Sign up to save your podcasts
Or
Share 株式会社ずんだもん技術室AI放送局 podcast 20250110
Share to email
Share to Facebook
Share to X
Share to email
Share to Facebook
Share to X
Or
株式会社ずんだもん技術室AI放送局 podcast 20250110
関連リンク
この記事では、ローカルで動作するAIエージェント（CursorとRoo-Cline）を、実務規模のコードベースで試した結果を報告しています。
CursorはVSCodeベースのエディタで、エージェント機能が強化されています。Roo-ClineはVSCodeの拡張機能で、ClineというAIエージェントをフォークしたものです。
両エージェントともClaude 3.5 Sonnetモデルを使用し、テストコードの追加や既存コードの修正を試しました。
Cursorでは、テストコードの自動生成や、フロントエンドとバックエンドにまたがる機能の追加を、複数回の指示と修正で実現できました。
Roo-Clineでは、テストコードの生成を1回の指示で完了させ、フロントエンドの修正も試しましたが、既存コードの重複により、修正に手間取りました。
両エージェントとも、ローカルで動作するため高速で、コストも低いことが分かりました。Cursorは月額制で、Roo-ClineはAPI使用量に応じた従量課金制です。
結論として、AIエージェントは実務レベルで活用可能であり、特にローカルで動作するものは高速かつ低コストです。ただし、コンテキストの理解や、プロジェクトの知識、落とし穴への対応など、エンジニアの関与は不可欠です。
今後は、AIエージェントを使いこなす能力が、エンジニアの生産性を大きく左右する可能性があるでしょう。
引用元: https://zenn.dev/ubie_dev/articles/624c9034cc9b43
Perplexity Proは、無料版と比較して大幅に機能が向上した有料版AIチャットボットです。月額20ドルで、以下の点が強化されます。
特に、詳細な調査や研究を行う際に役立ちます。
Perplexity Proは、AIチャットボットを検索に活用したいユーザーにとって、非常に価値のあるサービスです。
引用元: https://www.makeuseof.com/why-perplexity-pro-subscription-worth-the-money/
PyTorchでのGPUメモリ使用量を可視化し理解するためのチュートリアルです。GPUメモリ不足のエラーに遭遇した際に、その原因を特定し対処するための知識を提供します。
PyTorch Visualizer
PyTorchのtorch.cuda.memoryモジュールを利用して、GPUメモリ使用履歴を記録し、profile.pklファイルとして保存できます。このファイルをhttps://pytorch.org/memory_vizで可視化することで、メモリ使用状況をグラフで確認できます。
メモリ使用の内訳
メモリ使用量の見積もり
GPUメモリ使用量の見積もりは、以下の要素を考慮する必要があります。
総メモリ使用量は、モデルパラメータ、オプティマイザの状態、勾配とオプティマイザ中間値の合計、またはアクティベーションのいずれか大きい方を足した値で近似できます。
アクティベーションの推定
アクティベーションの正確な見積もりは難しいですが、モデルのパラメータ数とアクティベーション数にはおおよその線形関係があります。この関係を利用して、モデルを実行せずにアクティベーションメモリを推定できます。
次のステップ
メモリ使用量を理解することで、メモリ不足を解消するための対策を立てることができます。TRLドキュメントのReducing Memory Usageセクションは、メモリ使用量を最適化するためのヒントを提供します。
引用元: https://huggingface.co/blog/train_memory
KaggleでチェスAIのコンペが開催されています。優勝賞金は$15,000と高額ですが、実行環境にはRAM5MiB、ファイルサイズは64KiBという厳しい制限があります。この制約下で動くAIを開発するのは非常に困難です。将棋AI開発者のドリームチームも参戦しており、記事投稿時点では暫定1位でしたが、上位陣は僅差です。コンペの最終投稿は2月11日、結果発表は2月25日の予定です。興味のある方はぜひ参加してみてください。
