株式会社ずんだもん技術室AI放送局

ニコニコ動画に投稿された、ソフトウェアトーク劇場形式の動画を紹介します。動画では、あわてんぼうのサンタクロースが12月初旬にやってきて、ずんだもんと交流します。サンタはクリスマスまでずんだもんの家に滞在し、一緒に観光地を巡る楽しい日々を過ごします。クリスマスには、サンタからずんだもんへ「メジャーデビュー」というビッグなプレゼントが贈られます。動画は、2人のテンポの良い掛け合いが面白く、視聴者からは「サンタおじかわいい」「ずんだもんやさしい」などのコメントが寄せられています。

引用元: https://news.biglobe.ne.jp/entertainment/1216/nico_241216_6344316659.html

TaskadeがAIエージェント機能と自動化機能を強化しました。

引用元: https://www.einpresswire.com/article/768147652/taskade-launches-new-ai-agent-actions-and-enhanced-automation-features

Anthropic社が開発した「Clio」は、AIモデルの実際の利用状況をプライバシーを保護しながら分析するツールです。従来のトップダウン方式の安全性評価とは異なり、Clioは会話内容から抽象化されたトピックを自動で抽出し、ユーザーのプライバシーを守りつつ、AIの利用パターンを把握します。具体的には、会話からトピック、言語などの情報を抽出し、類似の会話をグループ化、各グループに説明的なタイトルと要約を付与し、階層構造で整理します。このプロセスは全てAIによって行われ、人間の分析者は匿名化されたデータのみにアクセスします。

Clioによる分析から、Claudeの主な利用用途は、Webやモバイルアプリの開発、教育、ビジネス戦略関連であることがわかりました。また、言語によって利用パターンが異なることも判明しました。

Clioは、AIの安全性向上にも貢献しています。利用規約違反の疑いがある活動を特定したり、複雑な不正利用パターンを発見したり、選挙などの重要なイベント時のリスク監視に役立っています。また、既存の安全性評価システムで誤って有害と判断されたコンテンツ（誤検知）や、見逃されていた有害コンテンツ（偽陰性）の特定にも役立ち、システムの精度向上に貢献しています。

Clioの開発にあたっては、プライバシー保護、誤検知、悪用などの倫理的な側面も考慮されており、厳格なアクセス制御やデータ最小化などの対策が講じられています。Clioは、AIの安全性を高めつつ、ユーザーのプライバシーを守るための重要な一歩であり、今後のAI開発における責任あるツール開発の規範となることが期待されています。

引用元: https://www.anthropic.com/research/clio

（株式会社ずんだもんは架空の登場組織です）

AIエージェントがオンラインショッピングをどのように変えるかについての記事です。AIエージェントは、個人の好みを学習し、価格比較、レビュー確認、注文までを自動で行うことができます。これにより、消費者は時間と労力を節約できます。しかし、AIエージェントは個人情報を大量に扱うため、プライバシーや悪用のリスクも存在します。また、AIが消費者の購買行動を操作する可能性や、AIへの過度な依存による意思決定能力の低下も懸念されています。ビジネスにおいては、AIエージェントの導入により、売上増加や顧客サービスの向上が見込まれていますが、広告戦略の再考も必要となります。AI技術はまだ発展途上であり、その利用には慎重なアプローチが求められます。人間の価値観と優先順位に沿ったAIシステムの開発が重要であり、AIは人間の意図を拡張するツールであるべきだと筆者は述べています。

引用元: https://www.inverse.com/tech/ai-shopping-agents-risks

イラストレーターが投稿した、ずんだもんとあすけんを組み合わせたファンアートが発端となり、そこからインスピレーションを得て「あすけどん」という新しいキャラクターが誕生しました。あすけどんは、あすけんの指導を受けて健康的な食事を促すずんだもんという設定で、その様子がまるで遭遇したものを吸収する怪異のようだと話題になっています。この一連の流れは、インターネットミームのバタフライエフェクトのようだと評され、多くのユーザーがこの変化を楽しんでいます。

引用元: https://togetter.com/li/2480963

VOICEVOX:春日部つむぎ

GoogleのAIアシスタントGeminiがアップデートされました。今回のアップデートでは、2つの新機能が追加されています。

一つ目は「Deep Research」です。これは、複雑なテーマのリサーチをAIが代行してくれる機能です。ユーザーが質問を入力すると、AIがウェブをくまなく調査し、重要な発見をまとめたレポートを作成します。レポートには元の情報源へのリンクも含まれており、詳細な調査を容易に行えます。まるで個人のAIリサーチアシスタントがついたようなものです。現在、Gemini Advancedのデスクトップ版とモバイルウェブ版で利用可能で、英語に対応しています。モバイルアプリ版は2025年初頭にリリース予定です。

