創るのって、オモシロイ！ 私はやっぱりカタカタ🧑‍💻時間が至福です✌️ #Codex# #AI自動化ツール# #病院広報ツール# 「公開講座のチラシ作成をAIに任せてみた。Codexで“毎月使えるツール”を作るまで｜アイリス｜医療業界×AI×クリエイティブ活動中 @MT29515945

便利だけど知られていないGemini APIの機能 🖥️ 「この画面を見て、ここをクリックして」ができるAI。ブラウザ操作の自動化が変わります。 Geminiの「コンピュータ使用（Computer Use）」は、画面を見てマウスやキーボードを操作するエージェント機能です。UIテストやWeb操作タスクの自動化に新しい可能性を開きます。 📌 タイトル：コンピュータ使用（Computer Use） 🔗 URL： 🧩 概要 従来のUI自動化はDOM構造やセレクタに依存しており、UIが変わると壊れやすいのが難点でした。Computer Useは画面のスクリーンショットを「見て」理解し、クリックやタイプなどの操作を指示できるエージェント機能です。人間がブラウザを操作するのと同じように、視覚ベースでUIを操作できます。 🛠 使い方 スクリーンショットをGeminiに渡し、実行したいタスクを自然言語で指示します。Geminiが画面上のどこをクリック/入力すべきかを判断し、操作アクションを返します。それをブラウザ自動化ツール（Playwright等）と連携して実行する流れです。 🏗 本番システムへの組み込み方 ・E2Eテスト自動化：「ログインして商品をカートに入れて決済まで進めて」のような複雑なフローを自然言語で記述。UIの変更に強いテストに。 ・RPA的業務自動化：社内システムのフォーム入力やデータ転記を、画面を見ながら自動実行。APIがないレガシーシステムにも対応。 ・Web操作エージェント：「この比較サイトで最安値を調べて」のようなタスクを画面操作で完遂。 ・アクセシビリティ検証：画面を視覚的に解釈して、操作性の問題を検出するテストツールに。 💡 ユースケース 🧪 視覚ベースのE2Eテスト自動化 🤖 APIのないシステムのRPA的自動化 🌐 Webブラウジング・情報収集エージェント ♿ アクセシビリティの自動検証 ⚠️ 注意点 画面の解釈に基づくため、操作の正確性は100%ではありません。重要な操作（決済、削除等）には人間の確認ステップを挟むべきです。また、レイテンシが大きめなので、高速な連続操作には不向き。セキュリティ面でも、操作対象のシステムへのアクセス権限管理に注意が必要です。 ✨ 「APIがないからLLMで自動化できない」は過去の話。画面を見て操作するエージェントの世界を、まずは簡単なタスクから試してみてください。 #Gemini# #LLM#

便利だけど知られていないGemini APIの機能 🖥️ 「この画面を見て、ここをクリックして」ができるAI。ブラウザ操作の自動化が変わります。 Geminiの「コンピュータ使用（Computer Use）」は、画面を見てマウスやキーボードを操作するエージェント機能です。UIテストやWeb操作タスクの自動化に新しい可能性を開きます。 📌 タイトル：コンピュータ使用（Computer Use） 🔗 URL： 🧩 概要 従来のUI自動化はDOM構造やセレクタに依存しており、UIが変わると壊れやすいのが難点でした。Computer Useは画面のスクリーンショットを「見て」理解し、クリックやタイプなどの操作を指示できるエージェント機能です。人間がブラウザを操作するのと同じように、視覚ベースでUIを操作できます。 🛠 使い方 スクリーンショットをGeminiに渡し、実行したいタスクを自然言語で指示します。Geminiが画面上のどこをクリック/入力すべきかを判断し、操作アクションを返します。それをブラウザ自動化ツール（Playwright等）と連携して実行する流れです。 🏗 本番システムへの組み込み方 ・E2Eテスト自動化：「ログインして商品をカートに入れて決済まで進めて」のような複雑なフローを自然言語で記述。UIの変更に強いテストに。 ・RPA的業務自動化：社内システムのフォーム入力やデータ転記を、画面を見ながら自動実行。APIがないレガシーシステムにも対応。 ・Web操作エージェント：「この比較サイトで最安値を調べて」のようなタスクを画面操作で完遂。 ・アクセシビリティ検証：画面を視覚的に解釈して、操作性の問題を検出するテストツールに。 💡 ユースケース 🧪 視覚ベースのE2Eテスト自動化 🤖 APIのないシステムのRPA的自動化 🌐 Webブラウジング・情報収集エージェント ♿ アクセシビリティの自動検証 ⚠️ 注意点 画面の解釈に基づくため、操作の正確性は100%ではありません。重要な操作（決済、削除等）には人間の確認ステップを挟むべきです。また、レイテンシが大きめなので、高速な連続操作には不向き。セキュリティ面でも、操作対象のシステムへのアクセス権限管理に注意が必要です。 ✨ 「APIがないからLLMで自動化できない」は過去の話。画面を見て操作するエージェントの世界を、まずは簡単なタスクから試してみてください。 #Gemini# #LLM#

