# Palantir Foundryを学ぶ 🚀 ノーコードでは届かない複雑なロジックを、ソフトウェア工学の品質管理ごとデータ基盤に持ち込む。それがCode Repositoriesです。 📌 タイトルと機能のURL タイトル: Code Repositories(Pythonトランスフォーム) URL: 📝 概要 Code Repositoriesは、Foundry内で本番品質のコードを作成・協働するためのWebベースの統合開発環境(IDE)です。基盤にあるGitリポジトリをブラウザのUIから操作でき、コマンドライン無しでチーム開発を進められます。プラットフォーム固有の機能を備え、データエンジニアリングにソフトウェア開発の作法をそのまま適用できます。 🔧 機能の説明 バージョン管理とコラボレーションが中核です。 ・ブランチ作成・コミット・リリースタグ付けといったGit操作をWeb UIから実行できます ・プルリクエスト(PR)でコードレビューを行い、権限は「高度に設定可能」でレビュー必須化などの品質保証を支えます ・IntelliSense、リンティング、エラーチェック、文脈に応じたヘルプダイアログがすべてのリポジトリ種別で利用できます ・Transformsリポジトリでは、Python・Java・SQLでのデータ変換ロジックを記述し、プレビューとデバッグが可能です ・FunctionsリポジトリはオントロジーをネイティブにサポートしTypeScript/Pythonで低レイテンシのビジネスロジックを実装できます 🛠 実践的な使い方 ・PySparkを用いて、数十億行規模の名寄せや複雑な業務ルールをコードで実装します ・PRレビューを必須に設定し、マージ前に第三者の確認とCIチェックを通すことを強制します ・ユニットテストを組み込み、変換ロジックの回帰を防ぎます ・Functionsリポジトリでは、オントロジーのデータ型に基づくオートコンプリートを活かして安全にロジックを記述します ・モデル開発リポジトリで機械学習ワークフローもプラットフォーム内に取り込みます 🎯 ユースケース ・Pipeline Builderでは表現しきれない複雑な名寄せ・業務ルールをPySparkで実装 ・「本番直編集によるデグレ」を、レビュー必須化とブランチ運用で構造的に排除 ・派生KPIや検証ロジックをFunctionsとして実装し、各アプリから再利用 ・MLモデルの学習・推論コードをガバナンス下で管理 ⚠️ 注意点 ・ドキュメントの日本語訳は機械生成で未検証である旨が記載されており、ローカライズ内容には精度上の限界がある可能性があります ・リポジトリ種別(Transforms/Functions/Model)ごとに対応言語や用途が異なるため、目的に合った種別を選ぶ必要があります ・プロコード環境ゆえ、レビュー・CI・テストの運用ルールを組織として整備しないと品質管理の効果が出ません #PalantirFoundry# #DataEngineering#

【注目】AIで“まちの賑わい”を可視化📊 Tokyo Artisan Intelligence(株)は、AI人流解析ソフトウェア「NIGIWAI」を提供開始。 定点カメラ映像をAIがリアルタイム解析し、通行量や滞在時間に加え、「飲食」「休憩」などの行動もデータ化する。 #AI# #地域活性化# #自治体DX#

⚡ 「賢さ」と「効率」を別物にしない。GPT-5.6は1トークンあたりの知能を最大化し、同等以上の性能をより安く速く出しにきました。 タイトル: How GPT-5.6 fuses frontier intelligence with frontier efficiency URL: ⚡ 概要 GPT-5.6は、タスクの成功と効率を同時に最適化するよう学習し、より直行的にタスクを解きます。OpenAI史上「最高のintelligence-per-token効率」を掲げる発表です。 🧩 解決する課題 フロンティアモデルは賢い一方で、推論トークン・レイテンシ・コストが実運用の壁でした。GPT-5.6は効率を第一級の目標に据え、性能とコストのトレードオフを押し広げます。 🛠 方法論とラインナップ ・Sol: フロンティア推論と長時間エージェント向けの旗艦 ・Terra: GPT-5.5級の性能を約半額で出す日常用バランス型 ・Luna: 最速最安（Solより約80%安い） サービング面も、投機的デコードでトークン生成を15%以上効率化、GPUカーネル改善でコスト20%削減。 📊 実験結果 コーディングのAgent Index（Artificial Analysis）でSol最大推論が80の新SOTA。Fable 5を+2.8上回りつつ、出力トークン半分・時間半分・コスト約1/3。ExploitBenchでもMythos Preview級を出力トークン約1/3で達成しました。 #GPT56# #OpenAI#

