はてなブックマーク

こんにちは、松尾研究所 データサイエンティストの浮田です。この記事は、松尾研究所Advent Calendar 2025の記事です。 RAG (Retrieval-Augmented Generation) と聞くと、「ベクトルDBを構築する」という話に意識が向きがちです。もちろんベクトルDBはRAGの基盤になる重要な要素ですが、実際に使われるRAGプロダクトを作ろうとすると、ベクトルDB構築以外にも様々な工夫が必要となります。 本記事では、私が実務でRAGプロダクトを構築する中で遭遇した様々な障壁とその対応を紹介します。 プロダクト概要：社内プロジェクト検索ボット 松尾研究所は様々な企業様と共同でプロジェクトを進めています[1]。過去・現在を含めて多くのプロジェクトがあるため、自分が担当していないプロジェクトの理解はどうしても浅くなってしまいます。もちろんお互いのプロジェクトを共有する活

この記事は、松尾研究所 Advent Calendar 2025の記事です。本記事ではAIコーディングを実践するための環境構築方法が分かります。具体的なポイントは以下となります。 2025年12月時点での、Claude Code を中心としたAIコーディング環境の構築手順 AIコーディングに必要なツールの概要、セットアップ方法、使い方 仕様駆動開発でソフトウェア開発する流れと具体的な実践方法 AIコーディングツールの現状 今年（2025年）の3月にAIコーディングツールについてブログ記事を書きました。 この頃は、当時勢いのあったClineを使っていましたが、わずか半年で使用するコーディングツールも、新たにClaude Code、 Gemini CLI、Codex CLIといったCLIベースのツールに加え、LLMと繋がって様々な機能を実現するMCPといった便利な仕組みも出てきて、日々ベストプ

はじめに 11月12日（日本時間11月13日）に、OpenAIが最新モデルGPT-5.1をリリースしました。 このモデルは、知性とコミュニケーションスタイルの両方で性能向上しており、より分かりやすく読みやすい応答が実現されています。 また、ChatGPTのスタイルとトーンを8種類から選べるようになり、より自分にマッチした応答スタイルを簡単に実現できるようになりました。 この記事では、論文内容の解説というタスクを例にとり、8つそれぞれの応答スタイルを比較しています。記事中では応答の全文も記載しているので、ぜひ実際の応答を眺めてみて、みなさんの自分好みの設定を見つけていただければうれしいです。 検証方法 よく使われる生成AIのユースケースとして、技術論文の内容について要約・解説してもらうというものがあります。 ただし、論文の解説と一言でいっても、どの程度数式を用いた厳密な説明を行うのか、どの程

松尾研究所では、Python開発における標準ツールとしてuvを推奨しています。uvはPythonのパッケージ管理ツールで、依存関係の管理や仮想環境の構築を自動化し、高速で再現性のある開発を可能にすることが特長です。 Pythonパッケージだけでなく、Node.jsやブラウザ周りのツールなど他の依存も扱うときには、uvとDockerを併用するケースもあるかと思います。Dockerのコンテナ上でuvを使用する方法について社内で話題になったとき、調べたところいくつか方法があることが分かったので、それぞれの方法の違いと松尾研究所推奨の環境構築方法についてまとめました。 推奨方針まとめ Python開発はuvを標準とする Docker運用はAstral公式のuv+pythonイメージの使用を推奨 Astral公式のuvイメージ、または公式インストーラ（install.sh）によるuvの直接インストー

近年、AI技術の進化に伴い、単一のAIではなく複数のAIエージェントが協調してタスクを遂行する「マルチAIエージェント」の概念が注目を集めています。複雑な問題を解決するためには、各エージェントがそれぞれの専門性を活かし、連携して動くことが不可欠です。 今回は、TikTokなどで有名なByteDance社が提唱したマルチエージェントのフレームワーク論文「AIME: TOWARDS FULLY-AUTONOMOUS MULTIAGENT FRAMEWORK」を簡単に紹介します。このフレームワークの肝は、従来の課題であった「静的な計画」と「エージェント能力の固定化」を、動的かつ自律的な仕組みで克服しようとしている点にあります。 また、自身の勉強も兼ねて実装に挑戦してみたので、AIMEの概要から、実際に実装してみた所感、そして見えてきた課題と学びについて解説します。 従来の課題とAIMEの提案 従

