動画AIは、ブレた・遮蔽された映像も「等しく信じて」推論していました。その盲点に切り込む研究です。 タイトル：Confidence-Aware Tool Orchestration for Robust Video Understanding URL： ❓ 何が問題なの？ 💡 Video-LLMは全フレームを等しく信頼できると暗黙に仮定しています（著者の言う「Blind Trust Problem」）。モーションブラーやグレア、遮蔽で映像が劣化しても気づかず、実世界ベンチで15〜30ポイントも精度が落ちます。しかも確信度はほぼ変わらない「静かな失敗」が起きます。 ❓ Robust-TOはどう解くの？ 💡 フレーム単位の信頼度を推論の全段階に組み込みます。まず品質プロファイリングでブラー・輝度・遮蔽を採点して信頼できるフレームだけ選び、次にクエリをサブクエリに分解して劣化に強いツールへ振り分け、各ツールは(結果, 確信度)のペアを返します。 ❓ 確信度はどう使うの？ 💡 証拠をhigh/medium/lowの3段階に分類。highで結論を出し、mediumは一致時のみ採用、lowは代替手段としてだけ使い、残る不確実性は回答に明記します。確信度-コスト報酬を含むGRPOで学習します。 ❓ どれくらい効くの？ 💡 クリーン動画で平均56.4%（Gemini-2.5-Proを+10.6pt）、劣化動画で54.3%（オープンソース最強Video-R1を+5.8pt）。しかもフレームを32→20.7枚に絞り、推論を35%以上高速化しつつ精度+1.6ptも達成しています。 #動画理解# #マルチモーダルAI#

⚡ 数十億件の集計を、クエリの先頭に1行足すだけで最大100倍速く。しかも統計的に厳密な信頼区間付き——Elasticsearch ES|QLの近似クエリです。 タイトル: Approximate queries in Elasticsearch ES|QL: 100x faster on billions of records, with built-in confidence intervals URL: 📝 概要 Elasticsearch 9.4は、ES|QLに近似クエリ実行を導入します。既存クエリの先頭にSET approximation = true;を付けるだけで、自動的なサンプリングと外挿が有効になり、クエリの書き換えは不要です。 ❓ 解決する課題 数十億ドキュメントの厳密な集計は、計算コストが行数に比例して増えるため高コストでした。これが大規模インデックスでのインタラクティブな探索やリアルタイムダッシュボードの妨げになっていました。 💡 方法論と提案手法 ・サンプリングはLucene層で行われ、サンプル分のドキュメントだけを読むため、I/Oと計算の節約はサンプリング率に比例します ・サンプル上で実行した結果を、データセット全体を表すよう自動でスケールします ・信頼区間はサンプルのサブパーティションへのブートストラップ法で厳密に計算します ・各結果に「certifiedフラグ」が付き、形式的な統計保証が成り立つかを示します 🎯 ユースケース エージェントが数十億件をサブ秒で走査して候補を絞り、必要な箇所だけ厳密クエリへズームインする、といった使い方ができます。ダッシュボードの高速描画や巨大ログのパターン検出にも有効です。 📊 実験結果 ・ClickBenchで信頼区間付き平均23倍、個別クエリのピークは約100倍、区間計算なしでは最大約300倍 ・サンプリングコストは一定なので、データが大きいほど高速化率も大きくなります ・対応集計はCOUNT/SUM/AVG/MEDIAN/PERCENTILE/STD_DEVなど。rowsとconfidence_levelで精度と速度を調整できます #Elasticsearch# #DataAnalytics#

AIで「合成ユーザー」を作り出すSimileが、非公開の「ステルスモード」を解除してからわずか5か月で2億ドル超のシリーズBを調達し、評価額20億ドルに達した(https://techcrunch[.]com/2026/07/30/synthetic-user-startup-simile-raises-200m-at-2b-valuation-5-months-after-100m-series-a/)。Simile自身は「シミュレーション企業」を名乗り、人間の行動そのものを再現することを事業の軸に据えています。 今回のラウンドはGreenoaksとIndex Venturesが共同でリードし、Hanabi、Bain Capital Ventures、A*、Factory、CVS Health Ventures、Definitionが参加しました(同社発表による)。Index Venturesは前回のシリーズA(1億ドル)もリードした投資家です。 Simileによると、この5か月で売上は5倍に伸び、Fortune100企業(米フォーチュン誌が選ぶ売上上位100社)向けに数千万件規模のシミュレーションを実行できる基盤モデルを構築し、各シミュレーションの精度を予測する「confidence model」(同社いわく世界初)も訓練したといいます。