GPTのo系モデルは何を考えている？ こんにちは、Wanderlustの森安です。 ここ最近、GPT-o1やo3といった“o系モデル”をはじめ、推論（Reasoning）能力に優れたLLMの登場が、実社会における生成AIの用途を一気に広げつつあります。 たとえば、複雑な計算や思考が求められるコーディング支援、ビジネスドキュメントの要約・検証、あるいは多段階の意思決定プロセスを含むエージェントシステム──これらの分野では、単に言語を生成するだけでなく、論理的に「考えられるモデル」であることが求められています。 このような高精度な推論を可能にするモデルの設計には、従来のようにパラメータを増やすだけでは対応しきれません。そこで近年注目されているのが、計算リソースの賢い使い方という視点です。 この記事でわかること この記事では、OpenAIのGPT-o3に代表される「o系モデル」の設計思想を読み解

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 機械学習モデルを作るとき、 「手元のデータにはピッタリなのに、新しいデータには全然使えない…」 そんな経験はありませんか？ これは『過学習』と呼ばれる問題で、 機械学習では常に「最適化」と「汎化」のバランスを取る必要があります。 この記事では、汎化性能が高い機械学習モデルを作るための具体的なポイントをまとめてご紹介します。 前提 訓練データに対する適合度 (Training Accuracy) と未知データに対する汎用性能 (Validation Accuracy) を評価するためには下記のようなグラフを作成しながら実験を進

製造業における異常検知の各種ユースケースとその実装に向けた具体的な理論を解説した本。異常検知を実装する人にも導入する人にもオススメの書籍です。 「異常検知…全製造業の夢なのでは…」 製造業におけるAI活用の最も有名なユースケースは「外観検査」と「異常検知」だと思っているのですが、その異常検知について、理論面含めて真正面から解説してくれる本がこの「まるごと学べる異常検知の実践知」。 実践と名がついているだけあり、詳細な理論だけではなく、製造業の現場における活用やユースケースまで丁寧に触れられている全431ページの力作です。 定価3600円なので若干値が張りますが、この情報量はオライリーだと余裕で5000円は超えてくるぐらいのボリュームだと思います。異常検知を実装する人もサービス導入する人にもどちらにも非常にオススメな書籍なので、このブログでは書評という形で内容を紹介させていただきます。 この

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? ───── 第0章　データと統計の考え方 ・データ分析の目的 ・母集団と標本 ・変数と尺度（名義・順序・間隔・比） ・説明変数と目的変数 ・統計と意思決定 ・研究の流れと研究計画 ──────────────────────── 第1章　データの整理と可視化 ・データの集計 ・度数分布表 ・ヒストグラム ・棒グラフ・円グラフ・折れ線グラフ ・クロス集計表 ・帯グラフ・モザイク図 ・時系列データ ──────────────────────── 第2章　代表値と散らばり ・平均・中央値・最頻値 ・四分位数 ・箱ひげ図 ・分散と標準偏差 ・

世間ではデータエンジニアリングが流行しており、エンジニアからは人気が出て、企業からはその能力が求められています。 データエンジニアは、データの収集、蓄積、分析、活用に必要なデータ基盤を構築・運用する職種です。データエンジニアとして活躍するためには、非常に幅広い知識と能力が求められます。 データベース プログラミング システム開発 クラウドサービス データ分析 etc……. 私は多少データエンジニアとして経験を積んできており、業務を行う上で読んで良かったと心から思える本があったのでこちらで紹介します。どなたかの一助になれば幸いです。 初級向けデータエンジニアリング 本ではありませんが、データエンジニアリングに必要な知識がスライドやPDFに綺麗にまとまっています。初めて学ぶ方には適しています。前半のデータエンジニアリングの箇所だけ参考にして下さい。（後半はAzure製品について記載されています

