こんにちは、ひさふるです！ 私は現在、KDDIアジャイル開発センター(以降KAG)という会社の新入社員として働いています。 この度、同じくKAGの新入社員である沢井と共に、インターン+研修の一環として生成AIを活用したアプリケーションを開発し、その関連技術を特許出願しました！ そこで今回は、開発から特許出願までの流れをご紹介したいと思います！ 自己紹介 今回のアプリは、KAGの24卒新入社員である私(久古)と沢井の2名で作成いたしました。 私と沢井はもともと同じ大学の友人であり、大学時代から一緒にアプリ開発を続けて来ました。 KAGへの内定をキッカケに、KAGで生成AIを活用したアプリを作りたい！と志すようになりました。 左が沢井、右が久古 アプリケーション開発のキッカケ 内々定者イベント 2023年6月、KAGから内々定を貰っていた私達は内々定者向けイベントに参加していました。 そこで、

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? 目次 はじめに 実験計画法 直行配列表 ラテンハイパーキューブサンプリング D最適計画 まとめ 1. はじめに ※この記事では、構造化データを想定して記載しております。 機械学習では、通常、大規模なデータを使用して学習することが推奨されます。質の良いデータが大量にあれば、どのようなアルゴリズムを使用しても、モデルの精度やロバスト性能が向上する傾向があります。つまり、機械学習においては、質の良いデータが大規模に存在することで、より効果的なアプローチとなります。 一方で、少量のデータしかない場合には、機械学習の適用には細心の注意が必要です。

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? はじめに 今年の夏はTOEICスコア900超えを一つの目標にしていて、そのためにはリスニングが課題でした。 とにかく数をこなそうと、無料で問題を解けるアプリを探して、初めはそれをずっとやっていましたが、一日に解ける問題数が限られていて、徐々に物足りなくなってきました。 前々からTOEICの問題ってAIで生成できるんじゃね？と思っていたので、この際スコア900越えに加えて、AIでリスニング問題生成＆Webサービス化を目標にし、ようやく完成したので公開しました。 公開したリスニング問題AI生成サイト ※AIで生成し、内容のチェックは行ってい

1. データサイエンスのための可視化ライブラリ入門 データ分析や機械学習において、データの可視化は非常に重要な役割を果たします。Pythonには、データ可視化のための強力なライブラリがいくつか存在します。今回は、その中でも特に人気の高いSeaborn、Pandas、Matplotlibの3つのライブラリを使って、データの可視化について学んでいきましょう。 これらのライブラリは、それぞれ異なる特徴を持っていますが、組み合わせて使用することで、より効果的なデータ可視化が可能になります。Pandasはデータの操作と分析、Matplotlibは基本的なプロット作成、Seabornは統計的なデータ可視化に特化しています。 まずは、必要なライブラリをインポートし、サンプルデータを作成しましょう。 import pandas as pd import matplotlib.pyplot as plt i

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? ブラウザ上で JavaScript を用いた機械学習を行う際、ライブラリの選択肢の 1つである「ml5.js」に関する記事です。 ●ml5.js | Friendly Machine Learning for the Web https://ml5js.org/ ml5.js のサイトがリニューアルされていたのですが、その新サイトの動線に関する情報を書いてみた、という内容です。 ml5.js の新バージョンなど 今年 ml5.js のサイトが新しくなったり、また、大きな変更を伴うライブラリのバージョンアップの情報が出ています。 以下は、

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? RAGの精度向上に有効な施策としてGraphRAGという手法があります。 インプットされた文章をノードとエッジと呼ばれる要素に分解し、ノード間の関係性をグラフデータとして表現する手法になります。 例えば文章中に出てくる人物をノードとし、人物間の関係性をエッジで表現する、といったイメージです。 ベクトル検索を使ったRAGの場合「ドキュメント内の離れた箇所に登場するけれども、関係性の強い情報」といったものを扱う際に課題がありました。 GraphRAGの活用により、そういった情報を関連のある情報として拾えるようになり、生成AIによる文脈理解の

INFO: connection open input_audio_buffer.speech_started input_audio_buffer.speech_stopped input_audio_buffer.committed input_audio_buffer.speech_started user: こんにちは input_audio_buffer.speech_stopped input_audio_buffer.committed response.output_item.added model: わかりました。ちょっと調べますね。 お待ちください。 user: 今日の東京の天気について教えて頂ければと思います。 response.output_item.added tool call {'type': 'response.function_call_arguments

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? この記事は何？ Azure OpenAI Service で GPT-4o audio のモデルが利用可能になったので、サンプルアプリの設定を行って音声でやり取りを行ってみた際の手順のメモです。 GPT-4o audio とは？ GPT-4o audio のモデル (現状使えるのは GPT-4o-realtime-preview）は、GPT-4o モデル ファミリの一部であり、低遅延の「音声入力、音声出力」会話インタラクションをサポートします。 つまり、今まで音声をインターフェイスにして言語モデルと対話を行う際には、Speech to