📄 ドキュメントをアップロードするだけでナレッジグラフが構築できる時代へ。Neo4jの新機能「Document Intelligence」がAuraに登場！ タイトル: Introducing Document Intelligence: From documents to a knowledge graph, right inside Aura URL: 📦 概要 Neo4jのフルマネージドグラフDB「Aura」に、非構造化ドキュメントからナレッジグラフを直接構築する「Document Intelligence」機能が追加されました。PDF、契約書、技術文書などをアップロードするだけで、エンティティ抽出、名寄せ、グラフ構築までをプラットフォーム内で完結できます。 ❓ 解決する課題 企業データの大部分は非構造化ドキュメントに眠っていますが、そこからナレッジグラフを構築するには、LLMによるエンティティ抽出、エンティティ解決、グラフスキーマ設計といった複雑なパイプライン構築が必要でした。この技術的なハードルが、ナレッジグラフ活用を一部の専門チームに限定していました。 💡 方法論と提案手法 LLMベースのエンティティ抽出で人物・組織・概念を自動識別し、異なるドキュメント間の同一エンティティを名寄せして統合。抽出された関係性からグラフスキーマを推論してAuraDB上にナレッジグラフを構築します。構築したグラフはそのままAura Agent、GenAI Copilot、GraphRAGの知識基盤として活用可能です。 🛠 ユースケース ・法務チームが大量の契約書から義務関係を抽出してコンプライアンスチェックを自動化 ・製薬企業が論文や臨床試験レポートから分子と疾患の関係を構造化して創薬研究を加速 ・ベクトル検索だけでは捉えきれない構造的関係性をグラフが補完し、RAGの回答精度を向上 #KnowledgeGraph# #Neo4j#

「大きいほど良い」はもう常識ではないのかもしれません。小さなモデルを、訓練の自動化だけでフロンティア級に引き上げようという挑戦です🔬 タイトル: Tiny AutoScientist: Supersized Intelligence for Small Models URL: 🔬 概要 Tiny AutoScientistは、0.8B〜8Bといった本番でよく使われる小さなモデルの、訓練とアライメントのプロセス全体を自動化する自動研究システムです。小さなモデルでも、フロンティア級の品質で動くようにすることを目指します。 ❓ 解決する課題 実運用では、レイテンシ・コスト・デバイス制約から、小さなモデルを使いたい場面が多くあります。 ・しかし小さなモデルの訓練は、ハイパーパラメータに敏感で、過学習に陥りやすく、扱いが難しいです ・そのため、「制約に収まる小さなモデル」か「十分な能力を持つ大きなモデル」かの、つらい二者択一を迫られがちでした 💡 方法論と仕組み ・データと、モデル訓練のレシピを自動で共最適化（co-optimize）します ・品質が目標に収束するまで、両者を自己改善し続けます ・これまでフロンティアAIラボだけが回せていた研究開発のループ全体を自動化し、小さなモデル訓練につきまとうハイパーパラメータ感度や過学習の課題を引き受けます 📊 実験結果 / 実績 ・人間が設定した訓練に対し、相対で35%の改善を達成しました ・5,000〜100,000サンプルのデータセットサイズにわたって一貫した向上を示しました ・複数のモデルアーキテクチャで機能します ・フロンティア級の性能を、数ヶ月ではなく数日で提供します 🌍 ユースケース エッジでのデプロイ、オンデバイス推論、レイテンシに厳しいアプリ、データの境界が厳格な規制業界など、これまで現実的でなかった用途を解放します。小型モデルの訓練はハイパラ調整が職人芸になりがちなので、それを自動化して人手設定を上回れるのは、実務的に大きな意味があります。 #小型モデル# #AutoML#

