botterのためのKaggle金融予測コンペの設計史
- 金融コンペの設計は、Qの定義とtargetの設計によって順位保存確率が決まる
- Q(m)とδ_regime、ε_sampling、b_feedback、b_protocolの分解と、Spread target、Rank評価、IC Sharpeなどの設計要素
- 順位保存確率を高めるには、targetの選定と評価指標の金融化が不可欠で、偶然の項を最小限に抑える設計が必要
AI
『Claude Code実践入門』を発売日に一気読みしたので感想をつらつらと
- 『Claude Code実践入門』が発売され、ハンズオン形式で Claude Code の使い方を解説している
- TaskBoardアプリ作成を通じた基本操作、ヘッドレスモードと/loop・/goalの組み合わせ、GitHub Actionsとの連携が紹介されている
- 企業での導入時のセキュリティやコスト対策、エンタープライズ環境の事例が具体的に記載されているため、実務で活用する際の参考になる
5ヶ月育てたClaude CodeのCLAUDE.md/skills/rulesをOpus 5向けにClaude自身に棚卸しさせた
- Claude CodeのCLAUDE.md/skills/rulesをOpus 5向けにClaude自身に棚卸しさせた
- /claude-api prompt-auditコマンドで指示を整理、skill数40個から6個に削減、常時ロード量72%減
- 不要なskillは退避し、必要時に戻せるようにした。既存の仕組みが現在も必要かを監査する必要がある。
なぜ、AI時代においてC#は最適な言語の1つなのか？
- C#はAI生成コードの誤差を早く検出できる言語として優れている
- 強い型システムと静的型付け、Roslynによるリアルタイムチェック、.editorconfigでのルール自動化
- AI生成コードの品質をビルド時に検証できるため、実行前のミスを効率的に防げる
同じ Sonnet 5 でも Claude Code と GitHub Copilot では使い方が違った（オトナの自由研究 #35）
- Claude Code × Sonnet 5 × xhigh が最も品質とコストのバランスが良い
- Claude Code は effort level を上げると1リクエストの長さが2.5倍に、Copilot CLI は1リクエストの長さが1.7倍に伸びる
- Copilot CLI の low と medium では品質ゲート通過率が低く、xhigh でも品質安定性に差があることを確認した。
お金がないけどAIコーディングしたい
- 無料でAIコーディングを長時間行う方法が紹介されている
- NvidiaやMistralのモデルAPIを使い、OpenCode Goとスキルを組み合わせた開発フローが提案されている
- モデル切り替え時のコンテキスト管理やコード品質チェックの難しさが実務上の注意点として挙げられている。
エラーを 3 秒で AI に丸投げする若手を見て、AI から答えを取り上げることにした
- AIにエラーを丸投げする若手エンジニアの姿を見て、AIから答えを奪うプロダクトを開発した
- SocraMetryはエラーを投げると「答え」ではなく「問い」を返す、LLMを2段構成で利用する仕組み
- LLMを役割別に使い分け、答えを知らせる代わりに問いを生成することで学習効果を高める設計が重要
シャドーAIは「禁止」ではなく運用設計で向き合う
- シャドーAIは禁止ではなく運用設計で対応すべき
- 全社AI・部門AI・個人AIに分類し、データ・権限・実行・業務影響でリスク評価、4段階判定
- リスク評価はデータ・権限・実行・業務影響で行い、4段階の判定で利用を制限する必要がある。
整えるな。とにかくたくさん吐き出せ。~AIとの「1ターン」を大きく前進させる仮説~
- AIとのやり取りで成果物を速く作る鍵は、整えずに大量に吐き出すこと
- 音声入力で速く大量に吐き出し、AIが整形・統合・生成するプロセスを活用
- 一度の入力で量を増やし、その後のターン数を減らすことでリードタイムを短縮可能。ただし頭の負荷が増えることに注意が必要。
メール確認コードを不要にする Email Verification Protocol (EVP)
- メール確認コードを不要にするEmailVerificationProtocol(EVP)が提案されている
- ブラウザがメールプロバイダーから署名済みトークンを取得しサイトに提示することでメールアドレスの所有を証明、IETFとW3Cの2つの仕様があり
- フォールバックを必須としているため、対応ブラウザやプロバイダーが揃ったときだけ成立するため注意が必要
AIに同じ質問をしたら、部署ごとに違う数字が返ってきた ― いま「オントロジー」と呼ばれているもの ―
- 同じ質問に対して部署ごとに異なる数字が返ってくるのは、AIの精度ではなく意味が明確に定義されていないため
- オントロジーによる意味の層の構築、URIによる一意な識別、RDFS/OWLによる制約の定義
- 意味の定義は業務側が責任を持って行い、誰が維持するかが重要で、製品導入だけでは解決しない。
なぜAI時代にGoが最適な言語なのか
- AI時代にGoが最適な言語とされる理由は、標準ツールチェーンと読みやすさによる検証・修正のしやすさ
- 標準ツールチェーンの統一と読みやすさ、静的型システムとテストフレームワークの組み合わせ
- コードレビューの負荷軽減と長期的な保守性が実務に直結する。Goの後方互換性が保守性を保証する。
Claude がテキストに電子透かしを入れ始めたので、LLM ウォーターマーキングの仕組みを調べた
- ClaudeがLLM生成テキストに電子透かしを埋め込む仕組みを採用した
- Gumbel-MaxトリックとTournament samplingを組み合わせた手法で、分布を変更せずに透かしを検出可能
- 透かしはAI生成の証明ではなく、Claudeが関与したかの1ビット情報を示すにとどまり、言い換えで消える可能性がある。
