、AgentToolを使えばエージェント自体をツールとして別のエージェントに提供できます。Long Running Function Toolsは、動画エンコードやバッチ処理のような長時間タスクをブロッキングせずに実行するための仕組みです。 🛠 使い方 基本的な関数ツールの定義とAgentToolの活用例です。 `google.adk`から`Agent`と`AgentTool`をインポートします。シンプルな関数ツールとして`calculate_price`を定義し、`base_price`(float)、`quantity`(int)、`discount_percent`(float、デフォルト0)を受け取り、合計金額を計算してdictで返します。 エージェントのツール化には`AgentTool`を使います。まず`analysis_agent`を`name="data_analyst"`、`tools=[query_database]`で定義し、次に`main_agent`の`tools`リストに`calculate_price`関数と`AgentTool(agent=analysis_agent)`を含めます。これにより、メインエージェントは価格計算関数とデータ分析エージェントの両方をツールとして呼び出せます。 Long Running Function Toolsの使い方です。 `google.adk`から`LongRunningFunctionTool`をインポートします。非同期関数`encode_video`は`video_url`(str)と`format`(str、デフォルト"mp4")を受け取り、`start_encoding_job`でエンコードジョブを開始してジョブIDを返します。この関数を`LongRunningFunctionTool(func=encode_video)`でラップして`video_tool`を作成し、`Agent`の`tools=[video_tool]`に渡すことで、エージェントがブロッキングなしで長時間処理を実行できます。 🏗 実践的な使い方 **AgentToolによるモジュール化**: 複雑な処理を専門エージェントとしてカプセル化し、AgentToolで公開することで、メインエージェントのinstructionをシンプルに保てます。専門エージェントは独自のツールやプロンプトを持てるため、関心の分離が実現します。 `summarizer`(3行要約)と`translator`(英語翻訳)をそれぞれ`Agent`で定義し、メインの`content_manager`エージェントの`tools`リストに`AgentTool(agent=summarizer)`と`AgentTool(agent=translator)`として登録します。これにより、メインエージェントは要約と翻訳の専門エージェントをツールとして呼び出し、コンテンツ管理の依頼を処理できます。 **Long Running Toolsの活用場面**: バッチ処理、外部APIのポーリング待ち、ファイル変換など、完了まで数秒〜数分かかる処理に最適です。エージェントはジョブIDを受け取り、他のタスクを並行して進められます。 **型アノテーションの重要性**: 関数のパラメータ型と戻り値型を明確に定義することで、LLMが正確にツールを呼び出せます。docstringもツールの説明として使われるため、簡潔で明確に書きましょう。 💡 ユースケース 🧮 計算・変換関数のツール化(価格計算、単位変換) 🤖 専門エージェントのAgentTool化による再利用 🎬 動画エンコード・画像処理の非同期実行 📊 バッチデータ処理のノンブロッキング実行 ⚠️ 注意点 - 関数のdocstringがツールの説明になるため、LLMが理解しやすい説明を書いてください。docstringがないとツールの用途が不明確になります。 - AgentToolで呼び出されたエージェントは、親エージェントのコンテキストとは別のセッションで動作します。状態の共有には注意が必要です。 - Long Running Function Toolsは完了通知の仕組みを別途実装する必要があります。ポーリングや Webhook での通知を検討してください。 ✨ Function Toolsを使えば、既存のコード資産をそのままエージェントに統合でき、AgentToolでエージェントの再利用も自在。開発効率を大幅に向上させましょう! #ADK# #AIAgent#
もっと見る
ポール・グレアム:「10億ドルを稼ぐ方法」 ■ 指数関数的成長がもたらす魔法の数学 スタートアップの爆発的な威力を理解するためには、指数関数的成長という数学の魔法を正しく計算してみる必要があります。例えば、資産価値200万ドルの企業が月間93パーセントのペースで成長した場合、10億ドルに達するまでの期間はわずか9.45ヶ月にすぎません。より一般的な月間15パーセントの成長であっても、5年間継続すれば約4384倍という驚異的なスケールに拡大します。初期売上が月1万ドルであっても、5年後には月4400万ドル、年換算で5億ドルを超え、創業者がビリオネアになる道は現実のものとなります。 ■ 成長の持続性を決定する市場の規模 スタートアップがどれほど巨大になり、創業者がどれほど富を得るかを決定するのは、成長率とその持続期間という2つの数字だけです。前者の成長率は顧客が熱狂して友人に勧めたくなる製品を作ることで得られ、後者の持続期間はアプローチする市場の規模によって決まります。不正を一切行わなくても月間15パーセントで成長することは十分に可能であり、それをどこまで続けられるかは単に需要の大きさに依存します。4000倍の需要が存在する巨大な市場であれば4000倍の成長が可能であり、そこには不正を働く余地などどこにもありません。つまり、適切な成長率を維持しながら巨大な市場へアプローチしさえすれば、10億ドルの価値はごく自然に実現されるのです。 ■ アイデアを探すのをやめてプロジェクトを始める 優れた起業アイデアを獲得するための最も逆説的なアプローチは、意識的にアイデアを探すのをやめることです。起業のためにアイデアを探しようとすると保守的になり、一見つまらなそうに見えるものの実は極めて有望なアイデアを自ら排除してしまいます。実際にアップルやフェイスブック、AirBnBなども、創業当初は誰もが失敗すると信じるほど奇妙で愚かなアイデアに見えました。最高の会社は、友人と一緒にただ面白いからという純粋な好奇心で作り始めた個人的なプロジェクトから誕生しています。自分たちがクールだと思うものを作る活動こそが、10年後の未来に誰もが使うようになる巨大な需要を無意識のうちに先取りしているのです。 ■ ユーザーへの深い共感が成功を自動化する 事業を大きく成長させる鍵は、顧客のニーズを深く理解し、彼らが熱狂して友人に伝えたくなる製品を作ることです。若い創業者は、自らと友人が切実に欲しがっているものを開発するという手法を通じて、この深いユーザー理解を確実に達成できます。他者を搾取して富を得る古いビジネスモデルとは異なり、スタートアップの成長モデルは他者に対する徹底的な共感を土台にしています。顧客の生活をいかに劇的に改善できるかという問いに向き合い続ける共感力こそが、急成長を生み出す最大のエンジンです。顧客を幸せにすることに集中し、その満足度を指数関数的に高めていけば、10億ドルもの価値は自動的に生み出されることになります。
もっと見る