はじめに こんにちは！今回は、私が最近開発した tfmcp というツールを紹介します。これは Terraform を LLM（大規模言語モデル）から操作できるようにするツールで、Model Context Protocol (MCP) を活用しています。 github.com このブログが良ければ読者になったり、GitHub リポジトリにStarをいただけると開発の励みになります。より良いツール開発のためのフィードバックもお待ちしています！ MCP とは何か？ 記事を始める前に、まず MCP (Model Context Protocol) について簡単に説明しましょう。MCP についてより詳しい情報は、公式ドキュメント modelcontextprotocol.io や Anthropic の Model Context Protocol に関する記事 を参照してください。 MCP は

Scrum Fest Fukuoka 2025

こんばんは、座禅いぬです。 JAWS DAYS 2025に参戦してきました！会場前にいたコツメカワウソの赤ちゃんがとてもかわいかったです。 さて、Deep Researchのサービスが始まってから、たくさんの人が自分の使い方を編み出して解説していると思いますが、自分の使い方をまとめたかったのでここに載せておきます。これ、とんでもない機能ですよね。使ってみてすぐ、人類はもう生成AIに勝てないなと思いました。 一言でいうと、調べたいもの、考えたいことに対して「論文を書く」というフレームワークを構築します。論文の構造はいろいろあると思いますが、理系論文の流れをフレームワークととらえ、生成AIに思考しやすい形を作ります。 背景：なぜ論文という枠組みが良いのか 論文は次のような流れを持ちます。 背景 (Introduction) 目的 (Objective) 材料と方法 (Methods) 結果 (

では、それぞれ見ていきましょう。 arXiv AI/ML関連における一次情報源として欠かせないのがarXivです。 しかし、最近はプレプリントの投稿数が爆発的に増加しており、そのままarXivを見に行くとノイズが多すぎて、本当に価値のある論文を見つけるのが難しくなっています。 学会のトップ論文をチェックするという手もありますが、査読プロセスを経るため情報がどうしても遅くなりがちです。 そこで役立つのが、新鮮な論文を適度にキュレーションしてくれるサービスです。ここでは特におすすめの3つを紹介します。 Hugging Face - Daily Papers AI界隈で有名なAKさんをはじめとするHugging Faceのメンバーが、arXivから毎日厳選した論文リストを公開してくれているサービスです。 土日はお休みしていますが、平日は結構な量（多い日だと40本程度）の論文が選定されています。こ

こんにちは、ニケです。 皆さん、AITuber 開発していますでしょうか？ AITuber、最近よく聞く言葉ですね。 面白そうだけどどこから始めればよいか分からない、という方も多いと思います。 というわけで今回は、AITuberという分野に興味を持っている方のために、できるだけ簡単にAITuberの作り方について解説していこうと思います。 具体的に「Youtubeのライブチャットに反応してキャラクターが応答を返すAITuber」を作成します。 下記が完成版のサンプルです。 なお、非エンジニアの方でも理解できるように、今回は仕組みの説明に注力し、コードの中身は解説しません。 動作コードはほぼ1つのファイルに収まっているため、コードに興味がある方は、ChatGPTにそのままコピペして解説してもらうと良いでしょう。コードは後ほど共有します。 ちなみに簡単に自己紹介すると、私は普段 AITuber

70代半ばの両親が2人で暮らす「物が多すぎる実家」をどうするべき？ 老後の住まいの専門家に聞いた #老後の住まい#老後も楽しむ 公開日 | 2025/02/18 更新日 | 2025/02/18 私は大阪に住んでいて、70代半ばの両親は東京で暮らしている。幸い二人とも元気で、自営業の父の仕事を母が手伝う形で現在も働いている。父いわく、80歳になるまでは仕事を続けたいらしい。元気で働いていてくれるのはいいことなのだが、やはり子どもの立場から見ると、親が年を重ねるにつれて生活のあらゆる面で不安が増す。 この「tayorini」では、これまでさまざまな形で「親の老後」のあり方についての取材記事を書いてきた。今回は「高齢の親の住環境」をテーマにしてみたいと思う。 というのも私の両親は、昔から口ぐせのように「老後は広い家でのんびり暮らしたいなー」といったことをつぶやいているのだ。今の家は長年住み続け

※この記事は「AI Agent Hackathon with Google Cloud」向けに開発したAIエージェントの説明のために作成したものです。 前書き 現代のソフトウェア開発組織では、素早く高頻度で機能追加・改善していくことが求められると同時に、LLMの時代においてはAIによる利活用を見据えて 「ドキュメンテーション」の重要性が高まってきています。 しかし、「包括的なドキュメントよりも動くソフトウェアを[1]」重視するアジャイル開発を実践する中で、 忙しない日々の中でどうしても残すべきドキュメントを残せない 過去に書いたドキュメントの古い内容がアップデートされず放置されていて当てにならない という組織も少なくないと思います。 きっと今日もどこかの組織のSlackでは、他の部署や開発チームから仕様確認の問い合わせが寄せられ、それらに人手で回答する努力が積み重ねられていることでしょう（