各図表は言及がない場合、対応する論文から引用しています。 LoRA(2021) LoRA（Low-Rank Adaptation）は、ファインチューニング中にモデルの重み行列で生じる変化が、実は低ランクの構造を持つという仮説に基づいています。 LoRAの仮説背景 先行研究①②では、深層学習モデルが非常に多くのパラメータ（高い次元の空間）を持っているにもかかわらず、そのモデルの実効的な複雑さや、学習された表現が占める空間が、パラメータの総数よりもはるかに少ない次元で特徴づけられることを示唆しています。 LoRAは先行研究の知見をもとに、LLMの事前学習済みの重みは固定したまま、各層に非常に小さいアダプター行列を注入することで、タスク特化型のファインチューニングが可能と提案しています。 このアイデアを実装するために、事前に訓練された重み行列 W_0 \in \mathbb{R}^{m \tim

今回は、デモすることも考え、計算機としてJetsonなどの小型のPCをネットのない環境でリアルタイムで動かすことを想定していたのと、対象がワニさんのみなので、モデルサイズが小さいVLM以前の物体検出（Object Detection）手法が適していそうです。 ただ、VLM以前の物体検出では、一般的に対象（今回はワニさん）に合わせて、大量の教師データとなる画像（数百枚〜数千枚）のアノテーションが必要となります。 物体検出のアノテーションは、対象となる物体をひたすらラベリングする、魂を削る孤独な作業です。具体的には、専用のツールを使ってラベル毎に以下のようにバウンディングボックスと呼ばれる四角い枠でひたすら対象を囲っていきます。 画像はcvat.aiより引用 AIによる物体検出では、必要な教師データ画像の枚数も、使用するモデルや取得できる画像や条件、タスクの難易度によって異なるので、場合によっ

はじめに 突然ですが、みなさんはテーブルデータの分類や回帰タスクを解くとき、どのようなモデルを使っていますか？ とりあえずCPUベースですぐに動かせて、それなりの精度が出せる、LightGBMなどの勾配ブースティング決定木（GBDT）モデルでまずは試してみるという方が多いのではないでしょうか。 実際、Kaggleなどの機械学習コンペティションにおいても、テーブルデータに対してはGBDTを試す、というのがここ十年近くの王道となっていたと思います。 一方で、ニューラルネット（NN）ベースのモデルとしては、決定木的な挙動とNNモデルを組み合わせたTabNetなどのモデルが有名でしたが、計算コストが高く、パラメータの緻密な調整が必要で、それでいてGBDTに匹敵する性能が出ない場合もある、といったデメリットがネックとなり、広く使われていたとは言い難い状況だったと思います。 かくいう私も、「テーブルデ

はじめに 松尾研究所の梅谷です。 2025年が「AIエージェント元年」と呼ばれているように、AIが自律的にタスクを実行する時代が本格的に到来しました。 Claude Codeをはじめとして、タスクのゴールを指示するだけでAIが計画、実装を自律的に進めてくれる、さまざまなAIコーディングツールが次々と登場し、開発現場でも注目を集めています。 データサイエンスの領域でも、KaggleなどのコンペティションでAIコーディングツールの活用例が増え、人間のデータサイエンティストと同等以上の精度を達成するケースも出てきています（参考例）。 このように実用性が高まっている一方で、ツールの種類の多さゆえに、「どのAIコーディングツールを選べばいいのか分からない」「業務効率化や自動化を進めたいが、ツール選定に迷う」といった悩みを持つ開発者やデータサイエンティストも多いのではないでしょうか。 また、データサイ

Generative Agentsの台頭 Generative Agents（Park et al., 2023）は、数十人規模のAIエージェントが仮想空間内で生活し、観察、記憶、思考、行動をおこなう新しい社会シミュレーションの取り組みです。 Generative Agents: Interactive Simulacra of Human Behavior [1] 主な特徴 エージェントは観察を通じて記憶を蓄積し、推論・行動に反映 LLMにより自然言語での内省や会話が可能となり、従来のABMでは困難だった創発的な行動が発現した “In an evaluation, these generative agents produce believable individual and emergent social behaviors. For example, starting with o

はじめに Claude CodeやGemini CLI等のコマンドラインインターフェース（CLI）ベースのAIコーディングツールの登場で、CLIでの開発を支援するツールが再度フィーチャーされています。その中でも代表的なものの1つが仮想端末ソフト（正確には、仮想端末多重化ソフトウェア）です。 仮想端末ソフトの解決する問題としては、以下のようなものが挙げられます。 CLIベースのソフト（Claude Code, Gemini CLI, AIの学習プログラム等）に長時間かかる作業をさせていたのに、うっかりターミナルを閉じてしまった 複数のプロジェクトを同時に進めていて、ウィンドウが散らかってしまう リモートでSSH接続先でプログラムを走らせっぱなしにしたい 仮想端末ソフトを使えば、複数のウィンドウを切り替えたり、セッションの復帰をすることができるので、このような問題からもおさらばです。仮想端末ソ

