IMMUNE Guard をOSSで公開しました（Apache-2.0）。 AIエージェントが実行しようとする操作に、必ず判定を返す。 ADMITTED / DENIED / UNRESOLVED。黙って通すことはしない。 Linux・Windows 11・macOSで動作確認済み。

pgvectorのHNSWで「フィルタをかけると結果が減る」「インデックスが重い」と困っていませんか？ タイトル: Introducing pg_pinecone: Open-Source Search for Your Postgres Data URL: 🐘 概要 Apache 2.0のオープンソースPostgres拡張です。既存のpgvectorのベクトル列に、Pineconeの検索エンジンによるベクトル検索を足せます。データベース内で動くので、データはPostgresの外に出ません。 ❓ 解決する課題 HNSWはデータ増でメモリと構築時間が膨らみ、テナント単位などのフィルタ付き検索では、要求件数より少ない結果になることがあります。 🧩 方法論と提案手法 グラフの代わりに、IVFとRaBitQ（約1ビット/次元）のコードを使い、近いクラスタ探索、コードで距離推定、完全ベクトルで再ランクの3段階で検索します。フィルタは全行の3%以下ならプレフィルタで厳密に、それ以上なら各クラスタ内で確認します。APIキーなしのnativeエンジンのほか、remote、embed()、BM25、rerank()も選べます。 📊 実験結果（ベンダー報告） 100万ベクトル・768次元で、 ・再現率0.95のレイテンシ 1.27 ms（HNSW halfvecは1.71 ms） ・インデックスサイズ 136 MB（HNSW halfvecは2.0 GB） ・1%フィルタ：再現率0.981を8.3 ms（HNSW halfvecは0.924を56 ms） ただし1データセット、1構成の結果で、一括ロード後はREINDEXが必要です。 #Postgres# #VectorSearch#

世界最速※のAIエンジン「YASAKANI」を、3日後の11/13（金）22時に無料公開します。 RTX 5090 1枚で 1,260 tok/s、他の8エンジンに全7分野で勝利。圧縮の品質でも、近い容量のGSQ-RCO・Unslothを上回りました。 もっと多くのPCに対応するため、クラファンを始めました。詳細はこちら↓ ・速くする仕組みはRTX 5090専用ではありません。ほかのGPUにも広げていきます ・Qwen4にも、重みが公開されたらすぐに対応する予定です ・現在の対応はWindowsとRTX 5090です ・ソースコードと2つのモデル（最速・品質）をApache-2.0で公開 ご支援で対応GPUを広げます。累計300万円でRTX 3090・4090などの24GB・16GB機へ、その先はAMD・Macへ。1,000円から応援できます。 【動画と画像について】 ・動画の48秒からは、実際に生成している画面の録画です。カットも早送りもなく、編集していません。別ウィンドウのタイマーも一緒に映しています（コードの書き換えが5.56秒で完了） ・画像1・2枚目：思考なし／思考ありの速度表（大きいほど速い） ・画像3枚目：圧縮品質の表（元のモデルにどれだけ近いか。KLは小さいほど近い） ※RTX 5090 1枚・Qwen3.8-27B・単一生成。掲載した8エンジン・7分野の比較条件での記録です。1,260 tok/sは長いJSONLの生成（思考なし）。品質は、自前の思考文で元モデルとの近さを近い容量どうしで比べた結果です。 #YASAKANI#

スキーマは「何があるか」は教えてくれますが、「それが何を意味するか」までは教えてくれません。Neo4jがAIエージェント向けの答えとして、オントロジーのオープン仕様を発表しました 🧭 The Neo4j Ontology Graph Specification: A pragmatic, open, AI-first approach ドメイン知識を、JSONまたはYAMLの1ファイルで機械可読に記述するオープンソースの仕様です。ライセンスはApache 2.0で、SDKはJVM、JavaScript、Goに対応しています。 注目ポイント 🛠️ Pragmatic（実用的） ノード、関係、プロパティ、制約、インデックスを、1つのファイルで定義できます。公開されたJSON Schemaで検証でき、既存の開発・運用の流れに組み込めます。 🔗 Interoperable（相互運用） RDFS、OWL、SKOS、SHACLなどW3C標準を土台にし、RDFSとSHACLの構成要素との対応を文書化しています。全要素のreferenceフィールドで、外部の標準用語にもリンクできます。 🤖 AI-first 例えば「Account」が銀行口座なのか、別名は何か、どの識別子（IBANなど）が当てはまるのかを、説明と別名でエージェントに伝えます。1つのオントロジーを、制約、データ導出、エージェントの文脈として使い回せます。 意味を一度書いて、データベースとエージェントの両方で使うという考え方が軸です。なお、RDFシリアライズは現時点ではなく、記事に性能評価はありません。 #Neo4j# #GraphRAG#