はじめに：Deep Researchの衝撃 openai.com 先日、ChatGPTの「Deep Research」という機能がProユーザー向けに提供されました。 Deep Researchは、オンライン上の情報ソースからデータを検索し、詳細なレポートを作成してくれる「リサーチエージェント（アシスタント）」と呼ばれるものです。 実は、ChatGPTに先駆けてGoogleのGeminiにも同名の機能が存在していたり*1、Perplexity AIにも検索結果と応答から詳細なレポートを生成する機能がすでに提供されていました*2。 さらにさかのぼると、LangChainユーザーの間ではGPT Researcherという類似のツールとして知られているかもしれません。 私自身は『その仕事、AIエージェントがやっておきました。』という本を通じて、このようなリサーチエージェントの存在を知りました。

ゆで卵の最適な作り方を科学的に突き止めたとの論文を、イタリアの研究チームが6日付で国際学術誌に発表した。100度の熱湯と30度の水を用意し、殻付きの生卵を交互に2分ずつ計16回浸すというもの。他の調理法より栄養価が高く、食感も優れているといい「周期調理」と命名している。チームによると、黄身は約65度、白身は約85度で固まるため、100度で固ゆですると黄身が粉っぽくなる。ゆで時間の短い半熟卵は黄

自動車業界の歴史を塗り替えると期待されたホンダと日産の経営統合協議、「破談」となりました。協議打ち切りの背景にあったのは日産の“プライド”でした。ホンダ　三部敏宏 社長（去年12月）「率直に申し上げれ…

パナソニックホールディングス（HD）は4日、傘下で家電事業や電設資材などを手がける「パナソニック」を2025年度中に解散し、HD傘下に事業ごとに再編した子会社を設立すると発表した。オンラインで記者会見した楠見雄規社長は「経営改革が必要と判断した」と話した。 同時に発表した24年4～12月期連結決算は、純利益が前年同期比27・8％減の2884億円だった。関連子会社の解散に伴う法人税負担の減少により利益を押し上げていた前年同期の反動減が出た。 売上高は1・6％増の6兆4038億円だった。電気自動車（EV）用電池事業は国内工場の減産などで減収だったが、IT関連分野や生成人工知能（AI）サーバー向けの製品が好調だった。EV用の電池工場が米インフレ抑制法の支援対象となり、10～12月は補助金388億円が支給された。 25年3月期の連結業績予想は、売上高を従来の8兆6千億円から下方修正し、前期比2・3

前提 この記事では、「Symbolic Knowledge Distillation: from General Language Models to Commonsense Models」という論文で提案されている 記号知識蒸留 を、ローカルLLMで日本語で実験する。 詳細 知識蒸留 (Knowledge Distillation) とは、大きなモデル (教師) から小さなモデル (生徒) に知識を転送する手法である 具体的には、LLMの蒸留と言えば、大きなモデルが出力する確率分布（ソフトターゲット）を利用して、小さいモデルを学習させる手法が用いられていた しかし、本論文では、「象徴的」な知識蒸留として、単に数値的な蒸留ではなく、 テキスト (symbolic knowledge) の形で知識を抽出し転送すること を提案している 必要な知識と開発環境 ollamaとPythonとLang

概要 開発者向けの AI ツールは数多くありますが、その中で「Cody」は 無名ながらも知る人ぞ知る優れたプロダクトです。私が普段いるAI技術者コミュニティでは密かに絶大な支持を集めていますが、SNSなどでの一般的な知名度はほとんどないため、ここで紹介します。 Cody は無料プランが圧倒的に強い他、課金プランも、GitHub Copilot、Cursor、ChatGPT と比較して機能性で大きく抜きん出ています。私はすでに半年課金愛用していて、おそらく来年も愛用するでしょう。 Cody とはなんぞや Cody くんは、VSCode や、JetBrains IDEs、Neovim、Eclipseなどのコードエディタの拡張機能として使えるコーディング補助 AI ツールです。 他の生成 AI コードツールと同様に、AI コード補完とAIチャットがあります。 なぜ Cody がおススメなのか C