二つ目は「Gemini 2.0 Flash Experimental」です。これは、実験的なモデルで、様々なベンチマークにおいてパフォーマンスと速度が向上しています。より効率的で便利なAIアシスタント体験を提供します。デスクトップ版とモバイルウェブ版で利用可能で、モバイルアプリ版も近日中にリリース予定です。ただし、実験的なモデルであるため、すべての機能が利用できるわけではなく、予期せぬ動作をする可能性があることに注意が必要です。

これらのアップデートにより、Geminiはより強力で便利なAIアシスタントへと進化しました。特にDeep Researchは、研究者やビジネスパーソンにとって非常に役立つ機能と言えるでしょう。 Gemini 2.0 Flash Experimentalは、今後のGeminiの発展を垣間見れる貴重な機会を提供します。

引用元: https://blog.google/products/gemini/google-gemini-deep-research/

TechFeedは、エンジニアがエンジニアのために開発した、技術情報収集と共有のためのプラットフォームです。180以上の専門チャンネルと13の技術カテゴリーを網羅し、海外情報も自動翻訳で閲覧可能です。

主な機能として、注目記事を自動で厳選する「ホットエントリー」、記事の面白さを数値化した「TechFeedスコア」、ユーザーの閲覧履歴に基づいたパーソナライズされた記事推薦、ブックマーク、高度なシェア機能、コメント機能などが挙げられます。さらに、求人情報の推薦や、技術情報収集の習慣化を促進する仕組みも備えています。

TechFeedは無料で利用でき、Chrome拡張機能として提供されています。デスクトップアプリは現時点ではありませんが、開発要望を検討中とのことです。 TechFeedスコアの詳細やパーソナライズの仕組み、フィードバック方法などは、FAQで確認できます。 また、公認エキスパート制度があり、選抜されたエキスパートが記事推薦やイベント登壇を行うとともに、金銭的な対価を得ることも可能です。

引用元: https://techfeed.io/entries/675a01f52f9b0d14a315ac7d

（株式会社ずんだもんは架空の登場組織です）

LangGraphに、マルチエージェント間のコミュニケーションを円滑にする新しいツール「Command」が追加されました。LangGraphはイベント駆動型のシステムで、グラフベースの開発者体験を提供します。従来のLangGraphでは、ノードとエッジでグラフを表現していましたが、より動的なロジックを表現するために、ノードが次に実行するノードを動的に指定できる「Command」が導入されました。これにより、ノードは状態の更新だけでなく、次に実行するノードを直接制御できます。

「Command」は、マルチエージェントアーキテクチャにおける「ハンドオフ」を容易にします。あるエージェントから別のエージェントへ制御を移す際、どのノードにジャンプするかを簡単に指定できます。また、親グラフのノードへのジャンプも可能で、階層的なエージェントアーキテクチャでのコミュニケーションが改善されます。

この新機能により、LangGraphはエージェント間のコミュニケーションをより柔軟に制御できるようになり、マルチエージェントシステムの構築が容易になります。

引用元: https://blog.langchain.dev/command-a-new-tool-for-multi-agent-architectures-in-langgraph/

Google DeepMindが、エージェント時代に向けた新しいAIモデル「Gemini 2.0」を発表しました。Gemini 2.0は、従来のモデルよりも高性能で、画像や音声のネイティブ出力、ツール利用機能が強化されています。開発者や信頼できるテスター向けに「Gemini 2.0 Flash」が提供されており、来年初めには一般公開が予定されています。Googleは、Gemini 2.0を活用したエージェント体験として、Project Astra、Project Mariner、Julesといったプロジェクトを推進しています。これらのプロジェクトでは、AIがユーザーの代わりにタスクを実行したり、より複雑な問題を解決したりする能力を探求しています。特に、Project Astraは、マルチモーダルな理解に基づいた汎用AIアシスタント、Project Marinerはブラウザ上でのエージェント操作、Julesは開発者向けのコードエージェントとして期待されています。Gemini 2.0は、GoogleのAI製品に順次搭載される予定で、より便利で使いやすいAI体験を提供することを目指しています。また、GoogleはAIの責任ある開発にコミットしており、安全性とセキュリティを最優先事項としています。

引用元: https://blog.google/technology/google-deepmind/google-gemini-ai-update-december-2024/

ScreenAIは、UI（ユーザーインターフェース）やインフォグラフィックを理解するための視覚言語モデルです。PaLIアーキテクチャをベースに、pix2structの柔軟なパッチ戦略を取り入れ、多様なデータセットで学習されています。特に、UI要素（種類、位置、説明）を特定するScreen Annotationタスクが特徴です。このモデルは、質問応答、UIナビゲーション、要約などのタスクにおいて、同規模のモデルと比較して高い性能を発揮します。また、Screen Annotation、ScreenQA Short、Complex ScreenQAという3つの新しいデータセットも公開されています。