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? OpenAI DevDay 2024でいくつかの新しい機能が実装されています。 新機能のひとつに、プロンプト自動作成というものがあります。 目的を入力しただけで、自動的にシステムプロンプトを作成してくれるというものです。 他の新機能に比べると、やや地味目ですが、どんな感じのプロンプトを作成してくれるのか気になったので試してみました。 TL;DR 曖昧な一文からでも、マークダウン形式に沿ったプロンプトを書いてくれるので、たたき台としてよさそう。 プロンプト自体がマークダウン形式なせいか、Output形式がマークダウンに引きずられることがあ

やりたいこと Meta 社から Llama3.2 が発表されました。軽量なモデルである Llama 3.2 1B および 3B とマルチモーダルモデルである Llama 3.2 11B および 90B です。 先日、OSS なモデルをローカルで動かす方法 (以下の記事) を試したので、今回の Llama3.2 も試してみようと思います。 どんなモデル？ 以下の記事によると、1B・3B はエッジやモバイルデバイス向けテキストモデル、11B・90B は小中規模のビジョンモデルだそう。 1B・3B 128K トークンのコンテキスト長をサポート 多言語テキスト生成とツール呼び出し機能に非常に優れている (らしい) 11B・90B マルチモーダルモデル Claude 3 Haiku などと比較して画像理解タスクで優れている (らしい) 動かす

結論 引数が多くて、わかりずらかったコードが ↓ このように、引数の名前が表示されることでめちゃくちゃわかりやすくなります！ 設定方法 設定方法は、設定からPython Analysis Inlay Hints: callArgumentNamesをallにするだけ。（画像の一番上の設定です） なお、この設定は、Pylanceという拡張機能のものです（ただし、Microsoft公式のPythonの拡張機能パックに入っているのでPythonユーザーであれば概ね設定可能だと思います）。 jsonで設定する場合は以下のようにsettings.jsonに追記してください。

はじめに Pythonは、初心者でも扱いやすいと言われる、シンプルで直感的な構文が特徴のプログラミング言語です。そのため、初心者から上級者まで幅広く使われていますが、シンプルだからこそ思わぬミスを引き起こすことも少なくありません。 本記事では、そんな「単純なのに間違えやすい」Pythonコードの落とし穴にスポットを当て、見逃しやすいポイントや、気をつけるべき注意点を解説します。具体的なコードを紹介するので、出力結果を予想してみましょう！ 弊社Nucoでは、他にも様々なお役立ち記事を公開しています。よかったら、Organizationのページも覗いてみてください。 また、Nucoでは一緒に働く仲間も募集しています！興味をお持ちいただける方は、こちらまで。

こんにちは👋 長く暑い夏が終わろうとしている今ですが、筆者は秋の季節を満喫しております。 LabBaseでは線形代数学の基礎を使って検索エンジンを構築していますが、レコメンド、検索アルゴリズムによく使われる王道の手法について記事を書くことにしました。 概要 線形代数学の特異値分解（SVD）の知識を活かして、原始的な画像圧縮アルゴリズムをRustで実装します。 SVDとは？ SVDは、線形代数学でよく使われる行列の分解です。行列の分解は、同じマトリックスを他のマトリックスに分けて表現することです。SVDの他に、LU三角分解、QR分解などがあります。 SVDは、あるAというマトリックスの列空間と行空間の固有ベクトルを計算して、それぞれをUとVというマトリックスに収めます。さらに、Σという対角行列に、固有値の平方根を入れます。Vの転置行列をV'と定義しますが、以下の分解になります。 Σの体格行

概要 本文章は、一般社団法人PyCon JP Associationが主催したPyCon APAC 2023の開催に際し、そのプロポーザル選考過程において行われていた不正行為の告発を目的とするものです。 本文章が対象とする読者は技術者、及び、公衆です。技術者は技術『愛好家』との付き合い方について一考をするべきであり、公衆は「専門家ではないにも関わらず技術の専門家のフリをする不正な愛好家」に対して無自覚であるべきではない、という警鐘を鳴らすため、並びに、一般社団法人PyCon JP Associationの公衆に対する不正を告発するため、本文章を公開します。 本文章は、Qiitaが目指す、学びのある情報を技術者に共有することで、よりよい技術者コミュニティの形成を目指す内容であるため、Qiitaのガイドラインに沿った形式でQiita.com上で公開します。 告発する内容 PyCon APAC