ShellCheckはシェルスクリプトの静的解析ツールだ。文法エラー、バッドプラクティス、セキュリティリスクを指摘してくれる。チェック内容はWikiをみてほしい*1。 www.shellcheck.net はじめの一歩 Macの場合はbrew install shellcheckでインストールできる。早速以下のシェルスクリプトに対して解析をかけてみる。 #!/bin/bash echo "Deleting files in $DIR..." rm -rf $DIR 解析はshellcheck vulnerable.shで実行する。結果、以下のように表示される。 GitHub Actions 次にこれをGitHub Actions*2で解析することを考える。実はGHAにはデフォルトでShellCheckが装備されている。 なので、GHAでシェルスクリプトを実行する前に静的解析をかければ良い。

TL;DR (要約) AI Agent Hackathon with Google Cloud に応募するため、Geminiを用いたAIエージェントによる企業調査Webサービスを開発しました。 約500万社の企業に対応。法人向けサービスに比べ1/100のコストでデータ取得 企業調査を、AIエージェントがわずか3分で完了させます。人力に比べて97%の時間削減。 実例: トヨタ自動車株式会社 で、精度と網羅性を確認できます。 サイトでスグに試せる: 3分で企業調査 にアクセス 技術詳細: GitHub で実装を公開 はじめに Zenn初のオンラインハッカソン、テーマは「AIエージェント」。GeminiのAIエージェントによる企業調査Webサービスを開発しました。このサービスは、仕事で不可欠な企業調査を、AIエージェントで革新的に効率化します。さらに、他サービスと比較して低コスト、同等以上の価値

「DeepSeek-R1」の概要をまとめました。 1. DeepSeek-R1「DeepSeek-R1」は、「DeepSeek」が開発した、オープンで高性能なReasoning能力を持つ大規模言語モデルです。2025年1月に発表され、OpenAIのo1と同等の性能を持つとされています。 ・deepseek-ai/DeepSeek-R1 特徴は、次のとおりです。 ・強力なReasoning能力 強化学習を用いた革新的なアプローチにより、特に数学や科学的推論において優れた性能を発揮。 ・オープン MITライセンスのもとで提供さている。 ・低コスト API価格が「OpenAI o1」の25分の1以下と、非常に低価格で利用できる。 ・長いコンテキスト長 最大128Kトークンのコンテキストを扱えるため、長文の処理や要約に優れている。 Webサイトと API が現在公開されています。今すぐ http:

AIAgentToolkit.xyzA curated list of AI agent frameworks, launchpads, tools, tutorials, & resources.

当ニュースレターは2023年を「SaaSがオワコン化した年」と位置づけたが、2024年は早くもAIが終わった一年であった。少なくとも大規模言語モデル（LLM）そのものの発展を、物珍しそうに追いかける時期は過ぎた。生成AIが今後どこまで賢くなるかはもちろん未知数である。しかし、既に業務で十分に役立つレベルにある現行モデルのコストが今後も下がっていくことは確実だ。 The cost of GPT-4 APIs at launch in Mar 2023 was roughly ~$30 per 1m tokens. Seeing Deepseek V-3 APIs at ~$1 per 1m tokens today. For AI application companies, cost of "intelligence" is falling significantly faster tha

はじめに この記事は2024年12月に終了したEedi - Mining Misconceptions in Mathematicsの上位解法をまとめたものです。私もこのコンペに参加しており結果はメダル圏外となってしまいましたが、解法の至る所にLLMが用いられており非常に学びの多いコンペであったと感じています。この記事では上位解法をまとめることで本コンペの集合知を共有できればと考えています。 コンペ概要 タスク 数学的な質問(Question)に対して1つの正解(Correct Answer)と3つの不正解(Incorrect Answer)で構成される多肢選択問題が与えられ、不正解の背景にある誤解(Misconception) を予測することが本コンペのタスクです。 例えば下記の例でBの13という選択肢を選んだ人は「四則演算の優先順位に関係なく左から右へ計算を実行する」という誤解があると

機械学習と数理最適化の融合パターン機械学習（ML）と数理最適化（MO）は、それぞれが強力な問題解決ツールですが、近年、互いの強みを活かす形で融合が進んでいます。この融合は、問題解決の新たな可能性を切り開くと期待されています。ここでは、MLとMOの融合を7つのパターンに分類し、それぞれの特徴を解説します。 1. ML -> MO (ML-first MO-second: ML先 MO後) このパターンでは、まず機械学習を用いてデータから予測や知見を獲得し、その結果を基に数理最適化問題を解きます。 例: 機械学習で需要予測を行い、その予測結果に基づいて生産計画の最適化問題を解く。 特徴: 機械学習が現実世界の複雑なパターンを捉え、最適化がその情報を用いて具体的な行動を決定します。 2. MO -> ML (MO-first ML-second: MO先 ML後) ここでは、まず数理最適化を用い