はじめに こんにちは、株式会社松尾研究所インターンのhashです。LLMや世界モデルの研究開発に興味があり、その知見や技術を応用する形でAI技術の社会実装に取り組んでいます。 近年、ChatGPTやClaude、Geminiといった様々な大規模言語モデル（LLM）が登場し、教育、金融、エンターテイメントなど多くの分野で革新的な変化をもたらしています。医療分野においても、LLMは診断支援、患者コミュニケーションの改善、医学研究の加速など、多岐にわたる応用が期待されています。例えば、膨大な医学論文の読解や、複雑な症例に対する情報提供などが挙げられます。しかしながら、医学知識の専門性の高さや、情報の正確性・安全性が極めて重要であるという特性から、一般的なLLMでは対応しきれない課題も存在します。このため、医療分野に特化したLLM、さらには各言語圏の医療事情に合わせたLLMの必要性が高まっています

この記事では、MCPホストを実際に作成するプロセスを通じて、その際に不可欠となる「非同期処理」の考え方と、通信セッションなどを安全に扱うための「リソース管理」のテクニックについて、基礎から具体的な実装までを解説します。記事では「MCPホスト」と「AIエージェント」の両方の表現が使われていますが、AIエージェントもMCPホストで実装されていることを前提に書いています。 MCPの概念については以下の記事を参考にしてください。 AIエージェントがMCPのような外部サーバと連携して動作する際には、必然的に以下のような課題に直面します。 例えば、AIエージェントが「今日の天気」を検索する場合、MCPサーバとの通信が発生し、その応答を待つ必要があります。 このとき、 通信処理における「待ち時間」をどう効率的に扱うか？ 使用した通信路などのシステム「リソース」をどう安全に管理するか？（特に非同期処理の文

はじめに 最近話題のMCP（Model Context Protocol）記事です。MCPに関しては、同僚の李さんが素晴らしい記事を書いてくださいましたので、MCP自体の概要に関しては以下記事参照ください（お約束）。 今回は、LLMの代表的なユースケースとも言えるRAG（Retrieval-Augmented Generation）です。RAGはドキュメントから関連情報を検索し、AIの回答生成に活用する技術で、専門知識や最新情報を必要とするタスクに使われます。以前にTanuki-8BとOllamaとDifyを使って日本語ローカルRAG構築という記事でローカルRAGの構築について説明したので詳しくはそちらを参照してください。簡単なRAGの構成図としては以下となります（記事より引用）。 今回は、このRAGをMCPを使って実現します。つくるMCPサーバの中身としてはPostgreSQLでベクトル

はじめに 最近話題のModel Context Protocol（MCP）は外部システムやAPIとAI(LLM)を接続する重要な橋渡し役となっています。MCPに関しては同僚の李さんが素晴らしい記事を書いてくださいましたので、MCP自体の概要に関しては以下記事参照ください。 私自身も、MCPには興味を持っていて、いろいろなMCPサーバを試しています。詳しくはModel Context Protocol (MCP) サーバを使ってみた・作ってみたを参照ください。 そのような中、先日Notion 公式MCPサーバが公開され話題になっていました。私は、プライベートでも仕事でもNotionを愛用しているので、早速公式のガイドを参考にセットアップしてみました。 ただ、Notionの公式ガイドでも以下のように言及されていますが、Markdown形式のドキュメントをNotionに書き込んだり、逆に読み込ん

MCP概要説明 この記事はMCP2025-03-26リビジョンを基に作成しました。 Model Context Protocol (MCP) とは何か？ MCP は、AI アシスタント（チャットボットや自動化エージェントなど）が、さまざまな外部データやツールにアクセスするための 共通のルール（プロトコル） です。 従来は、AI にデータベースやウェブサービス、ローカルのファイルを使わせたいとき、それぞれ違う接続方法をいちいち作り込む必要がありました。すると、AI を拡張するたびに「新しいツール用の独自コード」を用意しなくてはなりません。 MCP を使うと、「AI ⇔ データやツール」 の接続方式を 標準化 できるため、同じ仕組みでいろいろなデータソースや外部サービスとやり取りできます。これは、AI の開発者とデータ管理者双方にとって、大きな手間削減や再利用性の向上につながります。 Anth