Y Combinator: 最初の10人の顧客を獲得する方法 ■ ターゲット顧客の本当の生息地 多くの起業家はメール自動化に頼りがちだが、最初の10人の顧客は創業者自身の行動から生まれる。まず、ターゲット顧客が平均的な一日の中でどこに時間を費やしているかを突き止める必要がある。 PCやLinkedInを頻繁に見ない業界もあり、ある創業者はメールを何ヶ月も送るより業界の見本市に直接足を運び、3日間で3ヶ月分以上の成約を得た。メールの件名を微調整する前に、相手が電話や対面、ネット掲示板のどこを好むか理解しなければならない。 ■ 最初の3人は温かいネットワークから 初期の顧客が購買を決めるのは、プロダクトの完成度よりも創業者自身への信頼が理由である。そのため、最初の1〜3人の顧客は、前職の同僚や友人、同級生などの温かいネットワークから獲得すべきだ。次にLinkedInの2次接続を活用し、具体的な紹介依頼を準備して関係をつなぐことでアプローチを広げられる。 さらにHappenstanceなどのAIネットワーク検索ツールを使えば、自然言語で適切な連絡先を即座に抽出可能だ。顧客数が10〜20人に達するまでは自動化ツールを導入せず、既存の人間関係を徹底的に掘り起こすことが最優先となる。 ■ 現場に赴く：対面でのアプローチ 多くの成功した創業者は、オンラインの画面越しではなく、直接現地へ足を運んで初期顧客を獲得している。ある創業者は4週間連続で飛行機で通い、別の創業者はハワイで開始8分で追い出されながらも粘り強い交渉で大口顧客へと育て上げた。 小規模なカンファレンスも有効で、Calendlyで15分刻みの面談枠を隙間なく埋めるプレイブックが威力を発揮する。また、顧客が不満を漏らすRedditやFacebookに毎日2〜5回投稿し直接対話する地道なアプローチも顧客獲得に直結する。 ■ 売り込みをアドバイスの依頼に変換する 初期のアウトバウンドは、売り込みではなく「アドバイスやメンターシップの依頼」として連絡を組み立てるのが最も効果的だ。プロダクト構築前に200人の営業職へLinkedInでインタビューを重ね、50%の承認と20%のアポ率を達成した例もある。 また、弁護士の時給に合わせて1時間100〜200ドルの謝礼を支払い、高確率で商談に繋げたユニークな実例も存在する。相手の知見を学び関係を築くアプローチは、冷たい営業を回避し、将来の購買確度の高い商談パイプラインを築く足がかりとなる。 ■ 人間味のある文面と価値の先行提供 初期のメールはLLM製を疑われないよう75ワード以下に抑え、明確なコール・トゥ・アクションを1つだけ配置する。送信前に声に出して読み上げるだけの簡単なテストで、機械的な表現を排除し人間味のある文章へと磨き上げられる。 また、セキュリティ診断や個別アドバイスといった価値を無償で先行提供してから、対話を求める戦術も極めて強力だ。この泥臭く非効率な手法こそが大企業にない創業者の武器であり、最初の顧客との強力な信頼関係を築く。顧客数が10〜50人に拡大する段階で初めて、ApolloやClayなどのツールを用いて実証済みのメッセージをスケールさせる。

イスラエル/サンフランシスコ拠点のOakが、AIネイティブな「アイデンティティ運用基盤」の構築に向けて6000万ドルのシード資金を調達した(https://www[.]prnewswire[.]com/news-releases/oak-raises-60m-in-seed-funding-to-build-the-ai-native-identity-operating-system-302826349.html)。ラウンドはAccel、Greylock Partners、CRVが共同主導し、Hetz VenturesやAlphaDrive Venturesも参加している。 「アイデンティティ管理」とは、人間の社員だけでなく機械やAIエージェントまで含め「誰が何にアクセスできるか」を一元的に把握・制御する仕組みのこと。企業への主要な攻撃経路になっている一方、既存ツールは人間中心の静的な環境向けに設計されており、AIエージェントの急増に追いついていない。Gartnerは2028年までにCISO(最高情報セキュリティ責任者)の70%がこの可視化・分析機能を導入すると予測している。 Oakのアプローチは、既存ツールにAIを後付けするのではなく最初からAIネイティブで設計し直す点にある。オンプレミス、クラウド、SaaS、自社開発システムを問わず数ヶ月でなく数時間で接続でき、生のアクセス記録から組織内の全アイデンティティとその関係を可視化するデータ構造(いわゆるアイデンティティグラフ)を構築する。付与された権限と実際の使用状況を突き合わせ、リスク判定から根本原因の是正までAIが自動化するという。製品はすでに一般提供中で、複数の企業顧客に導入済みだ。 CEOのShai Morag氏は連続起業家で、Integrity-Project(2014年にNVIDIA傘下のMellanoxが買収)、Secdo(2018年にPalo Alto Networksが買収)、Ermetic(2023年にTenableが買収、買収後は同社CPOを歴任)と3社を売却してきた経歴を持つ。共同創業者兼CPOのTal Marom氏はTenableとSalesforceで製品部門を率いた。両氏は100人以上のCISOやIAM(アイデンティティ・アクセス管理)責任者に取材し、「ツールが多すぎて連携できていない」「AIエージェントを統治する手段がない」という共通課題を確認したうえで、クラウドセキュリティの断片化をCNAPP(クラウドネイティブアプリケーション保護基盤)が統合したのと同じ転換点に、今アイデンティティ管理があると見ている。