ScreenAIのアーキテクチャは、画像とテキストの埋め込みを組み合わせたマルチモーダルエンコーダと、テキストを生成する自己回帰デコーダで構成されています。学習は2段階で行われ、自己教師あり学習でデータラベルを生成し、その後、人間がラベル付けしたデータでファインチューニングされます。データ生成には、様々なデバイスのスクリーンショットを使用し、UI要素の特定にはDETRモデル、アイコン分類には専用の分類器が用いられています。さらに、PaLM 2のようなLLMを活用して、質問応答、画面ナビゲーション、要約タスクのための合成データを生成しています。

実験結果では、ScreenAIはWebSRCやMoTIFなどのUIベースのタスクで最先端の性能を示し、ChartQA、DocVQA、InfographicVQAなどのタスクでも同規模のモデルの中で最高の性能を達成しています。モデルサイズを大きくすることで性能が向上することも確認されており、今後の更なる発展が期待されます。

引用元: https://research.google/blog/screenai-a-visual-language-model-for-ui-and-visually-situated-language-understanding/

娘がVtuberになりたいと言い出したところ、父親が以前使っていたPCやWebカメラ、ボイスチェンジャーなどを提供するという、微笑ましいやり取りがSNSで話題になっています。この投稿に対し、他のユーザーからは「父親は過去にVtuberをしていたのでは？」という推測や、父親が娘の活動を様々な形でサポートするであろうというユーモラスなコメントが多数寄せられています。中には、父親が以前使っていたアバターやチャンネル、衣装まで提供するのではないかというジョークも飛び出し、ネット上ではこの親子の今後の展開に期待が高まっています。

引用元: https://togetter.com/li/2479369

（株式会社ずんだもんは架空の登場組織です）

Googleは、開発者向けAIモデルGemini 2.0 Flashを発表しました。これは、Gemini 1.5 Proと比べて2倍の速度を実現し、パフォーマンスが向上しています。マルチモーダル出力（テキスト、音声、画像）に対応し、Google検索やコード実行などのツールをネイティブに利用できます。リアルタイムのオーディオ・ビデオストリーミングに対応したMultimodal Live APIも提供されます。

Gemini 2.0 Flashは、Google AI StudioとVertex AIで実験段階として利用可能で、来年初頭に一般提供予定です。主な特徴は、高速かつ効率的な処理、マルチモーダル出力、ネイティブツール利用、そしてリアルタイムのマルチモーダルアプリケーション開発を可能にするMultimodal Live APIです。 空間認識能力の向上により、複雑な画像内でも小さな物体の境界ボックス生成精度が向上しています。出力される画像や音声にはSynthIDによる透かしが埋め込まれ、誤情報の拡散防止に役立ちます。

さらに、開発者のワークフローを支援するAI搭載コードエージェント「Jules」も発表されました。JulesはGitHubと連携し、バグ修正やコーディングタスクを非同期的に処理します。PythonとJavascriptに対応し、プルリクエストの作成まで行います。現在、限定ユーザー向けに提供されており、2025年初頭に一般提供予定です。

Colabにも、Gemini 2.0を利用したデータサイエンスエージェントが統合されます。自然言語で分析目標を記述するだけで、Colabノートブックが自動的に作成されます。この機能も、2025年前半にColabユーザーに広く展開される予定です。

Gemini 2.0は、Android Studio、Chrome DevTools、Firebaseなど、Googleの様々なプラットフォームにも今後数ヶ月で導入される予定です。 より高度なAIアプリケーションを迅速かつ容易に開発できるようになり、開発者はユーザーエクスペリエンスの向上に集中できるようになります。

引用元: https://developers.googleblog.com/en/the-next-chapter-of-the-gemini-era-for-developers/

OpenAIは、テキストからビデオを生成するAIモデル「Sora Turbo」を発表しました。これは、今年2月に発表されたSoraモデルの改良版で、生成速度とアクセスの容易性が向上しています。

Sora Turboは、最大1080pの高解像度、最大20秒の長さのビデオを、ワイドスクリーン、縦型、正方形など様々なアスペクト比で生成できます。さらに、ビデオコンテンツのブレンド、リミックス、再構成を可能にする機能も備えています。 ストーリーボードツールやループ機能も搭載され、ユーザーはビデオシーケンスを自由に編集・アレンジできます。 コミュニティ機能も充実しており、他のユーザーの作品を閲覧・共有することで、共同制作を促進します。

Sora Turboを利用するには、ChatGPT PlusまたはProのサブスクリプションが必要です。Plusプラン（月額20ドル）では月50回、Proプラン（月額200ドル）では月500回の高速生成が可能です。ただし、18歳未満のユーザーは利用できず、ChatGPT Team、Enterprise、Eduプランには含まれていません。また、現時点では、英国、スイス、欧州経済領域の一部地域では利用できません。

Sam Altman CEOは、Sora TurboをGPT-1をビデオに応用したような初期段階の技術と位置付けつつも、その可能性に大きな期待を示しています。 共同制作の容易さを強調し、今後の発展に注目が集まっています。

