公開
ビジョン言語モデルのOCR推論ロバスト性を評価：視覚的摂動への耐性を測定
・ビジョン言語モデル（VLM）がOCRベンチマークで高性能を示す一方、視覚的な劣化（ノイズ・歪み）への耐性は未検証のままである。 ・画像の視覚的破損がOCRエラーや構造歪みを引き起こし、推論タスクの不確実性が増加するという課題を指摘。 ・OCR-Robustという新しいベンチマークを導入し、VLMのOCR推論ロバスト性を体系的に評価する研究。
AI
Archive 記事を横断検索
自社に関係するAI情報を、すぐ見つける。
キーワードだけでなく、業界・用途・情報種別・公開時期を組み合わせて検索できます。気になるテーマから、自社で試すヒントまでまとめて辿れます。
← AI Intel トップに戻る254件
9 / 11ページ
- Source
- 公開Source
マルチモーダルAIの順序依存性監査：同じ情報でも答えが変わる課題
・マルチモーダル大規模言語モデル（MLLM）が、提示情報の順序を変えると異なる回答をする「順序依存性」の問題を実証的に調査。 ・オプション順序、証拠チャンク順序、文書ランク、画像セット、複合モダリティ順序の5つの側面でテスト。 ・18個の最先端・オープンウェイトモデルをBayesian統計モデルで評価し、順序ノイズと真の理解力を分離。 ・AI信頼性評価ガイドラインで要求される基本的な頑健性（順序不変性）がまだ確保されていない現状を明らか...
- 公開Source
リアルタイム音声AI、言葉に反応するが声のニュアンスを捉えない
・OpenAI GPT Realtime 2、Google Gemini 3.1 Flash Live、Alibaba Qwen3.5など主要な音声AIシステム4種を評価した研究 ・言葉の内容と声のトーン・感情の両方に意味がある場面で、全システムが言語情報のみに依存し声質を無視する傾向が判明 ・泣いている通話者が「大丈夫」と言う場合など、矛盾する情報を受け取った時に音声AIが適切に対応できない実例が複数報告されている
- 公開Source
Amazon Nova 2 Sonicで医療予約自動化エージェントを構築
・米国のヘルスケアにおける無断キャンセル率は診療科目により5～30%で、年間150億ドルの収益機会損失が発生 ・Amazon Nova 2 Sonicを活用して医療予約管理を自動化するエージェント構築の実装方法を提示 ・手動での患者への連絡業務を削減し、予約確認と関連業務を効率化できる実装パターンを紹介
- 公開Source
ハンティントン銀行、AWSで4億件以上の文書から機密データを自動削除
・米大手銀行ハンティントンが、蓄積した4億件以上の文書から顧客の機密情報を自動削除するシステムをAWSで構築。 ・従来は数年かかる手作業を機械学習で効率化し、コンプライアンス対応の負担を大幅軽減。 ・大規模ドキュメント管理が必要な金融機関のデータガバナンス課題の実装例。
- 公開Source
AI時代に求められるウェブデータ基盤層の形成
・AIの実用化が進む中、モデルの性能向上には大規模で質の高いデータ供給が必須だが、多くの企業データはアクセス制限または非構造化状態にある ・ウェブ自体が人間向けに設計されており、AI による自動検出・取得には非効率な構造が根本的な制約となっている ・企業のAI活用を加速させるには、ウェブデータを自動的に発見・処理するための新しいインフラストラクチャ層が必要
- 公開Source
ロボット企業アジリティ・ロボティクス、SPAC上場で25億ドル評価
・2015年にオレゴン州立大学から分離したヒューマノイドロボット企業アジリティ・ロボティクスが、SPAC（特別買収目的会社）を通じた上場を計画。企業評価額は25億ドル。 ・上場により同社は6億2,000万ドルの調達資金を見込んでいる。 ・ロボット業界の資金調達動向を示す事例であり、商用ロボット化への企業投資の加速を反映。
- 公開Source
Meta、クリエイター向けAIアシスタント機能を搭載した新アプリをテスト展開