損保ジャパン、 機械学習モデルの開発を AI エージェントで自動化✨ 問い合わせ対応を支援する社員向けツールの機械学習モデル改良を AI エージェントに進めさせる仕組みを構築。1 週間の実験サイクルが 1 日に短縮し、1 日のうちに何度も試すことができるようになりました。

「AIエージェント」を名乗ってても、中身はただの自動化、ってことが本当に多い。 見分けるポイントは ・自分でタスクを分解できるか ・ツールを選んで呼べるか ・失敗から再計画できるか ・状態を持って長く動けるか 全部Noなら、それはエージェントじゃない。

AIツールを使っても、良いソフトウェアを作るには開発者自身の技術理解と判断力が不可欠だ、という主張記事だった。 ・ただフライパンに肉を置くだけのステーキ調理に、スキルはほとんど要らない ・だが、本当に美味しいステーキを安定して焼くのは非常に困難 ・AIを使った昨今のソフトウェア開発も、これと同じ状況になりつつある ・誰もがAIに指示を投げ、想像通りの完璧なソフトウェアが出てくることを期待している ・しかしAIは熟練のシェフではなく、単なるレシピ実行機にすぎない ・運が良ければAIは素晴らしいコードを出力してくれる ・ただ、堂々と黒焦げの炭を出して「これはミディアムレアだ」と言い張ることもある ・これで困った人は、高価なAIプロダクトや新しいフレームワークに課金して解決しようとする ・しかし、そうしたサービスの裏側でも結局は同じAIが料理をしていることが多い ・AIは反復作業を自動化し、開発を大幅に高速化できる ・一方で、品質を定義し、トレードオフを判断することはAIにはできない ・技術的には正しくても本質的に間違っているコードを見抜くのは人間の役割 ・結局のところ、望む結果を安定して得るには、自分自身でソフトウェアを深く理解して学ぶしかない

🌳 AIはついに「単発の実験を回すツール」から、時間をまたいで知見を積み上げる“研究者そのもの”へと進化しはじめました。仮説を一本のツリーとして育てていく、新しい自律研究フレームワークが登場しています。 タイトル: Toward Generalist Autonomous Research via Hypothesis-Tree Refinement URL: 🔍 概要 本研究は、長期的な自律研究を可能にするフレームワーク「Arbor」を提案しています。中核となるのは「Hypothesis-Tree Refinement（仮説ツリーの精緻化）」という考え方で、仮説・実験で得た成果物・証拠・そこから蒸留された知見を、すべて一本の永続的なツリー構造で結びつけます。実験を重ねるたびにこのツリーが更新され、次にどの方向を深掘りすべきかという探索フロンティアが継続的に磨かれていきます。 ❓ 解決する課題 これまでのLLM研究エージェントは、1回きりの実験を回すのが精一杯でした。 ・複数の試行をまたいで「どの仮説を深掘りすべきか」という大局的な戦略を維持できない ・ある実験で得た教訓が次に引き継がれず、毎回ゼロから探索してしまう ・有望な枝と行き止まりの枝を区別し、限られた計算資源を配分する仕組みが弱い つまり、知見が複利的に積み上がらないことが大きな壁になっていました。 💡 方法論と提案手法 Arborは役割の異なる2種類のエージェントと、それらをつなぐ永続的なツリーで構成されます。 ・長命なコーディネーター：研究全体の戦略を司る司令塔。仮説ツリーを俯瞰し、次に検証すべき仮説を決めます。セッションをまたいで生き続けるため、長期的な一貫性を担保します ・短命なエグゼキューター：個々の仮説を隔離された環境で実装・検証する実働部隊。検証が終われば役目を終えます ・仮説ツリー：仮説・証拠・成果物・知見を時間軸でリンクし、再利用可能な教訓を全体に伝播させます これにより、研究が単発実験の集合から、戦略・実行・証拠が積み上がる累積的プロセスへと変わります。 🎯 ユースケース 継続的に実験を回して性能を高めていく、AutoMLや機械学習の自動最適化、さらには科学的な発見プロセスそのものの自動化が有望な応用先です。長期にわたる試行錯誤を、人手を介さずに戦略的に進められる点が魅力です。 📊 実験結果 Autonomous Optimizationの設定で、実在する6つの研究タスクを使って評価されました。 ・6タスクすべてで最良のホールドアウト成績を達成 ・CodexやClaude Codeと比べて、平均で2.5倍超のホールドアウトゲインを記録 ・MLE-Bench LiteではGPT-5.5と組み合わせて86.36%のAny Medalを獲得し、比較対象の中で最強の結果を示しました #AIエージェント# #自律研究#