引用元: https://www.ndtv.com/world-news/ceo-sam-altman-openai-launches-sora-turbo-text-to-video-generato-for-plus-pro-users-7213580

X（旧Twitter）で、Aの作業は着手してほしいが、Bの作業は仕様変更の可能性があり着手する必要がないと指示したにも関わらず、「AとBの作業を完了しました」と報告されたという投稿が話題になっています。

投稿者は、Bの作業の完了条件が不明確なため、何をもって完了としたのかが不安だと述べています。さらに、Aの作業についても疑念を抱いています。

この状況に対する様々な意見が寄せられており、主な内容は下記の通りです。

この事例から、新人エンジニアは、以下の点を学ぶことができます。

この投稿は、エンジニアにとって、正確なコミュニケーションと明確な指示の重要性を改めて認識させる良い事例となっています。

引用元: https://togetter.com/li/2479248

（株式会社ずんだもんは架空の登場組織です）

UbieのQAエンジニアは、React Nativeアプリ開発におけるフロントエンドテスト不足という課題を解決するため、LLM(大規模言語モデル)を活用した不具合分析とテスト戦略立案を行いました。 既存のアプリコードではバックエンドテストは充実していましたが、フロントエンドテストが不足していたため、リリース前に多くの不具合が発見され、迅速な開発を阻害していました。

まず、2ヶ月分のJira不具合データをCSV化し、Anthropic社のClaudeを用いて分析を行いました。 「ゴールシークプロンプト」と呼ばれる手法で、AIと対話しながら不具合分析に最適化されたプロンプトを作成。 これにより、不具合の要因カテゴリ、件数、発生工程、改善方針案を自動的に分類・整理することができました。 分析には約2.5時間かかり、UI/UX関連の不具合が約32%を占めることが判明しました。

その結果、ユニットテストとインテグレーションテストの導入により、約58%の不具合を開発早期段階で防げる可能性があると結論づけられました。 この分析結果を元に、「Testing Trophy」の概念に基づき、インテグレーションテストからテスト拡充を進める戦略を決定しました。 AIによる試算では、短期的にリードタイムが10%増加するものの、中長期的には1リリースあたり15%の短縮が見込まれるとのことです。

LLM活用によるメリットは、客観的なデータに基づく迅速な意思決定、低コストでの分析、新たなLLM活用方法の発見などです。 分析結果の共有後、開発チームは積極的にテスト実装に取り組み始め、組織文化の変化にも繋がりました。 この成功事例は、LLMが開発ツールとしてだけでなく、組織の意思決定プロセスや文化変革を促進する強力なツールとなり得ることを示しています。 今後は、E2Eテストの最適化、不具合分析駆動での改善サイクル確立などを進めていく予定です。

引用元: https://zenn.dev/ubie_dev/articles/6b73f18420861f

React19で導入された新しいフックuseOptimisticは、サーバーレスポンスを待つことなくUIを更新する「楽観的UI更新」を実現します。このフックを使うことで、ユーザーは操作後すぐにUIの変化を確認でき、よりスムーズな体験を得られます。

useOptimisticはinitialState（初期状態）とオプションのreducer関数（状態更新ロジック）を引数に取り、楽観的な状態と状態更新関数を返します。 reducer関数は状態更新の仕方を制御します。

記事では、useOptimisticを非同期処理と組み合わせたフォームの例が示されています。フォームのaction属性に非同期関数を指定し、useOptimisticで楽観的な更新を行うことで、送信処理完了前にUIを更新できます。ただし、サーバーレスポンスとUIの状態が一致しない可能性や、エラーハンドリングの必要性に注意が必要です。

内部実装では、updateReducerImpl関数が状態の更新と再計算に重要な役割を果たしています。useOptimisticはuseReducerと似た仕組みですが、レンダーフェーズでの更新をサポートせず、passthrough値の更新によって楽観的な状態がリセットまたは再計算される点が異なります。

useOptimisticとuseStateの違いは、レンダーフェーズでの更新の可否と、passthrough値の扱い方です。useOptimisticはpassthrough値の変更で状態が再計算されるのに対し、useStateはそうではありません。

複数回の連続したユーザーアクションには、送信ボタンの一時的な無効化やローディング状態の表示など、適切な対策が必要です。 useTransitionやstartTransitionと併用することで、よりスムーズなユーザーエクスペリエンスを提供できます。

useOptimisticは強力なツールですが、エラーハンドリング（例えばErrorBoundaryの使用）と状態管理を適切に行うことが重要です。 サーバーレスポンスとの整合性にも注意が必要です。

引用元: https://qiita.com/kahirokunn/items/929193a4621ab49ac10a

（株式会社ずんだもんは架空の登場組織です）

OpenAIは、約10ヶ月前に技術プレビューを行ったAIビデオ生成システム「Sora」をリリースします。Soraはテキストプロンプトから最大20秒の長さのリアルなビデオを生成できます。複数のバリエーションも出力可能です。 ChatGPTの有料ユーザー向けに、米国とその他の市場で月曜日に提供開始予定です。 これは、高品質なビデオ生成AIツールを提供するスタートアップが増える中、OpenAIが競争力を維持するための重要な一歩となります。

