JST
AI導入を成功させるIT基盤構築：スケール時代の必須要素
・AI機能の急速な進化とエージェントシステム（自律型AI）への移行に伴い、企業は使用事例を拡大中だが、投資判断の不確実性が増している ・IT責任者は信頼性と統合性を備えたAIアーキテクチャの基礎要素に立ち返る必要があり、これが大規模導入の成功を左右する ・MIT研究は、組織がAI展開と管理を確実に行うための構造的枠組み整備の重要性を指摘
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2 / 3ページ
- Source
- JSTSource
画像生成AIの知識限界を超える検索機能の実装と評価
・画像生成AIは学習データにない新しい概念や最新トレンドを幻想（ハルシネーション）で補う問題がある ・ユーザーの要望は無限に多様で、訓練済みモデルの固定知識では対応できない構造的課題に直面している ・SearchGen-20K と SearchGen-Bench という 20,839 個のプロンプトを含むベンチマークデータセットを構築した ・12 のエラー分類と 22 のドメインをカバーし、生成AIの知識境界拡張を測定する枠組みを提供す...
- JSTSource
Amazon SageMaker HyperPodで実現する Amazon Novaの複数ターンRL基盤構築
・企業向けエージェントが複数ステップのワークフローを実行する際、単一アクションの品質が後続ステップに依存する訓練課題が発生 ・強化学習（RLHF）を複数ターン対応させ、データベース照会やAPI呼び出し、エラー回復を含む実務的なタスク学習を実現 ・Amazon SageMaker HyperPodのスケーラブルインフラで、大規模モデル訓練の効率化と導入時間短縮を両立
- JSTSource
エンタープライズAIエージェント間通信の一元管理：サーバーレスゲートウェイの構築
・複数チーム・ベンダー・インフラにまたがるAIエージェント間通信の管理が企業の課題となっている ・ポイント・ツー・ポイント接続を避け、一元的なゲートウェイレイヤーが必要 ・サーバーレス基盤でエージェント検出、ルーティング、アクセス制御を統合管理可能 ・エンジニアが接続配線ではなくエージェント機能の開発に注力できる環境を実現
- JSTSource
LLMエージェント向けスキル生成合成の手法研究
・LLMエージェントが複雑なタスクを解くために、モジュール化されたスキル（手順知識）を組み合わせる必要性が増加している ・スキルライブラリの拡大に伴い、適切なスキル組み合わせの選択がボトルネックになっている ・既存アプローチを分類し、生成的なスキル合成手法の検討を開始する研究
- JSTSource
スマートフォンキーボードにAIエージェントを統合する新スタートアップ
・スタートアップActiがスマートフォンキーボードにAIアシスタント機能を直接組み込む ・iOS・Android両対応で、複数のアプリ間で動作する統一されたキーボードインターフェースを提供 ・自然言語で独自のAI駆動ショートカットをユーザーが作成・カスタマイズ可能 ・キーボードという日常的な入力地点をAI機能へのアクセスポイントとして活用する新しいアプローチ
- JSTSource
AIエージェントの信頼性が技術領域で問われている
・2026年は企業がAIプロジェクトを経営戦略と連携させる転機とされており、ROI（投資対効果）証明への圧力が高まっている。 ・エージェント型AIが測定可能な財務成果をもたらす手段として注目されている。 ・IT基盤コストが2030年までに2〜3倍増加する見込みの中、エージェント型AIは技術部門での大きな活用機会を持つ。
- JSTSource
LLMエージェント向けポストトレーニングに隠れた利点：プロセス報酬の新たな活用
・LLMエージェントの長期行動評価において、プロセス報酬モデル（各ステップを評価）の構築は人間アノテーションやシミュレーションが困難であった課題に直面。 ・本研究は、RL（強化学習）ポストトレーニングのプロセスそのものが、別途の報酬モデル構築なしにステップレベル評価を可能にすることを示唆。 ・長期相互作用、不可逆的アクション、確率的環境フィードバックを含む複雑なエージェントシナリオへの適用を想定。
- JSTSource
AI エージェントの処理速度とエネルギー効率を向上させる新手法
・複数の AI モデルと外部ツールを組み合わせた「エージェントワークフロー」は、動画分析など複雑なタスク処理に有効だが、設計・配置方法による非効率が問題 ・計算リソースの無駄や高いエネルギー消費、コスト増加につながる構造的課題が存在 ・MIT と Microsoft の研究チームが、これらの効率性を改善する新しいシステムを開発
- JSTSource
OpenThoughts-Agent：エージェント型AIモデル向けデータ準備の方法論
