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 90「正しい気持ちを探す必要はない」が配信されました!
90「正しい気持ちを探す必要はない」が配信されました! 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
90「正しい気持ちを探す必要はない」が配信されました! を含む検索結果
#90「正しい気持ちを探す必要はない」が配信されました!# 今週は、永野さんひとり回です! 今回もずっしりとしたメールを読みます。 ぜひ、お聞きください。 #ミスターTBS# #永野#
もっと見る
スライドやダッシュボードをAIにコードで作らせると、だいたい「正しいけど残念な見た目」になりがちです。 コード生成モデルはテキストや表の内容を正確に扱えますが、完成形をキャンバス上で確認しながら書いているわけではないため、配色やレイアウトの美しさまでは追いつきません。一方、画像生成モデルは見た目こそ美しいものの、文字を読み間違えたり、編集も検証もできないただの画像を出力してしまいます。 Yale UniversityとMicrosoftの研究チームが発表した論文『AesCode: Aesthetic Code Generation with Decoupled Cross-Modal Rewards』は、この2つのモデルの強みを組み合わせる発想を提案しました。画像生成モデルが同じプロンプトから作った参考画像を「美的ガイダンス」としてコード生成モデルに渡し、実行可否・テキストの正確性・表やチャートの構造・レイアウト・余白といった7種類の報酬信号を、設計グラフという構造化表現に基づいて個別に正規化しながら強化学習(GDPO)で最適化します。 300項目のベンチマークでは、8Bモデルが訓練だけでOverallスコアを42.39から82.94まで(+40.55)引き上げ、32BモデルはGPT-5.5(81.28)やClaude Opus 4.8(80.39)を上回る85.89を達成しました。しかもテキストの正確性(95.34%)やチャート/表の検証精度(90.37%)ではフロンティアモデル群を上回り、見た目の美しさだけでなく内容の正しさも両立しています。 「見た目はいいけど内容が怪しい」か「内容は正しいけど見た目がさみしい」かの二択から抜け出す、実務的に刺さる一手だと感じます。 URL: #コード生成# #デザインAI#
もっと見る
【22/7 Official Storeよりお知らせ】 いつも「22/7 Official Store」をご利用いただき、ありがとうございます。 「22/7_the 3rd ロゴTシャツ」の販売価格に誤りがございました。 ■訂正内容 ・誤:3,900円(税込) ・正:4,000円(税込) お客様にはご迷惑とご心配をおかけしましたことを、深くお詫び申し上げます。 本商品は、本日19:00より正しい販売価格(4,000円・税込)にて販売を再開いたします。 すでに対象商品をご購入いただいたお客様には、今後の対応についてご案内するメールをお送りしておりますので、お手数ではございますが、ご確認くださいますようお願いいたします。 今後とも「22/7 Official Store」をよろしくお願いいたします。
もっと見る
阪神淡路大震災も東日本大震災も起こる確率。なんて事前に一ッッッ言も言ってなかった。だけど南海トラフだけは90%で「起・こ・る」と警告を出している。これは果たして「起・こ・る」のか。「起・こ・さ・れ・る」の方が正しいのでは?何言ってるのか理解できない人はスルー。理解できる方はリポスト
もっと見る
200人いる会場で、10人が死ぬほど笑っている。  これをウケている、とすることは正しいのか、ということを考える日々です。 ウケていない190人がそこそここちらに好感を持っていてくれているならウケているでよいかもしれない。 でも190人に嫌われていたらやっぱりそれは滑っているんですね。 基本的には200人にウケるように頑張るべきだ、と滑りたくない僕はそういう人でありたいわけですが。 でもSNS時代だと、5%に大ウケ、95%から反発、くらいが一番インプレッションが伸びる感じがするんです。 確かにその言動は滑っているんですが、インプレッション的には結果が出ている。 それでいいんだろうか、と思います。 いや、芸人ならばいいでしょう。ひとつの生き方ですから。 でもたとえば政治の世界ならどうなのでしょう。それでいいのでしょうか。 200人のうち10人だけが笑っている状況なのではないか、という自問をきっと僕は生涯持ち続けられるように、と僕は思っているのです。