引用元: https://news.bloomberglaw.com/ip-law/openai-to-release-long-anticipated-sora-video-generation-service

この記事は、AWS LambdaやECS Fargateの一部で使用されている軽量仮想化技術「Firecracker」について解説しています。Firecrackerは、従来の仮想化技術が抱えていたセキュリティと互換性のトレードオフ、及び固定サイズVMへの効率的なワークロード配置の困難さを解決するために開発されました。

Firecrackerの設計要件は、高い隔離性、少ないオーバーヘッドと高密度な実行、ネイティブ実行と同等の性能、高い互換性、高速な切り替え、ソフト割り当てです。これを実現するため、Rust言語で開発され、起動時間約125ミリ秒のMicroVMを採用しています。

Firecrackerのアーキテクチャは、RestAPIを介してFirecracker Orchestratorがリソース管理を行い、Seccompフィルタ、Jailerプロセス、KVMを利用したゲストOSのサンドボックス化によって高いセキュリティを実現しています。

MicroVMの軽量化は、カーネルの直接ロード、mmapによる効率的なメモリ管理、KVMによるvCPU管理、Seccompによるシステムコール制限、最小限のVirtIOデバイスの使用によって達成されています。 記事では、Firecrackerのコード例の一部と、APIサーバ初期化、microVM構築と起動、イベントループ管理、メトリクス収集といった起動時の動作についても解説しています。

要約すると、Firecrackerは、軽量性、高速性、安全性に優れたMicroVM技術であり、AWS Lambda等のサーバーレスアプリケーションを支える重要な基盤技術と言えるでしょう。 記事ではFirecrackerのGitHubリポジトリへのリンクも掲載されていますが、詳細は割愛します。

引用元: https://tech-blog.abeja.asia/entry/advent-2024-day09

この記事は、Webサーバの仕組みをPythonで実装しながら解説したものです。著者は株式会社iimonのSREエンジニアです。

まず、シンプルな反復モデルのWebサーバを実装します。これは、socketを用いてリクエストを受け付け、レスポンスを返す基本的な仕組みです。 このモデルでは、システムコール、ファイルディスクリプタといった低レベルな概念にも触れられています。ファイルディスクリプタは、プロセスがファイルやソケットなどのリソースを扱うための識別子であり、open()、read()、write()といったシステムコールを通じて操作します。

次に、反復モデルの問題点として、並列処理ができないため、IOバウンドな処理（例：2秒間のsleep）があるとレスポンスタイムが著しく悪化する点を指摘します。そこで、マルチプロセスによる並行処理を実装します。具体的には、prefork workerモデルを採用し、事前に複数のワーカープロセスを生成することで、リクエストごとにプロセスを生成するオーバーヘッドを削減します。multiprocessingモジュールを用いた実装例が示されています。

さらに、マルチプロセスモデルの課題として、コンテキストスイッチのコストやメモリ消費量の増加を挙げ、IOバウンドなタスクが多いWebアプリケーションでは、マルチスレッドやイベント駆動モデルの方が効率的であると説明します。

イベント駆動モデルでは、非同期I/Oを用いて、IO操作の完了を待つことなく、他のリクエストを処理できます。asyncioを用いたシングルスレッドの非同期サーバを実装し、100並列リクエストでもレスポンスタイムがほぼ2秒に収まることを示し、その効率性を確認しています。

最後に、CPUリソースを最大限に活用するためには、イベント駆動モデルとスレッドプール、またはprefork workerモデルを組み合わせることが有効だと結論づけています。 記事では、GitHubリポジトリにサンプルコードが公開されています。

引用元: https://tech.iimon.co.jp/entry/2024/12/09

この記事は、バーチャルYouTuber「ずんだもん」に関連するインターネット上の現象、「ずんだどん」の誕生と拡散について解説しています。

発端は、Twitterユーザー「霧隠サブロー＝メキシカン忍者先生」がエイプリルフールに投稿した、身長198cm、体重160kgの巨漢妖怪「ずんだもん」の設定ツイートです。このツイートが、Google検索等で「ずんだもんの身長」を検索した際に、公式設定がないため、AIが誤ってこのツイートを引用するようになりました。

この誤った情報に基づいて、多くの二次創作作品が制作され、巨漢ずんだもんは「ずんだどん」という新たな名前でインターネット上で拡散。当初は「めしを食うでごわす！」というセリフと共に、他人の家に上がり込んで冷蔵庫を漁るという設定でしたが、二次創作を通じて、より親しみやすいキャラクターへと変化していきました。

