以下の記事が面白かったので、かるくまとめました。 ・Applying OpenAI's RAG Strategies 1. はじめに「Open AI」はデモデーで一連のRAG実験を報告しました。評価指標はアプリケーションによって異なりますが、何が機能し、何が機能しなかったかを確認するのは興味深いことです。以下では、各手法を説明し、それぞれを自分で実装する方法を示します。アプリケーションでのこれらの方法を理解する能力は非常に重要です。問題が異なれば異なる検索手法が必要となるため、「万能の」解決策は存在しません。 2. RAG スタックにどのように適合するかまず、各手法をいくつかの「RAGカテゴリ」に分類します。以下は、カテゴリ内の各RAG実験を示し、RAGスタックに配置する図です。 3. ベースライン距離ベースのベクトルデータベース検索は、クエリを高次元空間に埋め込み（表現）し、「距離」に基

この考え方はマイクロソフトに来てから本当に何度も出会ってきた考え方で、ものすごく生産性に貢献する考えなので、ぜひ日本でももっと広まってほしいと思っている。これは私オリジナルとかではなく、私は何回も体験しただけで、生産性のことを勉強するといろんなところに出てくる考え方だし、素晴らしい生産性の方に聞くと似たような考えをしていることが多いので本質なのだと思う。 自分の環境で実施するのは難しい　フィードバックを読んでいるともちろん多くの人は喜んでいただけているようだが、自分の環境ではできる気がしない。お客様が許してくれないだろう。という意見もある。 もちろん、そういう環境では簡単ではないだろう。じゃあどうやったらできるだろう？例えばこのようなブログが読まれて、こういう考え方がもっと一般的になってくればもっとその恩恵を受ける人がもっと増えるかもしれない。だから、微力ではあるが「ソリューション」の一環

はじめまして。損害保険ジャパン株式会社 DX推進部の眞方です。普段はリードエンジニアとして、新しいサービスのアーキテクチャ検討からローンチまでの作業や、新規技術を用いたアプリのプロトタイプ実装などを行なっています。 弊社では、LLM（Large Language Models）を活用したアプリケーションの開発を積極的に検討し、既に社内でいくつかのプロトタイプをローンチしています。 本記事では、その最も一般的？なユースケースの一つとも言えるRAG（Retrieval Augmented Generative）の構築において、ドキュメント検索精度の向上にどのように取り組んだ内容の概要を紹介させていただきます。実際の詳細な手法および結果については、別記事（実践編）で解説予定です。 はじめに RAGとは？ この記事を読まれている方の中にはご存知の方も多いでしょうが、RAGとはRetrieval A

「GitHub Copilot 導入時に考えたセキュリティのあれこれ」というタイトルで登壇したのは、freee株式会社のただただし氏。タイミー社主催の「GitHub Copilotで拓く開発生産性」で、「GitHub Copilot 」を全社一斉導入する際に考えるべきセキュリティリスクについて発表しました。 freee株式会社 PSIRT マネージャーのただただし氏 ただただし氏：freee株式会社のただただしと申します。 今日は、「GitHub Copilot 導入時に考えたセキュリティのあれこれ」ということで、Copilotのセキュリティリスクについて語るわけですが、考えてみたら、GitHubの中の人を前にこんなことをしゃべるのは相当大胆な話だと思います。最後にいいことで締めるのでちょっと我慢してください。 自己紹介をいたします。ただただしと申します。PSIRTという組織でマネージャー

Vercel、生成AIへのプロンプトでWebアプリのUIを自動生成してくれる「v0」をベータ公開。Freeプランも提供 Next.jsの開発元として知られるVerelは、生成AIに対して自然言語のプロンプトを与えることでWebアプリケーションのユーザーインターフェイスを自動生成してくれるサービス「v0」のベータ公開を発表しました。 v0を使うと、人間のWebデザイナーに「こんな画面を作って」「ここの色は青にして」「ここのフォントは大きく」などと言葉で指定するの同じような感じで生成AIに指示をして、HTMLやCSSなどのコードを書くことなくWebアプリケーション画面の生成が可能です。 Introducing v0: generate UI from simple text prompts. 5,000 waitlist invites were sent today—with over 25

忠犬Dr＠ポイ活投資家 @chukenDr 最近知ったんだけど、文科省の「一家に1枚シリーズ」がやばい。これは地学、生物学、宇宙など多くのテーマが一枚ずつまとめられた科学ポスターなんだけど、科学に触れる機会を増やすために、実は無料で公開されています。このクオリティで誰でもダウンロードし放題なのは本当凄い。全家庭に届けぇ…。 pic.twitter.com/pfwOXBrjg3 2023-09-27 17:47:36

