某イヴェントに参加するためにブルックリンへ。会場近くのthe Hoyt–Schermerhorn Streets station。ここがマイケル・ジャクソンの「BAD」の撮影場所だったことを思い出した。PVでは広い駅のような気がしてたけど、結構狭い。改装されて、改札の場所などが変更されているのではないか。

横浜ベイシェラトン ホテル＆タワーズは、夏休み期間限定でお子様向け『Sheraton テーブルマナー for KIDS ～夏休みの昼餐会～』を開催します。 食事のマナー講座やバーテンダーによるミニカクテル教室等を実施。 ホテルならではの特別な体験をお楽しみください。 ▼詳しくは

# Learning Palantir Foundry 🚀 The first move that turns a dataset into a business object. How you design Object Types largely decides downstream app performance and UX. 📌 Title and Feature URL Title: オブジェクトタイプ URL: 📝 Overview An Object Type defines the schema for a real-world entity or event. A single occurrence is an object instance (e.g., employee "Melissa Chang"), while a group is an object set (e.g., all tenured employees). This mirrors how datasets handle rows and filtered row collections. 🔧 How It Works - Primary keys and identity: objects need a primary key to uniquely identify instances. Mapping a data source to the object type lets you create and display objects in applications. - Properties: define an object's characteristics, with options such as edit-only properties, required properties, and shared properties reused across multiple object types. - Property types: support time series data, geospatial information, and struct types (nested, complex properties). - Display and search: title/display settings and search indexing improve discoverability inside apps. - Value Types: custom value types with versions, permissions, and constraints standardize representation across the ontology. 🛠 Practical Usage - Connect an employee directory or enterprise data to an Employee object type, converting raw datasets into actionable ontology instances. - Nail down primary key design first and index for search to secure downstream app performance and UX. - Use struct properties to auto-map hierarchical data, combined with shared properties for reuse. 🎯 Use Cases - Turn a customer master into a Customer object so the whole company shares one identity. - Model sensor-equipped assets with time series properties to retain operating history. - Model sites and stores with geospatial properties for map-based search and aggregation. ⚠️ Caveats - Primary key design, property types, and search indexing largely determine later app performance and UX, so treat them as your most important modeling decisions. - You must correctly map a data source to the object type before objects can be created or displayed. #PalantirFoundry# #Ontology#

#STU48の7ならべ# イベントランキングご褒美として 「シェラトングランドホテル広島 &More BY SHERATON」さんの アフターヌーンティーに行ってきました🫖🍰 なゆゆカードをセットして7ならべしてくださった皆さまのおかげで、特別な時間を過ごすことができました✨ ありがとうございます！ #小松奈侑#

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#

TL;DR：文書・画像・音声・動画を、1つのエンコーダと1つのJSONスキーマで構造化テキストに変換するモデルです。文書パースで最高スコアを記録しました。 Youtu-Parsing-Omni: One Encoder, One Schema, All Modalities ポイント ・🧩 共有Transformer1つで画像・音声・動画を符号化（初期値はQwen3-0.6B-Base） ・⏱ 時間・高さ・幅に分けた回転位置エンコーディングで、映像と音が同じ時間軸を共有 ・📐 OmniSchemaで文書・化学式・楽譜・チャート・音声・動画など10タスクを同じJSON形式に統一 ・🔁 後学習は自己更新する教師を使うOSAD蒸留とスキーマ対応RLVR ・📄 OmniDocBench v1.6は総合96.96で報告中最高 ・🎬 OmniParsingBenchはオープンウェイト最高の75.08。テキスト豊富な動画は75.62（比較モデル65.36） 一方でGemini-3-Proは77.44で上回り、Video-MME-v2ではQwen3-Omniに届いていません。音声ASRも課題です。LLMエージェントの入口となる「何でもパーサ」への有望な一歩だと思います。 #OmniModal# #DocumentParsing#

11月4日(水)、井林大臣は全日本海員組合第87回定期全国大会開会式に来賓出席し、冒頭、井林大臣から、「船員にとって、より安全で安心な働きやすい職場環境の整備を図るとともに、船員養成ルートの強化や就職ルートの拡大等により船員の確保を全力で取り組む」と述べました。