OpenAIが、未公開の内部モデルに未解決の数学問題を解かせた成果物をまるごと公開しました。 タイトル: openai/math URL: ❓ 何が公開されたのですか？ 722本の数学原稿が372のファミリーに整理されて置かれています。評価期間を通じてモデルには約4,000問が提示され、結果の大多数は同一手順で得られたものです。ライセンスはApache-2.0で、各原稿にはPDFとソース、引用情報が揃っています。 ❓ なぜ公開したのですか？ 既存のベンチマークで性能が頭打ちになったためです。すでに答えが分かっている問題では測れなくなったので、評価の対象を未解決の研究課題へ広げた、という経緯が記されています。1つの結果あたり平均でおよそ3時間の思考計算が費やされました。 ❓ 内容の正しさは保証されているのですか？ ここが最も重要な点で、保証されていません。READMEは「収録されているのは検証段階がそれぞれ異なる結果」であり「すべてにLeanによる形式化が付いているわけではない」「形式化されていない結果には問題が含まれている可能性がある」と明記しています。索引では形式化済みの結果にLeanへのリンクが付き、どれが計算機検証を伴うか識別できるようになっています。 ❓ リーマン予想が解けたということですか？ 違います。例外として挙げられているのはゼータ関数のゼロ自由領域に関する部分的な結果と、CMアーベル多様体という特定クラスに限ったホッジ予想の証明です。いずれも予想そのものの解決ではありません。前者の書き上げは可読性のため人手で編集されたとも記されています。 #数学# #OpenAI#

AIエージェント向けのデータ基盤を開発するEdelbyteが、ステルス（非公開で開発を進める期間）を終えて表に出て、7,000万米ドルの調達を発表しました（ Capitalで、Greenoaks、Swish Ventures、QP Ventures、Cerca Partners、Startpoint Capitalも参加しています。SiliconANGLEによると、資金は2回のラウンドに分けて集めたもので、CTechは評価額を5億米ドルと報じています。資金は導入企業の拡大と人材の採用に充てるとのこと。 テルアビブに拠点を置く同社の創業者4人は、いずれもMicrosoft出身です。リアルタイムのデータを分析するAzure Data Explorer（クエリ言語の名前からKustoとも呼ばれます）の開発に関わってきました。CEOのAvner Aharoniは、企業がデータの検索や分析に使っているシステムはAI以前の世界に向けて作られたもので、問い合わせの量と複雑さは従来の基盤の想定を大きく超えていくと話しています。SequoiaのBogomil Balkanskyの言葉を借りれば、AIエージェントは人間よりはるかに多くの質問を企業のデータに投げます。しかも、どんな聞き方をしてくるか事前に読めません。 Edelbyteは、検索、分析クエリ、ベクトル検索（意味の近いデータを探す仕組み）、グラフ処理（データ同士のつながりを分析する手法）、地理空間データを1つのプラットフォームで扱います。用途ごとに別々のデータベースをつなぎ合わせる必要がありません。インデックス（大量のデータから目的の項目をすぐ見つけるための索引）を網羅的に作り、その調整作業の一部も自動化しているため、あらゆる問い合わせパターンを先回りして設計しなくても済む、という考え方です。組み込みのナレッジベースは、エージェントが検索するときの文脈を補います。さらにクエリフェデレーション（データを移さず、保存先のシステムに直接問い合わせる技術）により、Apache Iceberg、Parquet、S3、Kafka、PostgreSQLなどにあるデータをそのまま扱えます。ClaudeやCodex、Grafana、Tableauともつながります。 公式サイトでは、1つのプラットフォームで数百ペタバイトを扱い、応答は100ミリ秒未満、取り込み費用は1GBあたり0.01米ドル（インデックス込み）とうたっています。SnowflakeやDatabricksの代わりになる基盤を掲げ、すでにFortune 500企業の数社がペタバイト規模の環境で使っているそうです。料金は事前契約のいらない従量課金で、パブリッククラウド、ソブリンクラウド（データを特定の国や地域の中に置くクラウド）、セルフホスト、オンプレミスのどこでも動かせます。 エージェントが何体も並列で動き、それぞれが予測できない質問を投げるようになると、モデルの性能より、その質問を速く安く受け止めるデータ基盤のほうが先にボトルネックになるのかもしれません。