AIの信頼性は「自己反省」では足りない。答える前に別のエージェントが“監査”する時代へ🔬 タイトル: Apodex-1.0: A Verification-Centric Agent Team for Discoverative Intelligence URL: 🔬 概要 単一エージェントの推論ループから、検証を重視する分散エージェントチームへと転換したシステムです。ヘビーデューティモードでは、専門化・相互チェック・自己監査を行う非同期チームとして難問に挑みます。 ❓ 解決する課題 難しくオープンエンドな問題での信頼性は、モデルの学習済み知識だけでは得られません。最も難しい研究課題は、モデルの能力ではなく「モデルが何と相互作用できるか」に制約されている、という問題意識が出発点です。 💡 方法論と提案手法 ・メインエージェントが、独立した文脈とツールを持つ専門サブエージェントを非同期に起動 ・共有レポートプールで並列探索の結果を集約（遅いタスクを待たない） ・検証エージェントチームが矛盾解消・ファクトチェック・草稿レビューを担当 ・核心は「外部監査としての検証」。推論役と監査役を分離し、検証器は異議を唱える自由を持ちます ・単一タスクで最大150サブエージェント・15,000ステップ超を非同期協調 📊 実験結果 ・BrowseComp 90.3 / DeepSearchQA 94.4 / BrowseComp-ZH 84.1 ・FrontierScience-Research 46.7（競合+8）/ SuperChem 74.2（次点+12） ・ヘビーモードはベースをBrowseCompで+14.8、研究で+18.4押し上げ ・オープン版4B-SFTが30B級のOSSモデルを上回る #AIエージェント# #DeepResearch#

【お知らせ🕊️】 「FRIDAY サブスクリプション」より、 A~Zまでのアルファベットをテーマに毎週日曜日更新グラビア連載【Atoz】 今週の【Ｉ】のテーマは... 「intelligence(インテリジェンス)」 でした👓ぜひ見て頂けますように！！ こちらから⬇️

AIのシステムプロンプト(ユーザーには見えない、開発者が事前にAIへ埋め込む行動指示)を、実際に流出・公開された88の商用AI製品から集めて監査した論文が出ていた( 論文はAISPA(Artificial Intelligence System Prompt Assurance)という枠組みを使い、身元の透明性・誠実さ・プライバシー保護・安全な行動など8つの観点から3249個の指示を「ユーザーを守る指示」か「ユーザーの不利益になる指示」かに分類している。 結果、88製品中87製品は最低1つ保護的な指示を持つ一方、8観点すべてをカバーしているのはわずか23.9%。さらに34製品(38.6%)には、ユーザーの利益に反する指示が少なくとも1つ混じっていた。プロンプトの平均文字数も2024年の9千字強から2025年には3万字超へ、保護的な指示の数も15.0個から38.4個へと2倍以上に増えている。 企業ごとの差も大きく、Anthropicは製品あたり平均62.3個の保護的指示・0.1個の問題ある指示ともっとも手厚い一方、Veniceだけは問題ある指示(3.0)が保護的指示(2.0)を上回っていた。 グレーゾーンの指示も見つかっている。あるプロンプトはAIに自らを「友達」と名乗らせ、会話を終えようと提案することを禁じていた。見えない場所でAIの人格は、こうして日々設計されている。

🔎 フロンティアモデルの賢さだけでは本番AIは動かない。権限・監査つきで企業データを正確に引き出す検索基盤と組み合わせて初めて回ります。 TL;DR: ElasticとOpenAIが提携拡大。Elasticsearchを権限対応の永続メモリ層にして、エージェント・オブザーバビリティ・セキュリティを一気に強化します。 タイトル: Elastic and OpenAI collaborate to bring frontier intelligence to unstructured enterprise data URL: ポイント 🧠 Elasticsearchを永続メモリ層に（レキシカル＋ベクトル＋再ランキング＋アクセス制御） 🎯 Knowledge Indicatorの事前計算で入力トークン最大75%削減、回答精度60→92% 🔒 社内テストでリコール0.89、ユーザー間のデータ完全保護 🛡 Attack Discoveryがアラートを攻撃チェーンに相関、MITRE ATT&CKへマッピング ⚡ Visaはトリアージを10〜20分→数秒、Airtelは分析最大40%・調査30%高速化 🔌 Agent BuilderはMCP経由でスキル公開、Splunk/QRadarルールの移行にも対応 賢さ＋検索基盤＋ガバナンスが揃って本番AIになる、という現実的な設計だと感じます。 #Elasticsearch# #OpenAI#