元絵を描いた「味噌グラム」氏は、二次創作や転載を許可しており、この現象を「ネット創作」として肯定的に捉えています。 「ずんだどん」は、AIの誤認識とユーザーの創作活動が組み合わさり、新たなインターネット文化を生み出した好例と言えるでしょう。 この現象は、インターネット上の情報拡散と二次創作の力、そしてAIの潜在的な影響を改めて示す出来事として注目されています。

引用元: https://togetter.com/li/2477919

（株式会社ずんだもんは架空の登場組織です）

KAI-YOUの記事によると、YouTubeチャンネル「遷移圏見聞録」が注目を集めています。このチャンネルでは、架空の異世界「遷移圏」の市場での人魚の解体や祭りなど、奇抜で不思議な光景がショート動画や長尺動画で紹介されています。

投稿者のナカムラさんへのインタビューによると、このVlogは「見知らぬ別世界は、意外と身近なところにある」というメッセージを伝えたいという思いから始まりました。 日常の中に潜む、私たちが気づいていない「異世界」を発見するきっかけを提供したいというナカムラさんの想いが込められています。

動画制作においては、観光地のような定番の場所だけでなく、土地に根付いた人々の暮らしや考え方にも焦点を当て、普通の旅Vlogとは異なる視点で遷移圏の魅力を発信することに力を入れているとのことです。 異なる文化や価値観に触れることで、視聴者の既成概念を打ち破り、新たな視点を得られるような内容を目指している点が特徴的です。

今後は、YouTubeだけでなく、様々な媒体を通じて、より多くの人に「遷移圏」の世界観を体験してもらえるような展開を目指しているそうです。

引用元: https://kai-you.net/article/91148

Metaが公開した多言語対応の大規模言語モデルLlama 3.3 70Bについて解説します。本モデルは、Transformerアーキテクチャを採用し、15Tトークン以上のデータで事前学習、教師あり学習(SFT)と人間のフィードバックによる強化学習(RLHF)で微調整されています。パラメータ数は70B、コンテキスト長は128k、対応言語は英語、ドイツ語、フランス語、イタリア語、ポルトガル語、ヒンディー語、スペイン語、タイ語の8言語です(日本語非対応)。

本モデルの大きな特徴は、安全性に重点を置いた開発です。悪意のある利用を防ぐための様々な対策が講じられており、Llama Guard 3、Prompt Guard、Code Shieldなどの保護機能が提供されています。また、倫理的な配慮として、「オープンであること」「多様性を受け入れること」「役に立つこと」を重視し、幅広いユースケースへの対応を目指しています。ただし、不正確な出力やバイアス、不快な応答の可能性も存在するため、アプリケーション公開前には十分な安全性テストとチューニングが必要です。

記事では、Hugging Face、Ollama、MLXを用いたLlama 3.3 70Bの実行方法も解説されています。Hugging Faceを用いる場合、Metaの利用規約への同意が必要です。また、各プラットフォームでの実行には、モデルのダウンロード(最大約200GB)が必要となります。推論速度は、モデルサイズと使用するプラットフォームによって大きく異なります。記事では、Transformers、Ollama、MLXを用いた実行例と、それぞれの実行速度、メモリ使用量、出力結果などが示されています。4bit量子化を用いたOllamaやMLXは、メモリ消費量の削減に効果的です。

記事全体を通して、Llama 3.3 70Bの高い性能と安全性への取り組み、そして様々な実行環境での使用方法が詳細に解説されています。新人エンジニアにとっても理解しやすいよう、図表やコード例を交えながら説明されているため、LLMの活用を検討する上で非常に参考になります。

引用元: https://note.com/schroneko/n/nc7fc17e359a3

Google DeepMindが開発したAI天気予報モデル「GenCast」が、従来の予測システムを凌駕する精度を達成しました。2019年のデータを用いたテストでは、世界トップクラスの予測モデルであるECMWFのENSシステムを97.2%の確率で上回ったことが、Nature誌に掲載された研究で発表されました。

GenCastは1979年から2018年の気象データで学習した機械学習モデルです。大気物理の複雑な方程式を解く従来のモデルとは異なり、過去のデータのパターンを認識して予測を行います。特に台風経路の予測では、平均12時間もの早期警戒が可能になり、最大15日先までの極端気象や風力発電量の予測でも高い精度を示しました。

ただし、GenCastはENSの旧バージョンとの比較であり、現在ENSはより高解像度で運用されている点を考慮する必要があります。また、GenCastは12時間間隔での予測であるのに対し、従来モデルはより短い間隔で予測を行うため、実用面での違いも存在します。

それでも、GenCastは従来モデルよりも計算効率に優れ、単一のGoogle Cloud TPU v5で15日間の予測をわずか8分で生成できます。これは、エネルギー消費量の多いAIデータセンターの環境負荷軽減にも繋がる可能性があります。

DeepMindはGenCastのコードをオープンソースとして公開しており、今後、従来モデルと併用することで、より正確で迅速な天気予報の実現に貢献すると期待されています。 気象学コミュニティ全体がAI予報を完全に受け入れているわけではありませんが、GenCastは天気予報の進化における重要なマイルストーンであることは間違いありません。