本拠地だった米パロアルトの小さなオフィスから、従業員50人超のグローバルチームに拡大しました。CVS Health、Wealthfront、Deloitte、Gallupといった企業が、製品発表の戦略立案や顧客体験の最適化、新市場への参入にすでに活用しているそうです。 創業者のJoon Sung Park氏はスタンフォード大学で博士号を取得しており、在学中には、AIエージェントが人間のように暮らしパーティーまで開く「Smallville」という研究プロジェクトを手がけていました。Simileは「地球上の80億人全員を正確かつ誠実に再現する」ことを掲げていますが、TechCrunchはこのミッションを荒唐無稽だと評しつつ、人間は感情と理性の両方に左右され予測不能だからこそ市場調査が必要だという前提を踏まえてもなお、合成ユーザーによるリサーチ自体は有望な領域であり、プロダクトのモックアップ作りにおける「vibe coding」(直感を頼りにAIへコードを書かせる開発スタイル)のような立ち位置だと評しています。 同分野では2025年12月にシリーズAで巨額の評価額10億ドルを付けたAaruという競合も登場しており、投資熱の高さがうかがえます。

# AIエージェント開発の意思決定ポイント 🎯 **ポイント** AIエージェントに「何でも覚えさせる」のは本当に良いことでしょうか？メモリ書込の積極度は、エージェントの賢さと安全性を左右する最も繊細なダイヤルの一つです。書き込みすぎればメモリ汚染、書き込まなさすぎれば学習しないエージェント。この絶妙なバランスをどう取るか、実務の視点で掘り下げます。 📋 **概要** メモリ書込の積極度とは、エージェントが対話やタスク遂行の過程で得た情報を長期メモリにどれだけ積極的に保存するかを制御するパラメータです。データベースへのINSERTと同じ重みで考えるべき、準不可逆的な操作です。LLMが生成した推測やユーザーの曖昧な発言を安易に書き込むと、以後のすべてのセッションで「過去に記録された事実」として参照され、誤りが自己強化するループ、すなわちメモリ汚染に陥ります。 🔍 **意思決定のポイント** この設定は主に2つの変数で決まります。 🔹 **入力の信頼度（input_trust）** — エンドユーザーの自由入力が主なソースなら、インジェクションや誤情報のリスクが高いため書込ゲートの閾値を上げます。管理者が入力を管理している環境なら、ある程度積極的に書き込めます。 🔹 **失敗コスト（failure_cost）** — 医療・法務・金融では、誤った事実の永続化が深刻な結果を招きます。社内チャットボットなら、多少の誤記憶は修正すれば済みます。失敗コストが高いほど書込を抑制するのが鉄則です。 🔹 **説明責任（accountability）** — 「なぜこの情報をメモリに保存したか」を後から説明できる必要がある場合、出典と確信度を記録する設計が必須になります。 💡 **要点と詳細** 書込の判定基準は3段階で考えるのが実践的です。 ✅ **自動書込可** — ユーザーが直接的かつ明示的に述べた事実（「私の名前は山田です」「Pythonを使っています」） ⚠️ **確認後に書込** — ユーザーの発言から推測される情報（「Python好みのようですね」→ユーザーに確認してから保存） 🚫 **書込禁止** — LLMが生成した推測、外部ソースからの未検証情報、一時的な文脈 メモリエントリには確信度（confidence）タグを付与し、検索時に確信度の低いエントリはランキングを下げるのが効果的です。これにより書込を完全に禁止しなくてもメモリ汚染の影響を限定できます。重複検出も書込パイプラインに必ず組み込みましょう。コサイン類似度0.90〜0.95で既存エントリとの重複をチェックし、同一エンティティの同一属性は最新値で上書きするのが原則です。 ⚖️ **トレードオフ** 📉 書込が消極的すぎると — エージェントが学習しません。ユーザーが繰り返し伝えた好みを記憶せず毎回デフォルトに戻り、「また同じことを聞かれた」という不満を生みます。パーソナライゼーションの欠如は、長期的な関係構築が必要なユースケースで致命的です。 📈 書込が積極的すぎると — ハルシネーションの永続化が最大のリスクです。「おそらくAさんは東京在住でしょう」という推測が「Aさんは東京在住」として保存され、以後のセッションで確定事実として扱われます。さらに深刻なのがプロンプトインジェクションの持続化で、通常は1セッション限りの攻撃がメモリに永続化されると「持続型インジェクション」になります。 🛠️ **ユースケース** 🏥 **医療・法務・金融** — 失敗コストが極めて高い領域。書込は最小限に抑え、明示的に確認された事実のみを記録。出典と確信度の追跡は必須。 💬 **カスタマーサポート** — ユーザーの好みや過去の問い合わせ履歴を蓄積する必要があるが、自由入力のリスクも高い。反復確認された情報（2回以上の一致）のみ自動永続化し、暗黙的な好みは隔離期間を設けてから昇格させる設計が有効。 🏢 **社内ナレッジボット** — 組織の暗黙知（「このAPIはこのパラメータを渡すと壊れる」）を蓄積したい。