もっと見る
「設計するかどうかにかかわらず、すべての API チームはいずれエージェントのコンシューマーを抱える」——Pinecone エンジニアによるエージェントフレンドリー API 設計の論考が秀逸です。 Designing Agent-Friendly APIs エージェント向け API 設計の6原則を紹介するこの記事から、特に重要な3つのポイントを深掘りします。 🔴 注目1: エラーメッセージが「指示」になるかどうか `"Invalid request"` というエラーを返すだけでは、エージェントはバジェット(トークン予算)を無駄に消費しながら推測を繰り返します。正しい設計は「何が・なぜ・どう直す」の3要素をセットにすること。`"Response is too large. To reduce the size, try a lower top_k value."` のように具体的な回復手順を含めれば、エージェントは次のコールで自己修正できます。RFC 9457 Problem Details で機械可読エラーコードを安定提供し、認証エラーは「欠如」と「不正」を別コードに分けることも重要です。 🔵 注目2: エンドポイント1:1でのMCPサーバー化は失敗する 大規模 API をそのまま MCP サーバーに変換すると、エージェントはファーストコール以前に「数十万トークン」を消費しかねません。Cloudflare は `search()` と `execute()` の2つのツールだけで 2,500 エンドポイントへのアクセスを約 1,000 トークンで実現しています。`list_users` + `list_events` + `create_event` という3エンドポイントの代わりに `schedule_event` 1本を提供する——ワークフロー単位でエージェント面を製品として設計することが本質です。 🟡 注目3: TTFSC(Turns-to-First-Successful-Call)という新指標 著者は Claude Sonnet 5 をコールドな状態で Pinecone の API に当てた実験を公開しています。全3試行で無人成功、ファーストコールまでの中央値は **6ターン・約$0.30・約90秒**。生の REST を選んだエージェントはわずか3ターンで成功した一方、Python SDK を選んだエージェントはターンの「ほぼ半分」を call signature の解読に費やしました。廃止済みパッケージ名のインストールを試みたのは古いモデルで、現行世代は直接モダン API へ向かいました——LLMの学習データに刷り込まれた旧 API 形状が如何に影響するかを示す実例です。 エージェントはこれまで開発者が暗黙に吸収してきたコストを「可視化・課金可能・チャーン誘発」な経済コストとして外部化します。AX(Agent Experience)はDXと並ぶ必須の設計軸になりつつあります。 #APIデザイン# #AIエージェント#
もっと見る
🪑 画像に物を「3Dの向きと位置まで指定して」自然に挿入。テキストでは曖昧、パラメータでは難しかった3D姿勢制御を、視覚プロキシの分解で解いた手法DIRECTです。 タイトル: Direct 3D-Aware Object Insertion via Decomposed Visual Proxies URL: 📝 概要 DIRECTは、参照オブジェクトを画像へ挿入する際に、3Dの姿勢と位置を明示的に制御できる拡散ベースの手法です。挿入条件を幾何・外観・文脈の3つに分解し、独立した経路で注入します。 ❓ 解決する課題 既存の挿入手法は2Dインペインティングとして定式化され、3D姿勢を制御できませんでした。テキスト誘導は空間的に曖昧、パラメトリックな3D手法は抽象パラメータを正しい幾何投影へ翻訳できない、という限界がありました。 