1. はじめに はじめまして、株式会社松尾研究所にてインターンをしております、yutohubと申します。 松尾研究所で開催されたAIハッカソンで発表した「論文調査くん」というツールについて、実際にデプロイを行い社内で公開しました。この経緯や、AIワークフローの実際の導入事例と活用方法という観点からまとめたいと考えています。 「論文調査くん」は、経験豊富なデータサイエンティストが行う論文調査や技術調査をツール化することで、経験の浅いインターンでも同等の調査が行えるようにすることを目的として開発されました。当時は「deep research」という概念は存在しませんでしたが、特定の情報源に絞った調査が可能である点や、カスタマイズ性に優れている点が特徴です。 2. シンプルなAIワークフローで解決 まずは背景知識として、AIワークフローとAIエージェントの違いについて簡単に触れておきます。 「B

こんにちは。松尾研究所で広報を担当している白石です。 松尾研究所では各ポジションで積極採用中ですが、「松尾研の名前は良く聞くけれど、採用もしていたんですね！？」と言っていただくことも多く（伸びしろ！）、採用チームと現場メンバーが一丸となって様々な施策を打ちながら、組織づくりに取り組んでいます。 こうした二人三脚の取り組みが実を結び、毎月新しいメンバーがジョインし、活動が急拡大しています。 ▼参考：三度の飯よりデータサイエンス！な人に会うために、松尾研究所のデータサイエンティストたちで今年取り組んだこと（2024年12月記事） 今回はこうした取り組みの一つである、松尾研meetupのイベントを取り上げます。 松尾研メンバーのバッググラウンドの多様性を活かし、コンサル経験者向け・製造業経験者向けのイベントを開催しました。本記事ではコンサル経験者向けイベントでご紹介した内容の一部をお届けし、当日

Diffusionモデルの仕組み 動画を潜在ベクトル(Cosmos TokenizerのCV8x8x8など)にエンコード そこに段階的にガウスノイズを加え、ノイズ除去しながら最終的に復元→動画生成 3Dパッチ化により、(時間×高さ×幅)を一定単位でまとめて計算効率を確保 RoPEを活用して、フレームレートや解像度を変更しても整合性をある程度維持 学習時は画像データや動画データを交互に使い、大量かつ多様なデータを効果的に学習しています。 Autoregressiveモデルの仕組み 動画を離散トークン化 例えば、8×16×16の圧縮率でCVAE/VQ-VAEのように動画をトークンへ変換 次フレーム予測タスク 過去フレームトークン列 → 次フレームトークンを一つずつ推定し、順に生成 テキスト条件 T5などでエンコードした文字情報をクロスアテンションで条件付けを行うことで、テキストプロンプトに従っ

本記事は「AI技術を駆使した仕事術」の解説ではありません。逆であり、AI技術の進展に左右されない「仕事の本質」を意識した仕事方式の解説となります。弊社の公式内容ではなく、執筆者が心掛けている内容です。 はじめに 第一に、「AI技術が将来的にどこまで仕事に良いインパクトを与えるのか」、「どのような仕事（タスク）レベルまでAIによって自動化されるのか」は想像が難しいです（とくに実現タイミングの予測も含め、少なくとも私には）。 第二に、AI技術の進展の早さを考えると、現時点（2025年3月末）の「AI技術を駆使した仕事術」を解説しても、おそらく1年後の「2026年3月末」には、その記事内容は陳腐化している可能性が高いでしょう。 （※とはいえ短期的には、「（現時点での）AI技術を駆使した最強の仕事術」の紹介記事にはとても価値があると思います。） 本記事では、AI技術に取り組む弊社にて、私（および私

※本稿は自己教師あり学習の概略を紹介するものです。読者対象としては、機械学習における「教師あり学習」「教師なし学習」「深層学習」などをある程度理解しており、自己教師あり学習について、これから学びたい方を想定しています。 始めに 株式会社松尾研究所インターン生のTomoYamaです。本稿では、生成AI（ChatGPTなど）の進化を支える技術の一つ、「自己教師あり学習（Self-Supervised Learning: SSL）」について概観します。本節では、簡単に背景をお伝えします。 まず従来の機械学習の分野では、入力（データ）とそれに対応する出力（ラベル）のペアを用いる「教師あり学習」が広く利用されてきました。例えば、画像（データ）そのもののクラス（ラベル）を判定する分類タスクや、時系列（データ）から将来の値（ラベル）を見積もる回帰タスクなど、各タスクごとに正確なラベルが必要とされます。

AIコーディング時代の到来 AIを使ったコーディングが話題になっていますね。私も個人のプロジェクトやデモで実験的に使っていますが、ちょっとしたアプリやツールなら、それこそ人間には不可能な速度で爆速で開発することができるようになり、その体験に驚き興奮しています。一方で「そんなに便利に思えない」とか「Cline(Roo Code)、Cursor、Windsurf、GitHub Copilot等たくさんAIによるコーディングサポートツールが出てきていて、どれを使えばよいのか分からない」という理由で、なかなか利用に踏み出せない人も多いのではないでしょうか？ 私が、ツールをいくつか試してみて感じたのは、それぞれのツールごとの使い勝手の違い、メリット・デメリットはありますが、開発の方向性としては共通していることです。それは、多くのツールがAIがCopilot（副操縦士）からPilot（操縦士）として振

