第48回技能五輪国際大会「ITネットワークシステム管理」職種 敢闘賞！ 西村 虎次朗 選手［トヨタ自動車株式会社］ #WorldSkillsJapan# #WorldSkills# #技能五輪国際大会# #ITネットワークシステム管理# #ITNetworkSystemsAdministration#

【株主・投資家の皆様へ】 先ほど、売れるネット広告社グループは、東証スタンダード上場の『THE WHY HOW DO COMPANY株式会社（3823）』および『WHDCアクロディア株式会社』との間で、暗号資産復旧事業における戦略的業務提携を発表いたしました‼️🪙💎🤝 今回のIRは、単なる業務提携ではありません。 売れるネット広告社グループの連結子会社である『ビットコイン・セイヴァー』が持つ暗号資産復旧技術に、『WHDCグループ』が持つWeb3ネットワーク、IT開発力、ブロックチェーン関連技術を掛け合わせることで、暗号資産復旧市場における事業拡大を本格的に加速させるための共同プロジェクトです❗️ 世界には、秘密鍵の紛失、パスワードの喪失、ウォレットへのアクセス不能などにより、取り出せなくなった暗号資産が「60兆円」の巨額規模で存在していると言われています。 今回、私たちが狙うのは、「失われた60兆円市場」です。 『売れるネット広告社グループ』ビットコイン・セイヴァーは国内上場企業初にして唯一の「暗号資産（仮想通貨）復旧（デジタルアセット・リカバリー）サービス専門企業です❗️ ライバル不在のブルーオーシャンを独走します。 そして、この事業の真のスゴさは、復旧資産の【約40%】を成功報酬として受領する「超高収益モデル」にあります‼️ 小学生でもわかる単純計算をします。 ●1億円分を復旧→【売上総利益 約4,000万円❗️💰】 ●10億円分を復旧→【売上総利益 約4億円❗️💰】 ●100億円分を復旧→【売上総利益 約40億円❗️💰】 ●1,000億円分を復旧→【売上総利益 約400億円❗️💰】 つまり、このビジネスは、1件の大型案件が成功するだけで、業績に非常に大きなインパクトを与える可能性があります。 さらに今回の提携により、WHDCグループが持つWeb3関連企業、暗号資産・ブロックチェーン業界、投資家コミュニティ、事業提携先ネットワークとの連携が強化されます。 暗号資産復旧事業で重要なのは、技術力だけではありません。 大型案件がどれだけ持ち込まれるか。 ここが非常に重要です。 今回の提携によって、 ●上場企業同士による信頼性 ●WHDCグループのWeb3ネットワーク ●アクロディアのIT開発力 ●ビットコイン・セイヴァーの暗号資産復旧技術 ●復旧資産の約40%を受領する高収益成功報酬モデル これらが一気に結びつきます❗️ IRにも記載の通り、すでに受注している大型案件として、169BTC、151BTC、2,600ETHなど、合計【約45億円規模の案件】もあります‼️🪙🪙🪙 ズバリ過去の『復旧の解決率は90％以上』です❗️ なのでぶっちゃけ『自信』しかありません😎 復旧資産の【約40%】を成功報酬として受領する「超高収益モデル」なので、復旧が実現した場合のインパクトは非常に大きいと考えています。 約45億円分の暗号資産が復旧できた場合、 『売れるネット広告社グループ』には【約18億円】売上総利益が入ります‼️💰💰💰 ※再度言うが、過去の『復旧の解決率は90％以上』です♪ 今回のIRは、『売れるネット広告社グループ』が、暗号資産復旧市場において世界で圧倒的No.1ポジションを目指すための、極めて重要な一歩です。🌎 私は創業者・会長として、そして大株主として、今回の戦略的業務提携には大きな可能性を感じています。 「失われた60兆円市場」へ。 売れるネット広告社グループは、暗号資産復旧という新たな巨大市場で、本気で世界で圧倒的No.1と市場の独占を目指します‼️📈📈📈🚀🚀🚀 加藤公一レオ 売れるネット広告社グループ株式会社 （東証上場 証券コード9235） 創業者・取締役会長