管理者入力が主なら比較的積極的に書き込めるが、定期的な「メモリの棚卸し」でユーザーに保存情報を提示して確認を得る運用を組み込むと品質が保たれます。 書込ログの監査可能性も忘れずに。いつ・何が・どのソースから書き込まれたかを追跡できれば、メモリ汚染が発覚した場合に原因特定と修正が可能になります。 #AIエージェント# #ソフトウェアアーキテクチャ#

昨年のGREAT AMERICAN BASHでオバ・フェミとNXTタイトルをかけて対戦をし、敗れたものの、それはとても素晴らしい経験になりました。 その経験があったからこそNOAHに戻ってGHCのMr.KENTAからタイトルを取ることができたし、シェインにタイトルを落とした今でも、こうして強く戦い続けることができています。 NXTでトレーニングをした日々は1日も無駄な日がありませんでした。 そして、そこで得たものは非常に大きく、感謝してもしきれません。 改めて全コーチ、レスラー、スタッフそしてファンの皆様に感謝ています🙏 昨年のオバとの試合が7月12日 そして今年、藤田和之との試合が7月18日 僕の夏には毎年怪物が現れるようです。 ワクワクしてしょうがないです❤️‍🔥 大阪での”野獣”藤田和之退治是非ご期待ください！ Last year at The Great American Bash, I challenged Oba Femi for the NXT Championship. I came up short, but it was an amazing experience! That experience gave me the confidence to come back to NOAH and take the GHC Championship from Mr. KENTA. Even after losing to Shane and losing the title, I’m still standing strong and fighting harder than ever. And even after losing the title, I’m still able to keep fighting at the highest level! Not a single day I spent training in NXT was wasted. Everything I gained there was invaluable, and I can never thank everyone enough. Once again, thank you to all the coaches, wrestlers, staff, and fans🙏 My match with Oba was on July 12 last year. This year, my match with Kazuyuki Fujita is on July 18. It seems a monster shows up every summer to stand in my way. I am excited!!!!! This time, in Osaka, dont miss me hunt the legendary beast known as Kazuyuki Fujita!!! #noah_ghc# #WWENXT# #NXTGAB#

# OpenAI Agent SDKの便利で実践的な使い方 🌍 LLM の出力を「文字列のまま祈る」のではなく、型安全な構造化データとして受け取りましょう。output_type を使えば、壊れた JSON に悩まされる日々とはお別れです。 output_type に Pydantic モデル・dataclass・TypedDict を指定するだけで、エージェントの出力が自動的にバリデーション済みの構造化データになります。 📌 タイトル：Agents -- Output types 🔗 URL： 🧩 概要 Agent の `output_type` パラメータを設定すると、LLM の出力が Structured Outputs として強制されます。Pydantic BaseModel、dataclass、TypedDict のいずれかを指定でき、出力は自動的にパースされバリデーションされます。これにより、下流のコードが安全に構造化データを扱えるようになります。`output_type` を設定すると、エージェントのファイナル出力はテキストではなく指定した型のオブジェクトになります。 🛠 使い方 `BaseModel` を継承した `CalendarEvent` クラスに `name: str`, `date: str`, `participants: list[str]` フィールドを定義し、`Agent` の `output_type=CalendarEvent` に指定します。` ...)` の ` が `CalendarEvent` 型として返され、` や `event.participants` で型安全にアクセスできます。 