AIを見るな、人を見ろ ※追記：この記事をClaudeに読ませてみたら（号泣）
- AIのベンチマーク競争に振り回されず、開発企業の思想や哲学を見ることでツール選びの迷いが解消される
- AIの人格は創業者の哲学と歴史でできている、AIの性能は技術者が決めるが何を出荷するかは経営が決める
- AIの性能を評価する際には、技術的な要素だけでなく経営の判断も考慮する必要がある
#機械学習
IBM Bobを使って、量子コンピュータで量子機械学習(QSVM)を作成してみる。
- IBM Quantum Platformで量子SVMを実装し、Irisデータで分類精度0.90を達成した
- ZZFeatureMapによる量子特徴マップとシミュレーター/実機でのカーネル計算、reps=1のパラメータが精度向上に寄与
- 実機ではノイズの影響で精度が低下するが、浅い回路構造でその影響を抑えることが可能で、量子カーネルの現状の性能が確認できる
トークン2000分の1——オントロジー×ナレッジグラフでClaude Codeの推測を消す
- Claude Codeにナレッジグラフを導入してトークン使用量を2000分の1に削減
- code-review-graphとbetter-code-review-graphによる依存関係グラフ、Graphifyによる横断的ナレッジグラフ、SerenaによるLSP型情報検索
- トークン使用量が14万から70に安定して減少し、ファイルを開かずに構造を把握できる
第3話「世界の中心で VRAM16GB は足りないと叫ぶ！」 追加GPU選び / ローカルLLMマシン構築記【実録】
- VRAM16GBでは30B級モデルを扱えず、4人の要因がVRAM消費を増やす
- モデルサイズと量子化、コンテキスト長、同時実行数、エージェントの並行稼働数がVRAMを圧迫する
- VRAM容量を決める際にはモデルサイズ・コンテキスト長・同時実行数・エージェントの並行稼働数を事前に優先順位づける必要がある
AgentCore Memoryのflexible namespace variablesを実測 — 渡し忘れをNull条件で即時エラー化
- AWS Bedrock AgentCore Memoryにflexible namespace variablesが追加され、カスタム変数をnamespaceテンプレートに反映できるようになった
- namespaceKeysでカスタムキーを宣言し、namespaceTemplatesでテンプレートを定義し、CreateEventで実行時の値を渡す。組み込み変数とカスタムキーの両方をサポート
- 変数を渡さない場合、長期記憶が作られないが成功レスポンスが返るため、IAMのNull条件で存在チェックを強制する必要がある
AI時代に必須の考え方「評価駆動開発」とは何か
- 評価駆動開発はLLMアプリケーションの改善と運用のための新しい開発手法
- 評価指標の設計とLLM-as-a-Judgeによる評価、実践的なツールの使い方が解説されている
- 評価の基準を明確にしないとAIの成果を最大限に引き出せないことが強調されている
128GB の Mac で Qwen3.8 Flash Next をどう動かすか ─ 3つのランタイムを実測で比べた
- Qwen3.8 Flash Next を 128GB の Mac で動かす 3 つのランタイムを実測で比較した
- llama.cpp はデコードが遅いが実務で完走、mlx-serve はプレフィルとデコードが最も速い、oMLX はキャッシュ処理でエージェントループで壊れる
- mlx-serve は 105GB のモデルが必要でメモリ制限を回避するオプションが必要、llama.cpp は実務で安定して完走するがデコードが遅い
LLMが「1+1」を計算するとき、中で何が起きているのか
- LLMは数字をトークンとして処理し、複数の経路で近似と精密計算を組み合わせて答えを出す
- トークン化された入力は埋め込みベクトルに変換され、アテンションで関係性を計算。36+59では大まかな見積もりと下1桁の精密計算の2経路が使われる
- 正確な計算が必要な場面ではLLM単体ではなく計算ツールを併用するべきで、モデル自身の説明と実際の計算過程が一致しない可能性がある。
Chandra/ACISのsubpixel imaging：SS 433をnative pixelと1/4 pixelで見比べる
- ChandraのACISでnative pixelと1/4 pixelの画像を比較し、subpixel imagingの効果を確認した
- EDSERによるevent位置調整とbinsize=0.25の1/4 pixel画像、native pixelの粗さが画像に影響する
- 1/4-pixel画像でも角分解能が4倍にならないため、PSFモデル化が必要で、event位置の扱いが画像に影響する