引用元: https://www.theverge.com/2024/12/7/24314064/ai-weather-forecast-model-google-deepmind-gencast

（株式会社ずんだもんは架空の登場組織です）

入力されたテキスト「Just a moment…」は、OpenAIのAPIへのリクエストが処理中であることを示す一時的な応答です。具体的な情報や内容がなく、要約するべき内容がありません。 そのため、このテキストに関する要約は作成できません。

引用元: https://openai.com/index/introducing-chatgpt-pro/

Googleが、画像とテキストを処理できるVision Language Model、PaliGemma 2を発表しました。これは、前身のPaliGemmaの後継モデルで、画像エンコーダーにはSigLIP、テキストデコーダーにはGemma 2を採用しています。

PaliGemma 2は、パラメータ数が30億、100億、280億の3種類のモデルが提供され、入力解像度も224x224、448x448、896x896と柔軟な選択肢が用意されています。これは、様々な用途や計算リソースに合わせて最適なモデルを選択できることを意味します。前モデルでは30億パラメータのモデルしかなかったことを考えると、大きな進歩です。

これらのモデルは、様々な下流タスクへのファインチューニングを容易にするために設計されています。Googleは、DOCCIデータセットを用いてファインチューニングしたモデルも公開しており、長文でニュアンスに富んだキャプション生成能力の高さを示しています。

Hugging Faceのエコシステムと統合されており、transformersライブラリを使って容易に利用できます。ファインチューニングのためのスクリプトも提供されているため、独自のデータセットを用いたモデルの学習も容易です。 また、4bit量子化を用いた推論もサポートしており、計算資源の少ない環境でも利用できます。ただし、量子化による精度低下は、使用するタスクやデータセットによって異なるため、事前に確認することをお勧めします。

本モデルは、WebLI、CC3M-35L、VQ2A、OpenImages、WITといった大規模な画像テキストデータセットで事前学習されています。そのため、比較的少ないデータ量でも、様々なビジョン言語タスクへのファインチューニングが可能です。

様々なサイズのモデルと解像度の選択肢、そして容易な利用性とファインチューニングの容易さから、PaliGemma 2は、様々なビジョン言語タスクに取り組む日本のエンジニアにとって非常に有用なツールとなるでしょう。 公開されているリポジトリやスクリプト、デモなどを活用して、ぜひPaliGemma 2を試してみてください。

引用元: https://huggingface.co/blog/paligemma2

この記事は、Linuxシステムの速度低下の原因を特定するのに役立つ5つのコマンドを初心者エンジニア向けに解説しています。システムが遅くなった原因を特定し、パフォーマンスを改善するために役立つでしょう。

紹介されているコマンドは、iostat, iotop, dstat, sar, smartctl の5つです。それぞれのコマンドは、システムのCPUやI/O（入出力）の統計情報を表示し、ボトルネックとなっている箇所を特定するのに役立ちます。

iostat は、CPUとI/Oの統計情報をデバイスとパーティションの両方について報告します。%util（ディスク使用率）、await（I/Oリクエスト完了待ち時間）、svctm（I/Oリクエスト平均処理時間）の3つの指標に注目し、ボトルネックを特定します。

iotop は、iostatと同様にI/O統計情報を表示しますが、リアルタイムで表示される点が異なります。ディスク読み書き速度の高いプロセスを特定し、問題の原因となっているプロセスを特定できます。

dstat は、iostatとiotopの両方の特徴を併せ持ちます。詳細な情報をリアルタイムで表示し、ディスク読み書き速度や待ち時間などを確認できます。オプションを使用することで、表示する情報を絞り込むことも可能です。

sar はシステムアクティビティーに関する情報を収集・レポート・保存します。CPU使用率やI/O待ち時間などを表示し、特定のコアに問題がないか確認できます。オプションの指定が必要で、コマンドの使い方が少し複雑です。

smartctl は、ハードドライブの状態を確認するコマンドです。Reallocated_Sector_Ct（再割り当てセクター数）とSeek_Error_Rate（シークエラー率）の値に注目し、ハードドライブの故障の可能性を調べます。

これらのコマンドは、sysstatパッケージに含まれている場合があり、そうでない場合は、apt-get (Ubuntu系) や dnf (Fedora系) コマンドでインストールできます。各コマンドの詳細については、manコマンド（例: man iostat）で確認できます。 記事では各コマンドの具体的な使い方については詳細な説明は省かれていますので、必要に応じてmanコマンドなどを参照して活用してください。

引用元: https://japan.zdnet.com/article/35226862/

（株式会社ずんだもんは架空の登場組織です）

OpenAIと防衛技術企業Andurilが12月4日に提携を発表しました。この提携により、AndurilはOpenAIの高度なAIシステムを「国家安全保障任務」に利用できるようになります。

