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 AIしくじりひとり情シス
AIしくじりひとり情シス 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
AIしくじりひとり情シス を含む検索結果
小冊子『AIしくじりひとり情シス』は、来週(4/23)大阪で開催のひとり情シス大学の副読本として配布されます。先週から配布開始になりましたが、読んでくれた方からは大好評の反応です。これから大阪に向けて配送します!まだ、受講申し込み可能ですので、興味ある方は是非!
もっと見る
日本能率協会で6/5(金)に開催されるひとり情シス大学で、副読本として小冊子『AIしくじりひとり情シス』を配布します。講座内容もAI部分を強化しました。まだご参加いただけます。参加者は幅広く、大企業の方、ひとり情シス向けビジネスを展開したい方も参加しています。
もっと見る
8/21(金)10:00~、IT・情シスDXPO東京で「ひとり情シスによる生成AI導入しくじりのリアル - 失敗事例から学ぶ教訓と対策」講演します。また、小冊子『AIしくじりひとり情シス』も配布します。春は部数が足りなくご迷惑おかけしましたが、今回は50部です! #IT・情シスDXPO#
もっと見る
8/21(金)IT・情シスDXPO東京'26夏で「ひとり情シスによる生成AI導入しくじりのリアル ~失敗事例から学ぶ教訓と対策~」講演します。支援に関わった5社の生成AI(RAG)導入事例です。中堅中小企業の情シスでも、生成AIプロジェクトの「巻き込まれ事故」が多発していますのでお心当たりの方は是非!
もっと見る
『代替可能じゃないと聞きましたけど💢』 AIに仕事を奪われそうになりブチギレる澤部! #岸谷蘭丸# 先生最新話はここから🆓 ▶︎ ◤しくじり先生 #ABEMA# にて毎週最新話無料配信中◢ @ranmarukishitan @FukutomeMitsuho @msonopy526 @oishiikabegami
もっと見る
元警察官として言う。 これからの時代、何を信じればいいか、教える。 情報は、もう溢れてる。AIに聞けば、一瞬で答えが出る。 だが、ここに罠がある。 ほとんどの情報が「誰かの受け売り」になってる。 見分け方を、3つ置いていく。 ひとつ。「その人は、実際にやったか」。やってない人間の解説は、本で読んだことの焼き直しだ。 ふたつ。「失敗を語ってるか」。本物は、しくじりを隠さない。きれいごとしか言わない奴は、机上だ。 みっつ。「数字と固有名詞があるか」。体験した人間の話には、具体がある。曖昧な一般論は、借り物の証拠だ。 俺の話をする。 20年、取調室等で人と向き合った。 借金800万を抱えて、個人再生もした。 きれいな経歴じゃない。 だが、だからこそ書けることがある。 人が嘘をつく時、どこに本音が出るか。 組織が人を壊す時、どんな手順を踏むか。 これは、AIには出せない。 本にも、載ってない。 俺の身に、刻まれてるから。 いいか。情報が溢れる時代に、勝つのは、情報を持ってる奴じゃない。 「自分の体で、何かを味わった奴」だ。 で、お前は、何を味わってきた? その傷こそが、お前にしか出せない、本物だ。
もっと見る
AIタスク管理・プロジェクト管理ツール「スーツアップ」、中小企業(社歴10年以上20年以内)経営者応援キャンペーン
# 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 # HITL vs HOTL vs 全自動 🎯 ポイント エージェントに「全部任せる」か「全部聞いてくる」か — この二択で設計していませんか?実は人間の関与度にはHITL(都度承認)、HOTL(監視+例外介入)、全自動の三段階があり、操作のリスクと実績に応じて段階的に自動化レベルを引き上げるのが基本戦略です。さらに、一度決めたら固定ではなく「運転免許」のように昇格・降格する動的運用が鍵になります🔑 📋 概要 HITL(Human-in-the-Loop)は、エージェントの各操作に対して人間が都度承認する方式です。不可逆で影響が大きい操作 — Workdayでの給与変更、Salesforceでの大型商談のステージ変更、本番DBへの書き込み — に適用します。HOTL(Human-on-the-Loop)は、エージェントが自動実行しつつ人間が監視し、異常時のみ介入する方式です。一定の実績があり、操作のリスクが中程度の場合に有効です。全自動は、操作が可逆かつ影響範囲が限定的で、エージェントの精度が十分に検証されている場合に適用します。 🔍 意思決定のポイント 判断フローは「可逆性」→「影響範囲」→「実績」→「件数」の順で進みます。 操作は可逆か? → 不可逆ならHITLが基本です。可逆なら次へ。 影響範囲は? → 外部顧客・金銭・法的効力に直結するならHITL。社内のみならHOTL以上を検討できます。 エージェントの実績は十分か? → 導入初期・実績不足ならHITLから開始。過去の承認率が95%以上ならHOTLへの昇格を検討します。 処理件数は人手で対応可能か? → 日次50件以下ならHITLが現実的。