第2話「VRAM16GBの中の戦争」30万→？万/ ローカルLLMマシン構築記【実録】
- 16GB VRAMではGemma4 26Bや30B級モデルがメモリ不足になる
- モデルサイズとVRAM容量の関係、チャンク分割時のメモリ消費、同時実行数の制限
- Excelのような表形式データは事前にテキスト整形が必要で、メモリ使用量を監視する必要がある
耳で聞く！Python で学ぶ マクロ経済学 入門 5
- Pythonでマクロ経済指標の分析と因果関係検証を行う手法が紹介された
- 名目GDPと実質GDPの違い、グレンジャー因果性検定、VARモデルを用いた時系列分析が実施された
- 経済指標の解釈には物価変動の影響を考慮する必要があり、データの見方を変えることで政策分析が可能になる
【ポエム】2026年 AIコーディングプログラマの心象風景
- AIコーディングエージェントの出力を制限するハーネスが重要だと説明している
- 指示プロンプトと自動テストの組み合わせで出力を制限し、検証手段を増やすことで品質を向上させる
- ハーネスを追加することでAIの作業ミスが減り、品質が向上するが最後の余白はモデルの知性に依存する
国内AIエージェント動向(2026/8/28号)
- 国内AIエージェントが会話から業務プロセス完遂へ移行し、KPI公開とセキュリティ対策が強化されている
- 業務プロセス完遂、KPI公開、MCP・API連携、Agentic AIセキュリティ教育
- 業務プロセスの完遂と結果評価が導入判断の軸となり、セキュリティ対策が不可欠になっている
メモリ16GBのMacBookでGemma 4 12Bを動かすためのllama-serverセットアップガイド
- llama-serverでMacBookのメモリ16GBでGemma 4 12Bを動かす方法が説明されている
- llama.cppのインストールとソースからビルド、量子化手法のQ4_K_MとUD-Q4_K_XLが選べる
- メモリ使用量を減らすために-ctk q8_0や-ctv q8_0を指定する必要がある。
MacBook Pro 128GB でローカル LLM がついに実用になった ─ Qwen3.8 Flash Next 実測
- MacBook Pro 128GBでQwen3.8 Flash NextがローカルLLMとして実用になった
- Q3量子化で90GBのGGUFモデルをllama.cppとOpenCodeで実行、コンテキスト長65536で動作
- 128GBマシンでMoEアーキテクチャのモデルを動かす際、KVキャッシュのサイズとセッション数のバランスが重要
「お前がみろ」はAIに効くのか。高圧的なプロンプトで回答精度を検証した
- 高圧的なプロンプトがAIの回答精度を上げるとは限らない
- 丁寧さの研究では性能低下や向上が両方ある、具体的な指示が効果的
- 高圧的な口調より、比較対象や検証方法を明確にしたプロンプトが重要
【Nishika 論文サク読み 第22回】複数のレア語が競合して学習が壊れる、を消した損失設計（COALA）
- COALAは複数のレア語が競合して学習が壊れる問題を解決する損失設計を提案
- MPD-Lossで正解語1つ vs 負例集合の正規化、DPD-Lossで語ごとの独立した二値分類を採用
- 絞り込みフィルタとしての運用には閾値が必要で、K=10固定のため11語以上の発話は取りこぼす可能性がある
量子コンピュータは機械学習の特徴量生成に使えるのか？――社債取引の約定確率推定論文を読んで、アドテクへの応用を考える
- 量子コンピュータを特徴量生成器として利用し、機械学習モデルの予測性能を向上させる手法が提案された
- 市場データを量子回路に埋め込み観測量の期待値を特徴量に変換し、実機ノイズとイベントマッチングによる特徴量再利用が行われた
- 実機ノイズが予測性能に与える影響はまだ十分に解明されておらず、イベントマッチングによる特徴量再利用が実用性を高める可能性がある
【図解】AI・ChatGPT・RPA・iPaaS・n8n…業務自動化の言葉が多すぎる！66 製品を 6 役に例えたら、1 枚の工場イラスト図になった
- 業務自動化の66製品を6つの役割に分類し、それぞれの特徴を説明した
- ChatAIは指示を出す役割、AIエージェントは実際に手を動かす役割、RPAは決められた動きを繰り返す役割、iPaaSはシステム間のデータ受け渡しを管理する役割
- 接続口の有無で選ぶべき手段が決まり、失敗時の対応は設計と委任状で管理する必要がある。
AIを使って回路図面を自動読み取りする
- AIを用いて回路図面を自動読み取りする技術が提案されている
- コンポーネント検出にはYOLOv8、接続検出にはアルゴリズムとセグメンテーションが使われ、VLMと統合されたパイプラインも存在する
- Image2Netの再現ではNEDが論文の0.116から0.585まで悪化し、アルゴリズムの構築が難しいことが示されている