・MetaがクリエイターをターゲットにしたAIコンパニオンアプリを開発。選定されたクリエイターを対象にテスト中。 ・アプリに最近ローンチしたAIクリエイターアシスタント機能を組み込む仕様。 ・詳細な機能内容や展開予定については情報不足（記事抜粋が限定的）。
- 公開Source
IV-CoT：テキスト画像生成における構造認識の改善手法
・マルチモーダル大規模言語モデル（MLLM）によるテキスト画像生成は、物体数・空間関係・属性結合などの構造情報の保持が課題。・提案手法IV-CoT（暗黙的ビジュアル思考連鎖）は、構造計画と見た目レンダリングを分離するアーキテクチャで対応。・単一の条件付けストリーム内での情報の絡み合いを解消し、生成精度向上を実現。
- 公開Source
AI搭載AAC（補助代替コミュニケーション）インターフェースの設計と評価の課題
・言語障害や発話困難者向けのAAC（補助代替コミュニケーション）システムにAIを統合する際、設計と評価が複雑化している ・利用者は多様な背景を持つため、単一の評価指標では個人のニーズを適切に捉えられない課題がある ・論文は6つのAAC問題領域を分析し、各領域でのAI活用方法と設計上の留意点を検討している
- 公開Source
InSight：ステアラブルVLAによる自律的スキル獲得フレームワーク
・Vision-Language-Action（VLA）モデルが基本動作レベルで操作可能になることで、訓練データにない新しいロボット操作スキルを自動獲得できる仕組みを提案 ・デモンストレーションを自動分割し、プリミティブアクション（「グリッパーをボウルに移動」など）の組み合わせでスキルを再構成 ・ロボット学習の汎用性向上と、現場での継続的スキル拡張の可能性を示す研究
- 公開Source
質の高い学習データ選別が科学論文要約の精度を向上させる
・科学論文の要約タスクで、著者作成の要約すべてが学習に適しているわけではないという問題を指摘。 ・データ品質の評価基準を導入し、学習に使うデータを選別する手法を提案。 ・バイオメディカル・ライフサイエンス分野の大規模長文要約データセットを構築・公開。 ・質の低いデータを除くことで、モデルの要約精度が向上することを実証。
- 公開Source
コード修復エージェント向け構造化診断定位フレームワーク SHERLOC
・LLM エージェントがコード修復タスク時に予算の約半分をバグ箇所の特定に費やす課題に対応 ・従来の定位フレームワークは単純なファイル検索に留まり、修復に必要な診断文脈を提供していない ・SHERLOC は仮説駆動型の推論と構造化探索を組み合わせた訓練不要のフレームワークを提案
- 公開Source
MIT が AI の社会的影響を探索、労働や民主主義など多角的に検討
・MIT の AI and Society Forum で、AI が労働、仕事の本質、市民言論、選挙管理など複数領域に及ぼす影響を検討 ・専門家による研究発表とパネルディスカッションを通じて、技術革新の潜在的な利益と危険性を分析 ・労働市場の変化、公共領域での AI 活用に伴う課題が主要なテーマ
- 公開Source
身体と手先の協調制御で動きながら器用な操作を実現するヒューマノイドロボット技術
・ヒューマノイドロボットが歩行中に高自由度の手で器用に物体を操作する技術「CoorDex」を開発。従来の「歩く→止まる→操作→歩く」の分断的動作から脱却。・高次元の身体と手先制御を潜在空間の残差制御に統合し、移動しながらの複雑な操作が可能に。・機械学習パイプラインで、複数の先行知識を活用して効率的な学習を実現。・産業用ロボット・自動化設備での応用が期待される基礎研究。
- 公開Source
小型ロボット向け省電力チップ、複雑環境でのナビゲーション実現
・MIT開発の新型チップにより、小型無人機がLED程度の電力消費で3D環境マップをリアルタイム生成可能 ・HVAC配管内のガス漏れ検査など、狭い工業施設での障害物回避ナビゲーションに応用 ・バッテリー制約の小型自律ロボットが衝突回避の経路計画を実行でき、産業点検業務の効率化へ
- 公開Source
言語モデルのパラメータ効率化：深さ方向の非均等配置手法