引用元: https://yaneuraou.yaneu.com/2025/01/03/a-high-prize-chess-ai-competition-is-starting-on-kaggle/
（株式会社ずんだもんは架空の登場組織です）
View all episodes
By 株式会社ずんだもん技術室AI放送局関連リンク
この記事では、ローカルで動作するAIエージェント（CursorとRoo-Cline）を、実務規模のコードベースで試した結果を報告しています。
CursorはVSCodeベースのエディタで、エージェント機能が強化されています。Roo-ClineはVSCodeの拡張機能で、ClineというAIエージェントをフォークしたものです。
両エージェントともClaude 3.5 Sonnetモデルを使用し、テストコードの追加や既存コードの修正を試しました。
Cursorでは、テストコードの自動生成や、フロントエンドとバックエンドにまたがる機能の追加を、複数回の指示と修正で実現できました。
Roo-Clineでは、テストコードの生成を1回の指示で完了させ、フロントエンドの修正も試しましたが、既存コードの重複により、修正に手間取りました。
両エージェントとも、ローカルで動作するため高速で、コストも低いことが分かりました。Cursorは月額制で、Roo-ClineはAPI使用量に応じた従量課金制です。
結論として、AIエージェントは実務レベルで活用可能であり、特にローカルで動作するものは高速かつ低コストです。ただし、コンテキストの理解や、プロジェクトの知識、落とし穴への対応など、エンジニアの関与は不可欠です。
今後は、AIエージェントを使いこなす能力が、エンジニアの生産性を大きく左右する可能性があるでしょう。
引用元: https://zenn.dev/ubie_dev/articles/624c9034cc9b43
Perplexity Proは、無料版と比較して大幅に機能が向上した有料版AIチャットボットです。月額20ドルで、以下の点が強化されます。
特に、詳細な調査や研究を行う際に役立ちます。
Perplexity Proは、AIチャットボットを検索に活用したいユーザーにとって、非常に価値のあるサービスです。
引用元: https://www.makeuseof.com/why-perplexity-pro-subscription-worth-the-money/
PyTorchでのGPUメモリ使用量を可視化し理解するためのチュートリアルです。GPUメモリ不足のエラーに遭遇した際に、その原因を特定し対処するための知識を提供します。
PyTorch Visualizer
PyTorchのtorch.cuda.memoryモジュールを利用して、GPUメモリ使用履歴を記録し、profile.pklファイルとして保存できます。このファイルをhttps://pytorch.org/memory_vizで可視化することで、メモリ使用状況をグラフで確認できます。
メモリ使用の内訳
メモリ使用量の見積もり
GPUメモリ使用量の見積もりは、以下の要素を考慮する必要があります。
総メモリ使用量は、モデルパラメータ、オプティマイザの状態、勾配とオプティマイザ中間値の合計、またはアクティベーションのいずれか大きい方を足した値で近似できます。
アクティベーションの推定
アクティベーションの正確な見積もりは難しいですが、モデルのパラメータ数とアクティベーション数にはおおよその線形関係があります。この関係を利用して、モデルを実行せずにアクティベーションメモリを推定できます。
次のステップ
メモリ使用量を理解することで、メモリ不足を解消するための対策を立てることができます。TRLドキュメントのReducing Memory Usageセクションは、メモリ使用量を最適化するためのヒントを提供します。
引用元: https://huggingface.co/blog/train_memory
KaggleでチェスAIのコンペが開催されています。優勝賞金は$15,000と高額ですが、実行環境にはRAM5MiB、ファイルサイズは64KiBという厳しい制限があります。この制約下で動くAIを開発するのは非常に困難です。将棋AI開発者のドリームチームも参戦しており、記事投稿時点では暫定1位でしたが、上位陣は僅差です。コンペの最終投稿は2月11日、結果発表は2月25日の予定です。興味のある方はぜひ参加してみてください。
引用元: https://yaneuraou.yaneu.com/2025/01/03/a-high-prize-chess-ai-competition-is-starting-on-kaggle/
（株式会社ずんだもんは架空の登場組織です）