# AIエージェントをソフトウェアに組み込むプラクティス # Verified Structured Output｜検証済み構造化出力 🎯 LLMの出力をそのまま下流システムに流していませんか？JSONが壊れている、値が不正、フィールドが足りない――「黙って壊れる」を防ぐのがこのパターンです。 🔥 解決する課題 LLMの出力は本質的に曖昧な自然言語です。下流のコードやAPIが期待する型やフィールドに従わない出力が返ると、パース失敗・型エラー・無効な値の混入がサイレントに後続処理を破壊します。フォーマットが正しくても「過去の日付を未来として返す」「存在しない商品IDを含める」といったビジネスルール違反は、構文チェックだけでは検出できません。 💡 提案パターン LLMの出力をresponse_formatやfunction_callingでJSON Schemaに準拠させる第1層（スキーマ検証）と、決定論的コードでビジネスルール制約を検証する第2層（意味的検証）の二段構成にします。違反時はエラー内容をコンテキストに追加して自己修正リトライを行い、予算内（目安1-3回）で収束しなければfail-fastします。温度は0.0-0.3に設定し、構造化出力の従順率を確保します。 ✅ 選定条件 使うとき： - LLMの出力を下流のコード・API・データベースが消費する - 出力が従うべきスキーマ（型・必須フィールド・値域）が定義可能 - 不正な出力が後続処理を壊すと業務影響がある 使わないとき： - 出力が自由形式のテキスト（要約・対話）で構造化の必要がない - 出力スキーマが頻繁に変わりスキーマ維持コストが利益を上回る - 不正出力をそのまま捨てても問題ない低リスク用途 ⚠️ 落とし穴 - リトライ時にエラーメッセージを毎回追加するとトークン消費が膨らみます。直前のエラーだけを渡すか要約する工夫が必要です - スキーマのフィールド数が多すぎると（概ね15超）LLMの従順率が下がります。大きいスキーマは分割呼び出しを検討してください - response_formatはプロバイダ依存です。スキーマ定義はPydanticやJSON Schemaなど中間表現で管理してください 🔧 実装方針 - 第1層（スキーマ検証）ではresponse_formatやfunction_callingでJSON Schemaに準拠させ、Pydanticモデルで型・値域を強制します - 第2層（ビジネスルール検証）では決定論的コードで日付範囲・ID存在・権限等のドメイン制約を検証します - 検証失敗時はエラー内容をコンテキストに追加して自己修正リトライを行い、予算（目安1-3回）で打ち切りfail-fastします - LLMの温度は0.0-0.3に設定し、構造化出力の従順率を確保します - スキーマ定義はPydanticやJSON Schemaなどプロバイダ非依存の中間表現で管理し、移植性を担保します #AIエージェント# #ソフトウェアアーキテクチャ#

# Claude Agent SDKの便利で実践的な使い方 📦 エージェントの出力を型付き JSON で受け取り、UI コンポーネントに直接バインドできます。 構造化出力は、`output_format` でエージェントの最終出力を JSON スキーマに従った型付きデータとして取得する機能です。Zod / Pydantic で型安全に検証できます。 📌 タイトル：エージェントから構造化された出力を取得する 🔗 URL： 🧩 概要 `output_format` に JSON スキーマを指定すると、エージェントはツール実行・分析の結果を自由文ではなく構造化 JSON で返します。Zod（TypeScript）/ Pydantic（Python）で型安全に検証可能です。 🛠 使い方 `output_format={"type": "json_schema", "schema": your_schema}` をオプションに設定します。Pydantic の `.model_json_schema()` や Zod の `z.toJSONSchema()` でスキーマを生成できます。結果は `ResultMessage.structured_output` に格納されます。 🏗 実践的な使い方 ・レシピアプリで Web 検索結果を `{name, prep_time_minutes, ingredients[], steps[]}` の型付き JSON で受け取り、UI コンポーネントへ直接バインドします。 ・TODO 抽出エージェントで Grep + Bash(git blame) を自律実行し `{todos[{text, file, line, author?, date?}], total_count}` を返します。 ・機能実装計画を `{summary, steps[{description, complexity}], risks[]}` のスキーマで受け取り、プロジェクト管理ツールに自動投入します。 💡 ユースケース 🎨 UI コンポーネントへの直接データバインディング 📊 分析結果の構造化レポート生成 🔧 プロジェクト管理ツールへの自動データ投入 ⚠️ 注意点 構造化出力はストリーミングと非互換です。JSON 結果は最終 `ResultMessage.structured_output` にのみ出力されます。`error_max_structured_output_retries` を検知して、より単純なプロンプトでの再試行や非構造化フォールバックを実装してください。 #ClaudeAgentSDK# #AI#