# Neo4jの機能と実践的な使い方 🚪 データ投入の方法選びを最初に間違えると、後工程がすべて遅くなります。Neo4jの「インポート方法 選択ガイド」は、規模と頻度から最適な入口を決めるためのハブページです。 🏷️ タイトル: インポート方法の選択ガイド 🔗 URL: 📘 概要 Neo4jへのデータ投入には複数の手段があり、それぞれ得意な規模・実行モード（オンライン/オフライン）・権限要件が異なります。このページは個別の手順書ではなく、「どの方法を選ぶべきか」を最初に判断するための入口にあたります。 ⚙️ 機能の説明 主な選択肢は次のとおりです。 ・Data Importer: ブラウザGUIでCSVをドラッグ＆ドロップし、ノード/リレーションシップに視覚的にマッピング。Cypher不要で、検証・プロトタイピング向き。 ・`LOAD CSV`: Cypherで書く汎用的な取り込み。オンライン（DB稼働中）で動き、非管理者でも実行可能。数十万〜数百万行クラスまで。 ・`neo4j-admin database import`: オフラインのバルクローダ。空のDBに対し、ストアファイルへ直接書き込むため最速。数十億規模の初期構築向け。 ・コネクタ/APOC: Apache Spark / Kafka / CDC による継続的同期や、JSON/XML/XLSなど多様な形式の取り込み。 🛠️ 実践的な使い方 規模と頻度で入口を決めるのが実践の第一歩です。 ・数千件のマスタを手早く → Data Importer（GUI） ・数百万件の定期ロード/差分ロード → `LOAD CSV`（`MERGE`で冪等化） ・数十億件のワンショット初期構築 → `neo4j-admin database import`（オフライン） ・常時の継続同期 → Kafka / CDC / Spark コネクタ いずれの経路でも、取り込み前にキー列へ一意制約を張るのが共通の定石です。 ```cypher CREATE CONSTRAINT person_id IF NOT EXISTS FOR (p:Person) REQUIRE IS UNIQUE; ``` 💡 ユースケース プロジェクト初期に、PoCはData Importer、本番初期構築は`neo4j-admin import`、日次差分は`LOAD CSV`、というように経路を分けて設計します。これにより「検証は軽く速く、本番投入は最速」を両立できます。 ⚠️ 注意点 ・`neo4j-admin import`は空のDB専用かつオフラインのため、稼働中DBには使えません。 ・`LOAD CSV`は行数が数十万〜数百万に近づくとメモリ問題が出やすく、`CALL { } IN TRANSACTIONS`での分割が必要です。 ・継続同期（Kafka/CDC）は初期ロードとは別物として、組み合わせて設計します。 ・このページは入口です。各方式の細部は必ずリンク先の個別ドキュメントで確認してください。 #Neo4j# #DataImport#

AIが10年以上未解決の数学問題を10件解決。 タイトル: Ten advances in mathematics and theoretical computer science URL: ❓ どんな問題を解いたの？ 💡 高次元球充填・非sofic群の存在証明・Connes剛性予想の反証・量子並列反復定理・耐量子暗号への含意を持つ最近接ベクトル問題など、群論・幾何・符号理論・作用素代数・量子複雑性・格子暗号・極値組合せ論にまたがる10件です。いずれも最低10年以上メインの結果に進展がなかった未解決問題を対象としています。 ❓ どのAIが解いたの？ 💡 OpenAIの次世代未公開モデル「Astra」の内部評価版です。Astraが証明の核心を発見し、その後人間が論文整形と形式化を担当しました。計算コストはSol APIレートで約2,000ドル。「定理証明がルーティンのバッチジョブになった」という言葉が、AIと数学の関係の転換点を端的に表しています。 ❓ 本当に正しい証明なの？検証は？ 💡 すべての証明はLean 4（mathlib + Lake）で機械検証された「Lean 4証明書」付きです。GitHubでApache-2.0ライセンスとして公開されており、`lake exe cache get && lake build All` でコンパイル可能。コンパイルが通れば正しい — それだけです。数ヶ月かかる人間の査読を数分の計算に圧縮したことは、AI産数学の新しいスタンダードを確立しています。 ❓ 今後の数学研究はどうなるの？ 💡 「1分野でたまたま1件当たった」ではなく8分野で10件というスケールが本質です。制約はもはや計算コストではなく、プロンプト設計と結果の検証精度に移りつつあります。数学研究の律速段階がAIのサンプリングではなく人間の問題設定と形式化スキルになる、そんな世界が見えてきました。 #AI数学# #OpenAI#

🔎 エージェントが他組織のツールやエージェントを「どこにあって、どれを選び、安全か」を判断する標準がついに登場。エージェンティックWebの検索エンジンを作る仕様です。 📰 タイトル: Announcing the Agentic Resource Discovery specification 🔗 URL: 💡 概要 Googleが、AIの能力（ツール・スキル・他のエージェント）をWeb全体で公開・発見・検証するためのオープン仕様「Agentic Resource Discovery（ARD）」を発表しました。業界横断で開発され、フレームワークやプロトコル、プロバイダーの違いを越えて安全に接続できることを目指します。 🧩 解決する課題 エージェントは組織をまたいだツールやエージェントを使いたくても、「どこにあるか・どれを選ぶか・安全に使えるか」に答える標準がなく、プラットフォームごとに分断していました。ARDはこの発見と信頼の欠落を埋めます。 🛠 方法論と提案手法 2つの基本要素で構成されます。 ・カタログ: 組織がドメインのwell-knownパスに ai-catalog.json を公開。MCPサーバー、A2Aエージェント、OpenAPIツール、入れ子カタログを記述でき、ドメイン所有権が信頼の暗号学的な土台になります ・レジストリ: カタログをクロール・インデックス化する「エージェンティックWebの検索エンジン」。検証用メタデータ付きで結果を返します 公開→発見→暗号学的検証→実行時接続の4フェーズで動作します。 📊 ユースケース / 実績 Googleは Gemini Enterprise Agent Platform の Agent Registry として実装し、Agent Identity検証によるHIPAA等のコンプライアンスにも対応。例えば障害調査の運用エージェントが、可観測性・ドキュメント・デプロイ履歴・専門エージェントを統一的に発見して使えます。仕様はApache 2.0でGitHub公開されています。 #AIエージェント# #ARD#