・現行の言語モデル（Transformer 等）は全層に均等にパラメータを配置するが、実際には層によって出力への寄与度が異なることが知られている。・後段の層は情報を大きく変換せず、中間表現を洗練する傾向にあることから、パラメータの非均等配置が有効である可能性を検証。・深さ方向でのパラメータ効率化により、モデルサイズ削減と計算コスト低減が期待できる。
- 公開Source
Amazon Bedrock AgentCoreにウェブ検索機能が追加、リアルタイム情報への対応が可能に
・Amazon Bedrock AgentCoreにウェブ検索機能が実装され、AIエージェントがリアルタイム情報にアクセス可能になった ・学習時点での固定知識という従来の制限を超え、最新のニュースや株価、リリース情報などへの回答対応が実現 ・エンタープライズ向けAIエージェント構築において、情報鮮度が重要な用途（営業支援、カスタマーサポート等）の実装が現実的に
- 公開Source
脳-コンピュータインターフェース臨床試験が加速、ALS患者が実用段階へ
・ALS患者Casey Harrell氏が脳埋込デバイスの「最初の実用ユーザー」として約3年間運用。2023年7月の埋込以来、音声生成・Web操作・気候活動家の仕事を主に独立して遂行。 ・脳-コンピュータインターフェース（BCI）が研究段階から患者の日常生活支援ツールへと移行する兆候。 ・神経難病患者のQOL向上とBCI実用化の進展が並行して加速している状況を報告。
- 公開Source
スタイル指示が音声生成に与える影響を可視化する手法
・テキスト音声合成（TTS）システムにおいて、自然言語指示がどの程度音声特性に影響するかを分析する手法を提案。 ・DAAM フレームワークを音声領域に初適用し、クロスアテンション属性を用いて個別単語ごとの寄与度をヒートマップで可視化。 ・CapSpeech-TTS での実装により、失敗パターンの診断と音声表現性の向上に資する基盤を確立。
- 公開Source
LedgerAgent：方針準拠のツール呼び出し型エージェント向け構造化状態管理
・カスタマーサービス分野のAIエージェントが、ポリシー（業務ルール）を守りながら複数ターンの対話でツール（外部システム）を呼び出す際、タスク状態を明示的に管理する手法を提案。 ・従来型エージェントでは状態がプロンプト内に散在し、エージェント自身が関連情報を再構築していた課題を、Ledger（台帳）構造で解決。 ・顧客情報、制約条件、ポリシー違反チェックなどを体系的に整理し、エラーや方針違反を削減。
- 公開Source
視覚的スタイルが大規模マルチモーダルAIの社会的バイアスを左右する仕組みを検証
・マルチモーダル大規模言語モデル（MLLM）が人物画像を判断する際、限定的な視覚的手がかり（服装・外見など）が大きなバイアスを生み出す可能性を指摘。 ・StylisticBiasというベンチマークを開発し、個人差と見た目の効果を分離してバイアスを測定する方法論を提案。 ・500以上のフォトリアリスティック画像を用いた制御実験により、属性レベルの社会的バイアスを体系的に評価可能に。 ・個人情報判定・採用・医療判断など実務的設定でのMLLM...
- 公開Source
放射線科向け空間認識型ビジョン言語モデルのスケーラブルな訓練手法
・手動の空間アノテーションなしで、放射線科向けビジョン言語モデルの訓練方法を研究 ・独ドイツ語と英語の二言語対応、CT/MR画像120万枚とテキストペアのRefRad2Dデータセットを開発 ・LLMベースキュレーションと自動セグメンテーションで、VQAと空間グラウンディング部分集合を自動生成 ・RadGrounderモデルは報告書生成と視覚質疑応答を同時実行可能に構成
- 公開Source
米国独身者の47%がAI出会いに否定的、一方で活用ニーズも存在
・米国の独身者約47%がAIを恋愛・出会いに使うことに否定的な見方をしている。 ・一方で、プロフィール作成補助やメッセージ提案といった具体的用途では利用に前向きなユーザーが多い。 ・Match社の調査から、ユーザーのAI活用に対する心理的抵抗と実用的ニーズの間に乖離がある。