これは、AI企業が軍事利用に関する禁止を撤回し、防衛産業大手と提携する、物議を醸す広範なトレンドの一部です。 先月には、AnthropicとPalantirがAWSと提携し、米国情報機関や国防総省にAnthropicのAIシステムへのアクセスを提供すると発表しています。

今回のOpenAIとAndurilの提携は、主に無人航空機に対する防御システムの向上に焦点を当てています。具体的には、リアルタイムでの脅威の検知、評価、対応能力の向上を目指します。 OpenAIは、AIモデルを活用することで、時間制約のあるデータの迅速な分析、人的負担の軽減、状況認識の向上を図ると説明しています。

ただし、この提携は、AI技術の軍事利用に関する倫理的な懸念を再び浮き彫りにしています。OpenAIは、AIシステムを他者を傷つけるために使用することを禁じるという方針を堅持しているものの、軍事利用に関する具体的な禁止事項は既に削除されています。 過去には、GoogleのProject Mavenや、Microsoft、Amazonの軍関連契約を巡って、従業員からの反対運動が起こった経緯があります。 今回のOpenAIとAndurilの提携は、AI技術の軍事利用における複雑な倫理的課題を改めて示す事例と言えるでしょう。

引用元: https://www.cnbc.com/2024/12/04/openai-partners-with-defense-company-anduril.html

Google DeepMindが開発した「Genie 2」は、エージェントの訓練と評価のための多様な3D環境を無限に生成できる基盤となるワールドモデルです。単一の画像プロンプトから、人間またはAIエージェントがキーボードとマウスで操作可能な、インタラクティブな3D環境を生成します。

従来、現実世界のエージェントを訓練するには、多様な環境データが不足していましたが、Genie 2は、Imagen 3で生成された画像をプロンプトとして使用することで、テキストによる世界描写からインタラクティブな3D環境を生成します。 生成された環境では、オブジェクトの相互作用、複雑なキャラクターアニメーション、物理法則などが再現され、最大1分間の継続的なシミュレーションが可能です。

Genie 2は、カウンターファクチュアルな体験のシミュレーションや、視界から外れた部分の記憶と再現、様々な視点からのレンダリング（一人称視点、アイソメトリックビューなど）といった機能も備えています。さらに、煙や水、重力、光、反射といった物理現象もモデル化できます。

実世界の画像からもプロンプトとして利用でき、風による草の揺れや川の流れる様子なども再現可能です。 これにより、研究者は多様なインタラクティブな体験を迅速にプロトタイプ化し、様々な環境でAIエージェントを訓練・評価できます。 また、概念アートやスケッチからインタラクティブな環境を生成することで、クリエイティブなワークフローの革新にも繋がります。

Genie 2は、大規模なビデオデータセットで訓練された自己回帰型潜在拡散モデルであり、オートエンコーダとトランスフォーマーダイナミクスモデルを用いています。推論時には、フレームごとに個々のアクションと過去の潜在フレームを受け取り、自己回帰的にサンプリングされます。分類子フリーガイダンスを用いることで、アクションの制御性を向上させています。

本研究はまだ初期段階であり、エージェントと環境生成能力の両方に改善の余地がありますが、Genie 2は、AGIへの進歩に必要な広さと汎化性を達成しつつ、安全にエンボディッドエージェントを訓練するという構造的問題解決への道筋を示しています。 Google DeepMindは、Genie 2が、より汎用的なAIシステムとエージェントの開発に貢献すると考えています。

引用元: https://deepmind.google/discover/blog/genie-2-a-large-scale-foundation-world-model/

このワークショップは、生成AIアプリケーションの信頼性ある開発を目的とした実践的なテストとCI/CDパイプライン構築に関する内容です。従来のソフトウェアテストとは異なり、AIの応答の良し悪しを客観的に評価する手法が課題となります。

本ワークショップでは、手動レビューに頼るのではなく、別のAIモデルを評価者(ジャッジ)として用いることで、応答の受容基準を明確化し、再現可能なテストプロセスを構築する方法を学びます。 Helix.mlのテストフレームワークを用いて、YAMLでテスト仕様を記述し、GitHub ActionsやGitLab CIへの統合、自動デプロイまでを網羅します。

ワークショップでは、以下の3種類のAIアプリケーションを例に、様々なテストの課題と解決策を学びます。

GitHubリポジトリhttps://github.com/helixml/testing-genaiには、ワークショップで使用されたコードとサンプルが公開されています。 ただし、使い方等の詳細はリポジトリを参照ください。 本要約では概要と制約事項のみを記述しています。

ワークショップは毎週月曜日に開催され、参加登録はhttps://mlops-l.ink/helix-workshopから可能です。 個別ワークショップも対応可能ですので、[email protected]までお問い合わせください。

引用元: https://blog.helix.ml/p/building-reliable-genai-applications

（株式会社ずんだもんは架空の登場組織です）