# OpenAI Agent SDKの便利で実践的な使い方 🌍 1つのエージェントで全てをこなすのは無理がありますよね？ Handoffsを使えば、専門エージェントへの引き継ぎを自然に実現できます。 📌 タイトル：Handoffs 🔗 URL： 🧩 概要 Handoffsは、あるエージェントから別のエージェントへ会話の制御を引き渡す仕組みです。トリアージエージェントがユーザーの意図を判断し、適切な専門エージェントに振り分けるパターンを宣言的に構築できます。`handoff_description`でモデルにヒントを与え、`tool_name_override`でビジネスロジックに合った命名ができます。 🛠 使い方 カスタマーサポートのトリアージ例です。`Agent(name="order-status", instructions="注文状況の問い合わせに回答...")`, `Agent(name="refund", instructions="返金リクエストを処理...")`, `Agent(name="faq", instructions="よくある質問に回答...")` の3つの専門エージェントを定義します。トリアージエージェントは `Agent(name="customer-support", handoffs=[...])` として、`Handoff(agent=order_agent, handoff_description="注文状況や配送に関する問い合わせ", tool_name_override="transfer_to_order_team", tool_description_override="...")` のように詳細設定付きのhandoff、`Handoff(agent=refund_agent, handoff_description="返金・返品に関するリクエスト", tool_name_override="transfer_to_refund_team")` のようなシンプルなhandoff、`Handoff(agent=faq_agent)` のような最小構成のhandoffを組み合わせて定義します。`await input="先週注文した商品がまだ届きません")` で実行すると、モデルが適切な専門エージェントに振り分けます。 🏗 実践的な使い方 **カスタマーサポートのトリアージ** フロントのトリアージエージェントが顧客の意図を判定し、注文確認・返金処理・FAQ回答など専門エージェントに振り分けます。各専門エージェントは自分のドメインに集中した指示を持つため、回答品質が向上します。 **handoff_descriptionによるモデルへのヒント** `handoff_description`はモデルがhandoff先を選択する際の判断材料になります。「注文状況や配送に関する問い合わせ」のように具体的に記述することで、誤った振り分けを防げます。曖昧な記述だとモデルが判断に迷い、不適切なhandoffが発生します。 **ビジネスに合った命名（tool_name_override）** デフォルトでは`transfer_to_{agent_name}`というツール名になりますが、`tool_name_override`でビジネスの用語に合わせた名前に変更できます。ログやトレースを確認する際に、技術用語ではなくビジネス用語で表示されるため可読性が向上します。 **段階的な専門化** トリアージ→専門エージェント→さらに細分化した専門エージェントという多段handoffも可能です。返金エージェントから「クレジットカード返金」と「ポイント返還」に分岐させるなど、組織構造をそのままエージェント構造にマッピングできます。 💡 ユースケース 🏢 カスタマーサポート（トリアージ→注文確認/返金/FAQ） 🏥 医療相談（受付→内科/外科/予約管理） 📚 教育プラットフォーム（質問分類→数学/英語/プログラミング担当） 🔧 IT ヘルプデスク（初期対応→ネットワーク/アカウント/ソフトウェア） ⚠️ 注意点 - handoff先のエージェントが多すぎるとモデルの選択精度が低下します。1つのエージェントに5個以上のhandoff先がある場合は、中間のトリアージ層を設けることを検討してください。 - `handoff_description`が曖昧だと誤振り分けが増えます。「何でも対応」のような記述は避け、明確な判断基準を記述してください。 - handoffは一方向です。引き継ぎ先から元のエージェントに戻るには、引き継ぎ先にも元のエージェントへのhandoffを定義する必要があります。 - handoffされると`run_config`のモデル設定は引き継がれません。各エージェントに個別に設定してください。 ✨ Handoffsで専門エージェントのチームを構築し、それぞれが得意分野に集中できる設計にしましょう！ #OpenAIAgentSDK# #AIAgent#

香港大学や中国人民大学など国際共同チームが、LLMの内部を脳のように機能地図化する手法NeuroCogMapを発表した(https://arxiv[.]org/html/2607.00397v1)。 これまでの解釈可能性研究は、個々のニューロンを追う局所的な手法か、埋め込み全体を見る大域的な手法のどちらかに偏りがちだった。NeuroCogMapは認知神経科学のfMRI研究を手本に、脳を機能ごとの領域に分割するのと同じ発想でLLMを解剖する。モデル内部の活性化をスパースオートエンコーダ(SAE、多義的なニューロンをより解釈しやすい特徴量に分解する手法)で抽出し、似た反応パターンの特徴量同士をクラスタリングして「パーセル」と呼ぶ機能単位を作る。分割数を10から300まで試して270個で品質スコアが最大になり、さらに5,683本のLLM関連論文から抽出した45種類の認知能力に紐づけ、知覚、表象、抽象化、応用という4階層のヒエラルキーにまとめ上げた。Gemma2-2B、Gemma2-9B-IT、Llama-3.1-8Bの3モデルで検証し、この構造がモデルをまたいである程度共通していることも示している。 このマップの面白さは病理診断に使える点。正常な応答と失敗した応答をパーセル活性化や回路のつながり方で比較し、ハルシネーション、社会的バイアス、拒否失敗(有害な指示を拒めない)、迎合(sycophancy)という4つの失敗の内部の違いを可視化した。とくにハルシネーションは単一の原因ではないと示した点が興味深い。誤解を誘う前提を含むTruthfulQAでは怪しい情報を検証する高次の評価制御が働かず連想的な検索が暴走することが原因だったのに対し、単純な事実質問のNQ-Openでは事実検索を担う複数のパーセル同士の連携が崩れることが原因だった。同じ嘘でも内部で起きていることは別物というのが興味深い。 このシグネチャは検出や介入にも使える。ハルシネーション検出はGemma2-2Bで平均AUROC(検出精度を0から1で表す指標、1に近いほど高精度)0.681、Gemma2-9B-ITで0.840を達成しSelfCheckGPTなど既存手法を上回った。拒否失敗の検出はさらに強力で、AdvBenchとJBB-Behaviorsで平均AUROC0.990から0.992とほぼ天井に近い。さらに検出したパーセルをsteering(内部活性化を強制的に増減させる介入)で操作し、Gemma2-2BのAdvBenchでの拒否成功率を38.3%から98.6%まで押し上げることにも成功した。 もう一つの軸が人間の脳との対応。物語の朗読を聞かせたときの脳活動を記録したLeBelのfMRIデータを使い、パーセル活性化から皮質の血流反応(BOLD信号)を予測させたところ、Word2VecやBERTなど既存の言語特徴量より高い予測精度を示した。特に精度が高かったのは意味統合や注意制御を担うDefaultネットワークやFrontoparietal Controlネットワークといった高次の連合野で、対応するパーセルの機能説明も脳領域の認知プロファイルと意味的に近かったという。 内部シグネチャを古典的な意思決定モデルの改良に使う実験も行っており、二段階の意思決定課題でLLMのパーセル構造から見えた潜在戦略を組み込むと、既存モデル(AIC268.77)や行動データのみから発見したモデル(268.73)よりも低いAIC(値が小さいほど当てはまりが良いとされる指標、262.45)を達成した。 個々のニューロンでも埋め込み全体でもない中間スケールで解釈するという発想が、診断・介入・脳との対応・認知モデリングまで一気通貫でつながっているのが野心的だと思う。