AI系の情報、毎日多くの情報が流れてくるので、情報の収集方法に悩んでいる人が多いかと思います。かくいう私もその1人です。よい仕組みを構築したかったので、情報収集に関して、アンケートを取得して、そこで得られた情報をもとに手軽な情報収集の仕組みを構築してみたので紹介したいと思います。 情報収集方法に関しては、たまたま近いタイミングで小川さんが、記事を出してくださっていますので、本記事では、こちらの記事を補足する形で、小川さんの記事には記載のない以下の項目を紹介いたします。 松尾研のメンバの情報収集先アンケート結果 今回の情報収集先、先日の小川さんの記事での参考サイトを網羅したRSS配信サイトの構築方法（配信サイトは誰でも使用可能です） おすすめX（旧Twitter）アカウント おすすめ音声配信番組（ポッドキャスト） 松尾・岩澤研究室/松尾研究所での情報収集方法のアンケート結果 アンケートを取ろ

注釈 執筆者はDeepSeekの思想問題、コンプライアンス問題などについては、肯定的立場でも否定的立場でもありません。中立的立場でもありません。そこにある技術的側面のみに関心を持ち、取り挙げます。 本記事で紹介する実装コード（Google ColaboratoryのNotebook）は以下に置いています。 タスクが「CartPole版」と「Pendulum版」の2種類を用意しています。 link: GRPO_CartPole_Yutaro_Ogawa_20250208.ipynb link: GRPO_Pendulum_Yutaro_Ogawa_20250208.ipynb 本記事の目次です はじめに 0.1 GRPO概説 ひとまず適当にCartPole環境を動かしてみます 1.1 CartPole環境を作成 1.2 CartPoleが倒れるまで適当に動かす 1.3 実行結果を動画で可視化

はじめに 株式会社松尾研究所でインターンをしているyukiです。 Slack上でユーザーのメッセージを分析し、特定の分野に詳しい人を提示するbotを開発したのでその紹介をします。 これは松尾研究所で行われたAIハッカソンで発表された「Navigator」をアップグレードして社内でリリースしたものになります。 大規模な組織のSlackには多くのユーザー、チャンネルが存在し、日々膨大な量のメッセージが交わされています。そのような環境では誰が何に詳しいのかを完全に把握することは難しく、分からないことを誰に聞けばよいか分からないことも多いです。 今回開発したbot、Navigatorはそのような問題を解決するためのツールとなっています。 従来の課題と解決手法 Slackなどのチャットツールは、チーム間でのコミュニケーションをスムーズにする一方で、以下のような問題が存在します。 ・メッセージの増加に

RuffでPythonコードをLint・Format 会社で、同僚にPythonコードのLint（コードの静的解析）、Format（コード整形）にRuffが便利と教えてもらいました。 Pythonに関しては、ずっとLintにはFlake8を使って、VS Codeの拡張機能への組み込みとGitHub ActionsでPull Requestに対しての自動チェックを実施していました（詳細は、こちらの記事を参照ください）。 Ruffに関しては、Flake8からの乗り換えコストもあるので、わざわざ新たに覚えて使う必要はないかと思っていたのですが、調べて少し使ってみるとRuffに色々とメリットがあって、実際に使ってみて便利なことが体感できました。なので「新しいプロジェクトに関してはRuffを使っていくのがオススメ」とあっさり考えが変わりました。 ただ、Ruffを使う上で、プロジェクトで最初に私含めた

「Gemini 2.0 flash」のAPIでの使い方について、Google Colaboratory で実装しながら解説します。 以前の「Gemini 1.5」とは利用ライブラリなどが異なるため、その点も踏まえて解説します。 記事の最後では、実際にアプリケーション（AI-Agentもどき）に導入するアーキテクチャについても簡単に紹介いたします。 （執筆：小川 雄太郎）。 本記事では最初に「Gemini 2.0 Flash」で動作させるための「設定系」について解説します。 その後、会話を1回実行する場合、会話を往復させる場合、そして会話履歴の続きから会話させる場合について、それぞれ実装しながら解説します。 本記事で紹介する実装コード（Google ColaboratoryのNotebook）は以下のリポジトリに置いています。 link: Gemini_2_Yutaro_Ogawa_2025