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 この記事では、私がこれまでXで発信してきたデータサイエンスに関わるさまざまな分野のチートシートを一挙にまとめました。前処理、可視化、機械学習、深層学習、ベイズ・統計、さらにはその他の関連トピックまで、私が作成したものからネット上のものまで多岐にわたる内容を網羅しています。 それぞれのセクションでは、実践的かつ即戦力となる情報が詰まったチートシートを紹介しており、初心者から上級者まで幅広い層に役立つ内容を目指しました。 日頃からX（旧Twitter）を通じて、データサイエンスに関する知識や役立つリソースを共有していますが、今回の

寺田 学（@terapyon）です。2025年10月の「Python Monthly Topics」は、データ検証ライブラリのPydanticを紹介します。 型安全とデータ構造 主題のPydanticの説明に入る前に、Pythonにおける型安全の考え方とデータ構造についておさらいしておきます。 型安全のための型ヒント Pythonは動的型付け言語です。型を宣言せずにコーディングすることができますが、型ヒントを書くことで型安全にコーディングできます。最近のPythonコードには型ヒントが書かれていることが多くなっているかと思います。 本連載（Python Monthly Topics）でも過去に型ヒント関係のトピックを扱っていますので、参照してください。 2022年9月：Python最新バージョン対応！より良い型ヒントの書き方 2024年11月：Python型ヒントの動向と新しい機能の紹介

こんにちは、Kaiです。 Codex、いい感じです。CLIとしても、VSCode拡張としても使えますし、指示追従性や大きい塊のタスクを渡したときの精度が高い気がします（定量評価していないので肌感ですが）。登場した当初は全然ダメと言われていたことを考えると、凄まじい進化速度です。 しかし、やはり色々使っていて思うのは、前にも書きましたが個別のアプリケーションやツールのノウハウに習熟するのではなく、もっと本質的なことにフォーカスすべきだという点ですね。例えば要求定義や要件定義、よい設計といった、モノを複数人で作るとはどういうことなのか、といった知見が、より重要性を増していくと感じます。 一方で、ツール自体も変質していくような気がします。VSCodeなどは、最初からAIと親和性が高かったので拡張という形でAIを取り込みましたが、他のクリエーションツールはAIネイティブなものが登場しリプレイスされ

AIを活用するフリーランサーは、時給ベースで最大22％多く稼げる可能性があることをご存じだろうか。Upworkの最新レポートによれば、AIスキルを持つフリーランサーは、従来型の雇用者よりも22％高い収入を得ているという。 Staffing Industry Analystsによると、みずからをフリーランサーと認識しているナレッジワーカーの約31％が、ChatGPTを以下の目的で使用しているという。 ・生産性を劇的に向上させる ・より高品質な成果物を提供する ・より多くの収益を得る もし今すぐ収益を上げ、1カ月以内に初のクライアントを獲得したいのであれば、以下に紹介する10のChatGPTプロンプトを活用することで、アイデア段階から初の有料案件までの立ち上げを加速できる。 高収入ビジネスを始めるためのChatGPTプロンプト10選（1） 私は○○というスキルを持っています。このスキルを活かし

2025年の新卒研修の資料です。

“AI研究者”向けの研修資料、サイバーエージェントが無料公開　PythonやVSCode、論文の書き方まで網羅 サイバーエージェントは4月17日、AI研究者向けの技術研修資料を無料公開した。同社のAI研究機関「AI Lab」の技術研修で使った資料。研究者のためのPythonコーディング上のテクニックや、VSCodeのおすすめプラグイン、英語論文の書き方など15種類の資料を公開している。 資料一覧は下記の通り。 Python Coding Best Practice IDEで効率的な研究開発 Google Cloud - IAM & Admin Container for Research モデルコードの高速化・最適化 概要・構成検討 実験・分析コードのGitHub公開 OSSライセンス入門 チーム開発から学ぶコードレビューのお作法 ビジョン系データ品質の保ち方 3次元コンピュータビジョン入