9月6日に公開された Open Interpreterは、現在世界で最も注目を集めるGitHubのリポジトリです。公開から2日でデスクトップアプリの早期アクセスウェイトリストには5000人、さらにDiscordでのコミュニティ参加者は500人を超え、レポジトリには9月15日現在で、レポジトリには20K以上のスターが付いています。このツールは、自然言語の指示でさまざまなコードを書き、実行することができ、日常の作業を劇的に効率化します。この記事では、Open Interpreterという新時代のAIの力で、あなたの仕事もプライベートも次のステージへと進化させるための「活用事例25選」をご紹介していきます。 Open Interpreter の基本的な機能・情報はこちらの記事に分かりやすくまとめてくださっていますので、こちらもぜひご覧ください!! 👉 Today I’m launching O

1. インストール 1pip install open-interpreter ターミナルで次のコマンドを実行して、Open Interpreter をインストールします。 2. 対話型チャットの開始 インストール後、次のコマンドを実行して、ターミナルで対話型チャットを開始できます。 1interpreter Python で対話型チャットを開始するには、次のコマンドを実行します。 1import interpreter 2interpreter.chat() 2. OpenAI APIキーの設定 OpenAIのAPIキーを利用する場合は設定が必要ですが、OpenAIのキーを使用しない場合は、Code-Llamaを利用することができます。 これで、Open Interpreterを利用する準備が整いました。 Open Interpreterの使い方 タスクの依頼・実行 Open Inter

以下の記事を見て、早速「Open interpreter」を試してみたので、使い方や始め方をまとめておきます Open Interpreterとは Open Interpreterは、GPT-3.5、GPT-4、Code Llamaなどの大規模言語モデル（LLMs）を活用して開発されたオープンソースのツールです。 このツールは、OpenAIが提供するChatGPTの「Advanced Data Analysis(旧Code Interpreter)」のオープンソース版とも言える存在で、Python、Javascript、Shellなどのプログラミング言語のコードを自然言語による対話を通じてローカル環境で実行することができます。 このツールの最大の特徴は、ChatGPTの「Advanced Data Analysis」と違いローカル環境で動くため、ファイル容量やネット接続への制約がなく、Ch

こんにちは、機械学習チーム YAMALEX の駿です。 YAMALEX は Acroquest 社内で発足した、会社の未来の技術を創る、機械学習がメインテーマのデータサイエンスチームです。 （詳細はリンク先をご覧ください。） 今回は Amazon Kendra と OpenAI ChatGPT を組み合わせてRAGシステムを構築してみます。 RAG とは Retrieval Augmented Generation （検索拡張生成） の略で、 ChatGPT に代表される LLM （大規模言語モデル）でユーザの質問への回答を生成する際に必要な情報（コンテキスト）を事前に検索などを通して取得してから、 コンテキストを踏まえた回答を生成する手法のことです。 言い換えると、RAG は検索そのものの処理ではなく、検索結果を解析し、その内容を分かりやすく要約するものです。 RAG を使用することで、

SECCON Beginners Live 2023「JWTセキュリティ入門」の発表資料です。

努力と気合だけで毎日勉強するのは、多くの人にとって難しいことです。なぜなら「人間は基本的に、ダメな生き物」だから。 ですが「仕組み」があれば、頑張れないタイプの人でも勉強を続けることは可能です。その仕組みとはどんなものなのか、『9割の「努力」をやめ、真に必要な一点に集中する 勉強の戦略』（朝日新聞出版）から一部抜粋、再編集して紹介します。 【プロフィール】 岡 健作（おか・けんさく） スタディーハッカー 代表取締役社長 1977年生まれ、福岡出身。同志社大学（文学部英文学科）在籍中から英語教育に関わる。大手学習塾の講師・教室長を経て、2010年に京都で恵学社（現：スタディーハッカー）を創業。“Study Smart”（学びをもっと合理的でクールなものに）をコンセプトに、第二言語習得研究（SLA：Second Language Acquisition）などの科学的な知見を実際的な学びの場に落

今回は、組織づくりについての話。 現在うちの会社は７期目で、メンバーは業務委託の方を含めると100人近くになりました。 おかげさまで退職率も低く「みんないい表情で働いてますね」と言っていただくことも増えました。心理的安全性も高く、「組織をよくするために自ら積極的に動く」というカルチャーが醸成されていると自負しています。 ただ、ずっと平和でいい感じだったのかというと、そんなことはありません。当初、組織づくりはめちゃくちゃ大変で、起業して最初の２〜３年はずっと組織のことで悩んでいました。 そんな状態から、どうやって今のようになったのか？ 同じように組織づくりに悩んでいる人のヒントになればと思い、僕の経験を書いてみたいと思います。 「お前やれるのか？」みたいな空気感初期の頃、オフィスはシーンとしていて緊張感がありました。 プロフェッショナリティのすごく高い人たちが集まっていて「俺はこんだけやるけ