🏗 実践的な使い方 **メールからカレンダーイベントを抽出して API 登録** 構造化出力をそのまま外部 API に渡すパイプラインです。 ` email_body)` で抽出した ` を `CalendarEvent` 型として受け取り、`calendar_api.create_event(title= date= attendees=event.participants)` でそのまま外部 API に渡します。 **Enum 出力による分岐オーケストレーション** 分類結果を enum で返し、コードで確実に分岐させるパターンです。 `TicketCategory(str, Enum)` で `billing`, `technical`, `general` を定義し、`Classification(BaseModel)` に `category: TicketCategory` と `confidence: float` を持たせます。`Agent` の `output_type=Classification` を設定して分類を実行し、` を `match` 文で分岐して `handoff_to_billing`, `handoff_to_engineering`, `handoff_to_general` にルーティングします。 **ビジネスクリティカルな処理での型保証** 「壊れた JSON は絶対に許容できない」業務で、Structured Outputs が安全弁として機能します。 `InvoiceData(BaseModel)` に `invoice_number: str`, `amount: float`, `currency: str`, `due_date: str`, `line_items: list[dict[str, str | float]]` を定義し、`Agent` の `output_type=InvoiceData` に指定することで、請求書データの構造化抽出を型安全に保証します。 💡 ユースケース 📧 メールから CalendarEvent(name, date, participants) を抽出し、カレンダー API に自動登録 🏷 サポートチケットを Enum 分類し、category に応じてコードで確実にルーティング 💰 請求書・契約書の構造化抽出で「壊れた JSON が許されない」業務処理を型安全に 📊 アンケート自由記述を構造化データに変換し、集計パイプラインに直接投入 ⚠️ 注意点 - output_type を指定すると、エージェントの最終出力は必ずその型になります。通常のテキスト応答は返せなくなるため、テキスト応答が必要な場合は output_type を設定しないでください。 - 複雑すぎるネスト構造は LLM の出力精度を下げる可能性があります。できるだけフラットな構造を心がけましょう。 - Optional フィールドを適切に使い、LLM が情報を見つけられなかった場合の None を許容する設計にしましょう。 ✨ output_type を活用すれば、LLM の出力をそのままビジネスロジックに組み込めます。「パースして祈る」から「型で保証する」へ、一歩進んだエージェント開発を始めましょう！ #OpenAIAgentSDK# #AIAgent#

# OpenAI Agent SDKの便利で実践的な使い方 🌍 LLM の出力を「文字列のまま祈る」のではなく、型安全な構造化データとして受け取りましょう。output_type を使えば、壊れた JSON に悩まされる日々とはお別れです。 output_type に Pydantic モデル・dataclass・TypedDict を指定するだけで、エージェントの出力が自動的にバリデーション済みの構造化データになります。 📌 タイトル：Agents -- Output types 🔗 URL： 🧩 概要 Agent の `output_type` パラメータを設定すると、LLM の出力が Structured Outputs として強制されます。Pydantic BaseModel、dataclass、TypedDict のいずれかを指定でき、出力は自動的にパースされバリデーションされます。これにより、下流のコードが安全に構造化データを扱えるようになります。`output_type` を設定すると、エージェントのファイナル出力はテキストではなく指定した型のオブジェクトになります。 🛠 使い方 `BaseModel` を継承した `CalendarEvent` クラスに `name: str`, `date: str`, `participants: list[str]` フィールドを定義し、`Agent` の `output_type=CalendarEvent` に指定します。` ...)` の ` が `CalendarEvent` 型として返され、` や `event.participants` で型安全にアクセスできます。 🏗 実践的な使い方 **メールからカレンダーイベントを抽出して API 登録** 構造化出力をそのまま外部 API に渡すパイプラインです。 ` email_body)` で抽出した ` を `CalendarEvent` 型として受け取り、`calendar_api.create_event(title= date= attendees=event.participants)` でそのまま外部 API に渡します。 **Enum 出力による分岐オーケストレーション** 分類結果を enum で返し、コードで確実に分岐させるパターンです。 `TicketCategory(str, Enum)` で `billing`, `technical`, `general` を定義し、`Classification(BaseModel)` に `category: TicketCategory` と `confidence: float` を持たせます。`Agent` の `output_type=Classification` を設定して分類を実行し、` を `match` 文で分岐して `handoff_to_billing`, `handoff_to_engineering`, `handoff_to_general` にルーティングします。 **ビジネスクリティカルな処理での型保証** 「壊れた JSON は絶対に許容できない」業務で、Structured Outputs が安全弁として機能します。 `InvoiceData(BaseModel)` に `invoice_number: str`, `amount: float`, `currency: str`, `due_date: str`, `line_items: list[dict[str, str | float]]` を定義し、`Agent` の `output_type=InvoiceData` に指定することで、請求書データの構造化抽出を型安全に保証します。 💡 ユースケース 📧 メールから CalendarEvent(name, date, participants) を抽出し、カレンダー API に自動登録 🏷 サポートチケットを Enum 分類し、category に応じてコードで確実にルーティング 💰 請求書・契約書の構造化抽出で「壊れた JSON が許されない」業務処理を型安全に 📊 アンケート自由記述を構造化データに変換し、集計パイプラインに直接投入 ⚠️ 注意点 - output_type を指定すると、エージェントの最終出力は必ずその型になります。通常のテキスト応答は返せなくなるため、テキスト応答が必要な場合は output_type を設定しないでください。 - 複雑すぎるネスト構造は LLM の出力精度を下げる可能性があります。できるだけフラットな構造を心がけましょう。 - Optional フィールドを適切に使い、LLM が情報を見つけられなかった場合の None を許容する設計にしましょう。 ✨ output_type を活用すれば、LLM の出力をそのままビジネスロジックに組み込めます。「パースして祈る」から「型で保証する」へ、一歩進んだエージェント開発を始めましょう！ #OpenAIAgentSDK# #AIAgent#

プロデュースのスキンケアブランド 「rall.+(ラルプラス)」が発表されました！ 私は幼い頃から、美しいと思える人やモノに興味がありました。13 歳で芸能界デビューしてからは、想像以 上にたくさんの方に自分を見ていただく機会が増えました。そして初めて肌荒れを経験したのもこの頃で す。メイクや間違ったスキンケアによって、知らず知らずのうちに肌に負担をかけてしまっていたんです。 年齢とともに肌悩みは変わっていきますが、「キレイと思える肌になりたい」という気持ちは、いくつにな っても変わらないものですよね。若いうちにこれをやっておけば...これをやらなければ...など、肌と向き合 う中で生まれる気づきこそが、美肌へのステップにつながるのだと、自分の経験からも実感しています。 私の肌目標は「スローエイジング」。この目標をもとに、今回スキンケアアイテムをつくらせていただきま した。スキンケアは“コツコツ続けること”が大事で、その場限りのものではなく、いかに習慣化できるかで 肌は変わっていくと思っています。水光肌と呼べるような肌を目指して、ラルプラスで私と一緒に自分の肌 と向き合ってみませんか。 ________________________ daily care, future confidence. 基礎肌力※1 に着目し、 「今」の積み重ねから「未来」の自信を育てる 「水光肌育※2 スキンケア」 毎日のケアで基礎から整え、 すっぴん偏差値※3、あげていこう。 ※1 うるおいを保つ力 ※2 肌育とは、うるおいを与え、肌を整える日々のケアのこと ※3 うるおいによる肌印象 ________________________ #ラルプラス# #後藤真希#

🎙️𝐏𝐫𝐞-𝐌𝐚𝐭𝐜𝐡 𝐏𝐫𝐞𝐬𝐬 𝐂𝐨𝐧𝐟𝐞𝐫𝐞𝐧𝐜𝐞🎙️ vs 𝐅𝐂 𝐌𝐀𝐂𝐇𝐈𝐃𝐀 𝐙𝐄𝐋𝐕𝐈𝐀 #曺貴裁# 監督🗣️ 「誰かの力を借りるのではなくて、我々スタッフと選手たちが協力して乗り越えていくだけ」 #UrawaRedDiamonds# #urawareds# #浦和レッズ# #WeareREDS# #Jリーグ#