💡 方法論と提案手法 ・ユーザーが操作する3Dプロキシを目標姿勢でレンダリングし幾何ガイダンスを得ます ・外観(参照の高忠実度な見た目)と文脈(背景の意味)を、別々のLoRAと位置埋め込みで独立注入し特徴のもつれを防ぎます ・TRELLISで画像から粗い3Dを生成し、VGGTと3D Gaussian Splattingで姿勢を精緻化します ・FLUX.1-Fill上に構築し、形状分解マスク拡張と漸進的解像度学習で過学習を防ぎます 🎯 ユースケース バーチャルステージング、EC商品撮影、精密な空間制御が要るクリエイティブ制作、フォトリアルなAR/VRコンテンツ生成などに使えます。 📊 実験結果 ・FLUXベースでPSNR 23.09、LPIPS 0.147、マッチング誤差17.8と、ベースラインを全指標で上回りました ・0°〜180°の大きな姿勢変化でも安定し、3D再構成の劣化にも頑健に細部を保持しました ・ハイブリッドデータ学習でCLIP-Iが0.904→0.943に向上しました ・対称オブジェクトの向き付けでは、RGB幾何ガイダンスが法線マップを上回ることも示しました #3DGeneration# #ImageEditing#
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
# 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 # ツール露出数|Tool Exposure 🎯 ポイント エージェントに使えるツールを「とりあえず全部渡す」設計になっていませんか? 実はLLMが一度に見渡せるツール数には認知的な限界があり、10〜20が安定ゾーン、30を超えると選択精度が有意に落ちます。ツールが多いほどモデルは「正しいツールを選ぶ」という認知負荷に晒され、誤選択やトークン浪費が増えていきます。SaaS連携が増えるエンタープライズ環境では、この制御が品質の生命線です🎛️ 📋 概要 ツール露出数とは、エージェントに一度に見せるツール(関数・API)の数を制御する程度のことです。多すぎるとモデルの選択精度が落ち、少なすぎるとユーザーの要求に応えられません。「どんな要求にも対応できる」と「正確にツールを選べる」は本質的にトレードオフの関係にあり、業務ドメインやユースケースに応じて意図的に設計する必要があります。ツールの「量」だけでなく、ツール説明(description)の「質」も選択精度に直結する点を見落とさないでください。 🔍 意思決定のポイント このダイヤルは「ツール数の規模」と「ツール説明の品質」の2軸で決めます。 ツール数が10〜20 → 静的定義で十分。グルーピングで管理可能 ツール数が20〜30 → ドメイン別のサブエージェント分割を検討 ツール数が30超 → Tool RAG(動的選択)またはルーター+サブエージェント+Tool RAGのハイブリッド構成が必須 ツール数を減らす前に、まずツール説明の品質を見直すことが重要です。名前が動詞+名詞で一意か、「いつ使うか・使わないか」が明記されているか、引数の型・制約・デフォルト値が明示されているか。ここが曖昧だとツールを絞っても誤選択は減りません⚡ 💡 要点と詳細 ツール数が増えた場合の3つの対処パターンがあります: Tool RAG(動的選択) — ユーザーの発話をベクトル検索し、関連ツール上位N件だけをプロンプトに注入します。SalesforceやServiceNowのようにAPIが数百に及ぶSaaS連携では必須に近い手法です。 サブエージェント分割 — 業務ドメインごとにサブエージェントを分け、ルーターが振り分けます。「人事系(Workday)」「ITヘルプデスク(ServiceNow)」「営業支援(Salesforce)」のように明確に分割できるケースで有効です。 ハイブリッド — ルーターでドメイン分割した上で、各サブエージェント内でもTool RAGを使う二段構成です。超大規模統合で採用されます。 計測すべき指標は、ツール選択正答率(正しいツールが呼ばれた割合)、ツール未選択率(適切なツールがあるのに「できません」と回答した割合)、誤選択によるエラー率、そしてツール説明のトークン消費量です。ツール説明がコンテキストの20%を超えたら、Tool RAGへの移行を本格検討してください📊 ⚖️ トレードオフ ツールを多く公開しすぎると、モデルの選択精度が低下します。