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ネスカの七夜展
AIネスカの七夜展 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ネスカの七夜展 を含む検索結果
3rdやってない人も花火好きな人は観てね スタレの冒頭ストーリー開始数年前の出来事(時間の流れが違ったり花火が特殊な登場をしていなければ) 相手は、2億年以上生き全知の権能を持ち世界を滅亡させエネルギーを回収する悪神……の権能を奪った自我を持つ代理人AI 花火と同じ敵か味方かみたいなキャラ
もっと見る
アドネス、チームの記憶をAIと共有する「Addness」のChatGPT公式プラグインを公開。ゴールを会話から確認・更新できる
#AIに難癖を付けてみる# ※AIが議論を禁じられている領域について、科学的根拠を無視してポリティカル・コレクトネス的な断言(嘘)をする件。 これに関しては知性の放棄をどうしても感じてしまう。
もっと見る
【★講師陣決定★|AXエバンジェリスト講座 カリキュラム紹介】 第一線で活躍する講師陣から、明日仕事で使えるAIの知見を直接学べます。東京大学 松尾・岩澤研究室「AXエバンジェリスト講座(AX推進講座)2026」、全7回のカリキュラムと担当講師が決定しましたのでお知らせします。 📚カリキュラム(全7回) 第1回 導入 -AX推進に向けて- 松尾豊(東京大学大学院) 第2回 AI活用の基礎体験(ハンズオン編①) 深津貴之(THE GUILD) 第3回 ビジネス活用パターン(ケーススタディ編①) 松本勇気(LayerX) 第4回 AI活用の基礎体験(ハンズオン編②) 御田稔(KDDIアジャイル開発センター) 第5回 ビジネス活用パターン(ケーススタディ編②) 小林誉幸(LayerX)・宝田拓也(㈱川六)・馬場洋平(㈱トラネス) 第6回 セキュリティ・ガバナンス(リテラシー編) 柴山吉報(阿部・井窪・片山法律事務所) 第7回 エバンジェリスト実践(伝道編) 石角友愛(パロアルトインサイト) ※講義日程・授業コンテンツに関しては、変更する場合がございます。ご了承ください。 ▼講座情報 ・毎週木曜 19:00〜21:00|参加費無料|オンライン開催(ライブ配信+アーカイブ配信) ・対象:①全国の社会人(企業・官公庁・自治体等でAI活用に関心のある方)②全国の学生(大学院生〜中学生・社会人学生も対象) ※社会人は企業・団体単位の申込のみ(個人不可) 📍お申し込み: 🗓️募集締切:9/10(木)14:00(社会人団体申込 9/3(木)14:00/学生ID登録 9/7(火)14:00)
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
【AIでリーマン予想証明か 精査続く】