1978年東京生まれ。酒場ライター。著書に『酒場っ子』『つつまし酒』『天国酒場』など。ライター・スズキナオとのユニット「酒の穴」としても活動中。 前の記事：カメさんに会えたよ かわいさに負けて衝動買い 先日、埼玉県の秩父方面に旅行に行ってきました。その途中で立ち寄った、埼玉県産の商品をいろいろと扱うおみやげ屋さんで、あまりにも胸ときめく商品を見つけ、衝動買いしてしまったんです。 手のひらにのるくらいのサイズの小さな瓶入りのピクルスなんですけれども、もう、とにかくめっっっちゃくちゃかわいいんですよ！ まずは見てもらうのが早いですよね。 ほら！ ね？ 整然とカットされた色とりどりの野菜たちが小瓶にぴたりと並んで、いつまででも眺めていたい美しさじゃないですか？ 商品名は「花咲く！Pickles」。僕が買ったお店で税込み789円。作っているのは、埼玉県熊谷市にある「Marche de Miyuki

はじめに こんにちは、一休.comデータサイエンス部の平田です。 みなさんChatGPT活用してますか？ 一エンジニアとして便利に使ってはいるものの、自社サービスにどのように組み込もうか模索しているところも多いかもしれません。 一番の利用先として思いつくのが、自社の情報をもとに質問に答えるチャットボットではないでしょうか。 その中では、ハイコンテキストな検索（例えば、「東京から2時間以内で子供も楽しめるアクティビティがあって、景色も良い宿」のような）にも答えられるとボットの価値が増します。 ChatGPTが事前に学習した内容では古く、正確ではないためそういった検索に応えるのはかなり厳しいです。 そのため、こちら側が持っているデータを渡してあげる必要があるのですが、今回はその自社の情報をどう組み込むのか、という部分についてご紹介します。 素のChatGPTでは？ ChatGPTに例えば「熱海

会社の中で新しい企画やプロジェクトを提案したものの、「前例がない」「うちでは難しい」などと一蹴されてしまった経験はないでしょうか？ いつの時代も、組織は「過去」に支配されるもの。特に大企業ともなれば先例や慣習などの影響力が強く、何かを大きく変えることはなおさら困難に思えます。難攻不落の組織をどうすれば動かせるのでしょうか。 そのヒントになりそうなのが、三井住友銀行（SMBC）で2016年から始まった「インハウスデザイナー」たちの取り組みです。それまですべてのプロダクトのデザインを外部パートナーに委託していたSMBCが、初めて社員として3名のデザイナーを採用。しかし、当時は社内でデザインの価値が十分に理解されておらず、インハウスデザイナーがフルにパフォーマンスを発揮できる環境ではありませんでした。 そんな厳しい状況下でも、地道にデザインの価値を浸透させ、徐々に社内で信頼を獲得。2019年の三

Danbo-side #074: TwitterのiOSエンジニアだった丹羽善将さんに聞いた、これまでとこれから TwitterのiOSエンジニアだった丹羽善将さんがゲスト。丹羽さんは6月にTwitterを退社。現在とはXとなってしまったTwitterのiOSアプリ開発に14年携わり、「世界で最も優れたiOSデベロッパーの一人」と呼ばれています。そんな丹羽さんはDANBOさんの同郷である名古屋出身。X（Twitter）の中から見た話から、新幹線の「のぞみ200号分裂事件」、さらには生成AIの話題まで1時間半、たっぷりお話を聞きました。 関連リンクMac OTAKARA（@idanbo）さん / TwitterYoshimasa Niwa（@niw）さん / XTwitterの日本人エンジニアDaring Fireball: Twitter Staff Exodus Continues Af

データマーケティングの強い味方！？BigQueryと大規模言語モデル(LLM)の統合で始める検索意図分析の事例 初めまして、Ubie Product Platformのグロースチームでエンジニアをしてる田口です。「健康が空気のように自然になる世界」を目指し、症状検索による発症から受診までのサポートするサービス症状検索エンジン「ユビ―」を提供しています。 さて、サービスを成長させる上で、ユーザーの行動を理解することが不可欠です。ユーザーが何を求め、どのようにサービスを利用しているのかを知ることで、サービスの満足度を向上させるための改善策が見えてきます。 しかし、大規模なウェブサイトの場合、分析すべき検索クエリが膨大になっているという課題がありました。 今回は、ML.GENERATE_TEXTを用いてプロンプトベースのデータパイプラインを作り、ユーザーの検索意図分析を行ってみた事例を紹介します

仕事において「考える」という行為は欠かせません。しかし、モヤモヤと考えらしきものが浮かんだとしても、そこからいいアイデアに結びつけるのは簡単ではないものです。 そこでお話を聞いたのは、電通勤務を経てストラテジックプランナーとして活躍する筧将英さん。筧さんは、考えるうえで「概念図」を使うことをすすめます。 構成／岩川悟　取材・文／清家茂樹　写真／玉井美世子 【プロフィール】 筧将英（かけひ・まさひで） 1983年6月23日生まれ、愛知県出身。ストラテジックプランナー、クリエイティブストラテジスト。名古屋大学工学部、名古屋大学大学院情報科学研究科卒業。2008年に株式会社電通入社、ストラテジックプランニング職、データマーケティング職を経験。大手クライアントやスタートアップ企業のマーケティング戦略、コミュニケーション戦略の立案を中心として、キャンペーン設計から企画・実施までのディレクションを行な