はじめに こんにちは、カレー愛好家の皆さん！今回は、Pythonと大規模言語モデル（LLM）を使って、カレーに関する知識を管理し、質問に答えるシステムを作ってみました。このシステムでは、カレー好きの人々のネットワークや、お気に入りのカレー店、新しいメニューなどの情報をグラフ構造で表現し、それをベースに質問応答を行います。 システムの概要 このシステムは以下の主要な機能を持っています： カレー関連の知識をグラフ構造で表現 ユーザーのコメントを分析し、新しい知識をグラフに追加 グラフの可視化（日本語対応） グラフ情報を基にした質問応答 それでは、知識グラフの魅力について詳しく見ていきましょう！ 知識グラフのメリットと有益性 皆さんは「知識グラフ」という言葉を聞いて、どんなイメージを持ちますか？難しそう？複雑そう？確かに最初はそう感じるかもしれません。でも、実はとてもパワフルで、私たちの日常生活

はじめに カレー好きの皆さん、こんにちは！「もっと自分好みのカレーに出会いたい」「友達にぴったりのカレーを提案したい」と思ったことはありませんか？今回は、そんな夢を叶える魔法のような AI 技術、「協調フィルタリング」を使って、カレー推薦システムを作ってみましょう。 この記事で学べること カレー好きの皆さん、協調フィルタリングを学ぶことで、こんな素敵な体験ができるんです： AIの実践的な使い方を知る: NetflixやAmazonなど、普段使っているサービスの裏側で動いているAI技術を、カレーという身近な題材で理解できます。難しそうなAIも、こうして実践的に学べば、とても親しみやすいものだとわかりますよ。 個人の好みに合わせる技を習得: 「この人にはこのカレーがぴったり！」というマッチングの裏側にある技術を学べます。これは、カレーショップのオーナーさんや、友達にぴったりのプレゼントを選びた

今日はこちらのビッグニュースが飛び込んできました！ AWS ChatbotがBedrock agentsに対応したので、SlackやTeamsとBedrockが連携できるようになりました🎉🎉🎉 早速やってみました。なんと ノーコード です！！ 最速を狙いましたがすでに検証された方がいました！早い！ 手順 Bedrock agentsを作成する マネジメントコンソールでBedrockの管理画面を開きます 左メニューの「エージェント」をクリックします 「エージェントを作成」をクリックします 「Name」を入力して「作成」をクリックします エージェントビルダーの画面に遷移します モデルを選択で好きなモデルを選択します。（私はClaude 3 Haikuを選択しました） 「エージェント向けの指示」にプロンプトを入力します。（私はこちらのClaude 3 Haikuのシステムプロンプトを入力し

こんにちは、皆さん！株式会社ulusageの技術ブログ生成AIです！ 今回は、LLM分野で話題となっている最新のアプローチ「SELF-ROUTE（セルフルート）」について、徹底的に解説します。この技術は、RAG（Retrieval Augmented Generation）とLLM（Large Language Models）の長所を組み合わせることで、長文コンテキスト処理における効率と精度を同時に追求するものです。 この記事では、SELF-ROUTEの仕組み、論文で示された主な知見、技術的な詳細、データセットを通じた評価結果、さらに性能分析に基づくメリットを詳しく紹介していきます。ぜひ、最後までお付き合いください！ SELF-ROUTEとは？ SELF-ROUTEは、NLP（自然言語処理）の分野において、RAG（Retrieval Augmented Generation）とLLM（La

GraphRAGとは？ Microsoft社が、以前から提唱していたRAGの新しいアプローチ「GraphRAG」のサンプル実装を7月にGitHubで公開したことから、LLM界隈で一気に話題となりました。 従来のRAGは、検索対象のドキュメントを埋め込み（ベクトル）に変換しておくことで、検索クエリーと意味的に近いかたまり（チャンク）を数学的な計算によって探し当てて持ってくる手法でした。 これに対してGraphRAGでは、検索対象のドキュメントを埋め込みではなく「グラフ」として保存する手法です。これによって、従来のRAGでは検索精度がイマイチだったユースケースでも精度が改善することがあります。 グラフとは？ グラフといえば、Excelなどでデータを可視化するアレを思い浮かべる方も多いでしょう。GraphRAGで扱うのはそれではなく、数学の世界でいう「グラフ理論」のグラフです。ノード（節点）とエ

はじめに 2024年9月18日に開催された勉強会「ついに出た！OpenAIの最新モデル『o1』って何がすごいの？みんなで勉強しよう」に参加しました。 本記事では、勉強会で学んだ内容、そこから得た個人的な気づき、そして今後の展望についてまとめています。まず、貴重な学びの機会を提供してくださった主催者と登壇者の皆様に心からお礼申し上げます。 本記事はあくまで筆者の個人的な理解と解釈に基づいています。まだ勉強会の内容をチェックされていない方は、ぜひconnpassの資料、動画アーカイブのリンクをご覧ください。 勉強会のまとめ o1モデルの特徴 深い推論能力：複雑な問題解決や分析タスクに強み 高度なプログラミング能力：複雑なコードの生成や理解が可能 長い応答時間：じっくりと考えることで質の高い回答を提供 AIモデルの進化と o1 の位置づけ AIモデルの進化の流れが以下のように示されました： スケ