名前や説明が似たツールが増えるほど誤選択の頻度が上がり、ツール説明のトークン消費がコンテキスト予算を圧迫します。ユーザーの要求に対応できる幅は広がりますが、「間違ったツールを選ぶ」リスクが確実に増大します😰 一方、ツールを絞りすぎると、ユーザーが「できるはずのこと」を断られる場面が増えます。体験品質が低下し、エージェント導入の価値が問われます。さらにツール追加のたびに分割設計の見直しが必要になり、開発速度も落ちます。重要なのは選択正答率90%を維持しつつ、fallback率5%以下を目指すバランスです⚠️ 🛠️ ユースケース Slack社内統合ボット:初期はITヘルプデスク(5ツール)から始め、HR・経費・施設と段階的に追加します。15ツールを超えた時点でTool RAGを導入し、選択精度を維持します。最終的に30ツール超の統合も、ルーター+Tool RAGのハイブリッドで安定運用できます📚 Zendesk顧客対応エージェント:FAQ検索・チケット作成・ステータス確認・エスカレーションの4ツールに絞り、選択精度95%以上を維持します。顧客対応では誤ったツール呼び出しが直接的な体験毀損につながるため、少数精鋭が正解です🎯 Jira+Confluence+GitHub開発支援:各サービス5〜8ツール、合計20前後。サービスごとにサブエージェントを分割し、ルーターが「これはJiraの話か、GitHubの話か」を判断して振り分けます。ツール追加は該当サブエージェント内で完結するため、他に影響を与えません🔧 実践のコツ:ツール選択正答率が90%を下回ったらツール数の削減かTool RAG導入を検討し、新ツール追加のたびに既存ツールとの名前・説明の重複をチェックしてください。調整は週次のeval結果をもとに行い、一度に大幅な変更は避けるのが安全です💪 #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
製造業のAI活用、つまずきの本当の原因は「目(視覚)」ではなく「知識」でした🏭 18種類の最先端モデルを徹底検証して、その事実を突き止めた研究です。 タイトル: FORGE: Fine-grained Multimodal Evaluation for Manufacturing Scenarios URL: 🏭 概要 本研究は、製造現場でマルチモーダルLLM(MLLM)がどこまで実用に耐えるかを、厳密に測るための評価フレームワーク「FORGE」を提案しています。2D画像と3D点群(point cloud)を組み合わせ、型番などの細かいドメイン情報を付与した高品質なデータセットを構築し、18種類の最先端MLLMを横断的に評価しました。 ❓ 解決する課題 製造業はAI活用を急速に進めていますが、その性能を正しく測る基盤が追いついていませんでした。 ・製造現場の高品質なマルチモーダルデータ(実機画像や3D形状)は希少で、評価用データが不足しています ・既存データセットは、型番・構造的な欠陥・組立の正誤といった製造特有の細粒度な意味情報を欠いています そのため、現行のMLLM評価は実際の製造業の要求を反映できていませんでした。 💡 方法論と提案手法 FORGEは、現実的な条件で能力を測るために設計されています。 ・実世界の2D画像と3D点群を含む高品質なマルチモーダルデータで構成します ・正確な型番を含む、製造特有の細粒度ドメイン意味アノテーションを付与します ・評価する中核タスクは3つです ・ワークピース検証(対象部品が正しいものか) ・構造表面検査(表面の欠陥や状態の確認) ・組立検証(組み付けが正しく行われているか) 🌍 ユースケース / 実験結果 検証から、実務に直結する重要な知見が得られました。 ・評価したMLLM群の間で、性能に大きなギャップが存在することが判明しました ・従来の想定に反し、視覚的グラウンディング(画像中の対象を特定する力)はボトルネックの本質ではありませんでした ・真のボトルネックは「ドメイン固有知識の不足」であると結論づけられました ・この知見を裏付けるように、コンパクトな3Bパラメータのモデルを教師ありファインチューニングしたところ、未知の製造シナリオで最大90.8%の相対精度改善を達成しました 巨大な汎用モデルに頼るより、小型モデルを自社の現場データで鍛える方が、検査や品質管理で現実的な解になり得ます。 #製造業AI# #MLLM#
もっと見る