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 (

ChatGPTのdeep researchが凄過ぎる。OpenAIがこれまでいくつも新モデル・新サービスを出してきましたが、その中でも一番驚きの大きかったサービスとなりました。自分の中では。 なので数回にわたって、deep researchの使用例などをまとめていきたいと思います。 その2 すごい使用例をまとめたnoteは次のリンク 結局何ができるのdeep researchはdeep researchは、ChatGPTに追加された新機能。これは、インターネット上の複雑な調査タスクを複数ステップに分けて実行する高度なエージェント機能。人間が何時間もかけて行う調査を、数十分で完了させることができる。 https://openai.com/index/introducing-deep-research/ 上の公式の説明によると次のように説明されている。 以下のような集中的な知識作業を行う人々の

はじめに近年、生成系AIを活用したリサーチ手法が急速に普及しており、医療・生命科学分野でも論文検索や調査、レビュー作成などの効率化が期待されています。その中でも2025年2月3日に発表されたOpenAIの「Deep Research」。GoogleのDeep Researchと同じネーミングで、こちらは学術目的ではあまり実用レベルで無かったですし、多くのAI検索サービスはPubmedの文献を沢山引っ掛けることができないので、正直あまり期待しておらず、o1Pro使うために一旦課金していたChatGPT Pro（200ドル/月）に再課金するのは躊躇していました。そんな時にEARL先生のツイートを見て課金を決意しました。 ChatGPT Deep Research、こりゃすごいわ。 論文検索させてみたんだけど 「pubmedサイト限定でPICOSも指定して論文抽出させて、全該当論文を漏れなく抽出

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 ※本記事は2022年8月16日に20個のレシピを追加し50選へと更新いたしました。 AxrossRecipeを運営している松田です。 AxrossRecipe は、エンジニアの"アカデミックな教育"と"現場の業務"のスキルギャップに着目し、「学んだが活用できない人を減らしたい」という想いで、ソフトバンク社内起業制度にて立ち上げたサービスです。 現役エンジニアによるノウハウが"レシピ"として教材化されており、動くものを作りながらAI開発やデータ分析の流れを追体験できます。 AxrossRecipe: https://axross

社会実装を目指し世界中で加速する自動運転開発。課題を抽出しながらAIやセンサーの性能向上を図るべく、各地で公道実証が繰り返されている。 近年、こうした実証で取得したデータを無料開放する動きが顕著に増加している。何万何十万にも及ぶ画像データなどを収集・加工する労力は膨大で、この作業が自動運転開発における1つの壁となっているが、こうしたデータセットを広く公開することで、業界全体の開発スピードを加速する狙いがある。 今回は、データセットの公開に乗り出している主な企業と実際に公開されている各企業のデータセットについて紹介していく。 ■Waymo：Waymo Open Dataset自動運転分野で先頭を走る米グーグル系ウェイモは2019年8月、自動運転技術の進歩を目的に「Waymo Open Dataset」を研究者向けに無料開放した。 ▼Open Dataset – Waymo https://w

3つの要点 ✔️ GANを使った株価予測へのアプローチ ✔️ finBERTを使って金融市場の感情分析結果をインプット ✔️ これまでのモデルより優れた結果を出すことに成功 Stock price prediction using BERT and GAN written by Priyank Sonkiya, Vikas Bajpai, Anukriti Bansal (Submitted on 18 Jun 2021) Comments:  Published on arxiv. Subjects: Statistical Finance (q-fin.ST); Computation and Language (cs.CL); Machine Learning (cs.LG) Computing (cs.NE) code： 本記事で使用している画像は論文中のもの、またはそれを参考に作

How to Take a Data-driven Approach to ESG investing with Apache Spark, Delta Lake, and MLflow - The Databricks Blogの翻訳です。 経済の未来は、社会的責任、環境への義務、企業の倫理と切っても切り離せない関係にあります。競争力を維持するために、金融サービス機関(FSI)は、積極的に自身の環境、社会、ガバナンス(ESG)に関するパフォーマンスの情報を公開しています。企業におけるあらゆる投資の社会的インパクト、持続性を理解し、定量化することで、FSIは風評リスクを軽減し、顧客、株主との信頼関係を維持することができます。Databricksにおいては、多くのお客様の経営層においてESGが優先事項になっていると聞いています。これは単に利他主義によるものではなく、経済的な動機によっても引き