100件超ならHOTLまたは条件付き全自動を検討しましょう。 最後の確認:異常検知とロールバックの仕組みがあるか? → なければHITLに留めるべきです⚡ 💡 要点と詳細 HITLの適用範囲は「不可逆×高影響」の操作です。規制要件により「人間が承認した」エビデンスが必須の場合(金融取引、医療判断、法的文書の発行)、副作用が外部顧客に直接影響する場合(顧客向けメール送信、契約書の自動生成、請求処理)、そして導入初期で出力品質の実績データがまだ蓄積されていない場合に選択します。 HOTLは「中リスク×実績あり」の操作に最適です。Jiraチケットの優先度変更、Slackへの社内通知、ServiceNowのインシデント分類など。異常検知の仕組み(信頼度スコア、異常値アラート)で逸脱をリアルタイムに検知し、ロールバック手段で誤操作を事後修正できることが前提条件です。 全自動は「可逆×低影響×高精度」の操作に限定します。社内ナレッジの検索と要約、ログの自動分類、ダッシュボード更新など。エラー率が1%未満で安定していること、即時性が求められ人間の介入がSLA違反につながる場合(リアルタイムのカスタマーサポート初期応答など)が適用条件です。 最も強力な運用パターンはリスクベースの動的切り替えです。操作の種類・金額・影響範囲に応じて自動的にモードを切り替えます。例えば10万円未満の経費承認は全自動、10〜100万円はHOTL、100万円超はHITLとします🎚️ ⚖️ トレードオフ HITLの最大の罠は承認疲れ(Approval Fatigue)です。全操作をHITLにした結果、承認者が形骸的に全件承認し、ゲートとして機能しなくなります。低リスク操作への繰り返し承認で「OKを押す作業」が機械的になり、本当に重要な承認も見逃す。「全件承認」は「承認なし」と同じくらい危険です。 全自動への早すぎる移行も危険です。十分な実績データなしに全自動化し、エッジケースでの誤操作が顧客影響を引き起こすケースが後を絶ちません。特にZendeskの顧客応答やShopifyの注文処理で問題になりやすい。 見落としがちなのは降格ルールの未定義です。全自動に昇格した後にモデル変更や精度劣化が発生した場合、HOTL→HITLへの巻き戻しルールがなければ、問題が長期化します。昇格ルールと降格ルールはセットで定義してください⚠️ 🛠️ ユースケース EC受注処理エージェント:注文・在庫確認は全自動(可逆×低影響)、発送手配はHOTL(2週間の実績で承認率95%超なら昇格)、返金処理はHITL(金銭操作は常に承認必要)、高額注文(100万円超)はHITLでドライラン付き。金額と操作種別でモードを動的に切り替えます🛒 開発支援エージェント(CI/CD連携):コード分析とテスト実行は全自動(開発環境限定)、PR作成はHOTL(信頼度スコア連動)、ステージングデプロイはHITL、本番デプロイはHITL+ドライラン必須。サンドボックスでは全自動まで許容しますが、本番影響のある操作は制限します🔧 社内ナレッジ検索アシスタント:検索は全自動、回答生成もHOTL(出力ガードレール付き)、文書編集はHITL、削除はHITLでドライランのみ。読取中心のワークフローなので高い自律性で運用可能です📚 実践のコツ:昇格条件を数値で定義してください。「承認率95%以上を2週間継続」「重大エラー0件」など、曖昧さのない基準を設定する。降格トリガーも事前に決める。「重大エラー1件で即座にHITLに戻す」「承認率が90%を下回ったらHOTLに降格」。昇格履歴はすべて監査証跡として記録してください💪 #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
【AIと書斎レイアウト 第11回】 設計の答えは、物差しを決める人で変わる🤠
AIサイエンティストに足りないのは「自分が何を知らないか」を知る力かもしれません。 Sage-Taiyi: A Metacognitive Architecture for Scientific Discovery 🔭 概要 科学探索を行うAIに、探索そのものを監視して制御するメタ認知の層を加えた構成です。 🧩 解決する課題 従来のAIサイエンティストは、探索の枝をまたいで知見や証拠、適用条件を保てません。共通の依存関係や過去の失敗を見落とし、直近の結果に振り回されることもありました。 ⚙️ 提案手法 ・探索側はTarget Tree(課題の分解)、Idea Graph(アイデアの系譜)、Evidence State(出典つきの証拠)で構成 ・調整側はCognitive Stateで現在の理解と不確かさを保持し、10種のヒューリスティックから次の手を選択 🧪 実験結果 自作のTaiyi-Bench(265タスク・10分野)で総合54.0、最強のベースラインAI Scientist-v2は47.9でした。対戦勝率は66.3%です。 🔬 ユースケース 専門家と協働した5件の事例で、たとえば光触媒的アリル位アミノ化の収率が13%から69%に上がりました。ただし評価は同じ著者らのベンチマークとLLM検証器に依存し、事例も個別の例です。 #AIScientist# #Metacognition#
もっと見る