・エージェント型言語モデルの学習データ作成方法が未公開のため、OT-Agent プロジェクトが完全オープンなデータ準備パイプラインを提案 ・既存の SWE-Smith、SERA、Nemotron-Terminal などは単一ベンチマーク対応で、複数の異なるエージェントタスクに汎化するモデル開発の課題が残存 ・複数の多様なエージェントタスク領域にわたって学習可能なデータセット構築手法を公開することで、エージェント型 AI の開発障壁を低減
- JSTSource
複数デバイス対応エージェントの階層型リカバリー機構
・複数のアプリケーションやデバイスを跨ぐタスク実行時に、従来手法は全体計画の修正で対応していた ・本研究は、デバイスごとのローカル戦略空間を体系的にモデル化した階層型リカバリー機構を提案 ・実行時の動的障害に対し、より細粒度で効率的な復旧パスを実現
- JSTSource
LLMエージェントの並列処理を潜在空間で直接合成する手法
・LLMベースのエージェントシステムは順序立てたテキスト入力に依存するため、複数タスクを並列実行する現代的なワークフローとの不整合が生じている ・既存システムは並列ブランチの出力をテキスト連結して統合するため、構造情報が失われ処理効率が低下する ・潜在空間（LLMの内部表現）で直接ブランチを合成する新手法により、並列構造の情報を保持したまま統合可能になる見込み
- JSTSource
動的環境下のLLMエージェント向けメモリ進化追跡フレームワーク
・LLMエージェントが静的環境での評価に依存しており、実務の動的環境に対応できない課題を指摘 ・EvoArenaベンチマークスイートを提案。段階的な環境変化を通じてエージェントのメモリ進化を評価 ・エージェントが知識・スキル・行動を継続的に更新し、変化する条件に適応する能力を測定する仕組みを構築
- JSTSource
複数データセット対応のテスト時プロンプト学習フレームワーク EEVEE
・LLMエージェントが実行時に複数のデータセット・ドメインから異なる入力を処理できるプロンプト学習フレームワーク EEVEE を提案 ・既存手法は単一データセット想定だが、実世界ではデータの多様性に対応が必須で応用性に課題がある ・異なるデータセット間の干渉を軽減する仕組みを導入し、実タスクストリーム下でのプロンプト学習を実現
- JSTSource
iOSWorld：個人情報を活用するスマートフォンエージェントのベンチマーク
・iOSWorld は、ユーザーの身元・履歴・好みを学習する「個人知能型」フォンエージェントの初の専用ベンチマークであり、単発の指示ではなく継続的な個人情報を活用する必要性を提唱している。 ・26個の新規構築iOS アプリを含むネイティブ iOS シミュレーターで、アプリ間のデータ連携（クロスアプリ参照）を実現し、現実的なスマートフォン操作環境を再現した。 ・既存のモバイルエージェント評価ツールの多くが「個人情報ゼロの砂箱環境」という制...
- JSTSource
MemDreamer：長時間動画理解のための知覚と推論の分離と階層グラフメモリ
・視覚言語モデルが長時間動画の処理でトークン数爆増と注意散漫に直面する問題に対し、MemDreamerが知覚と推論を分離する手法を提案。 ・動画をインクリメンタルにストリーミング処理し、セマンティック抽象化を行う3層階層グラフメモリを構築することで効率化を実現。 ・エージェント的検索メカニズムにより、長時間動画の理解を段階的な探索プロセスに再構成。 ・プラグアンドプレイフレームワークとして既存モデルに統合可能な設計。
- JSTSource
Amazon Quickで営業組織を変革、エージェント型AI の新しいチームメイト
・営業担当者は平均して売上活動に費やす時間が 40% に留まり、CRM 更新や見込み客調査などの事務作業に大半を費やしている ・Amazon Quick は、エージェント型 AI を活用して営業チームの低付加価値業務を自動化する製品 ・メール作成、見込み客調査、ツール間の切り替え など繰り返し作業を削減し、営業代表者が実際の営業活動に注力できる環境を実現
- JSTSource
xAI の Grok 4.3 が Amazon Bedrock で利用可能に
・xAI の大規模言語モデル「Grok 4.3」が Amazon Bedrock 上で一般利用可能になった。 ・長い入力データに対して信頼性の高い推論が可能で、エージェント・AI ワークフロー構築に対応。 ・推論努力の設定が可能で、ツール活用と命令遵守に優れ、高ボリューム推論でのトークン効率を実現。 ・xAI が Amazon Bedrock のモデルプロバイダーとして新たに参画。
- JSTSource
Amazon Bedrock のマネージドナレッジベースでエンタープライズ検索をエージェント向けに構築
・Amazon Bedrock Managed Knowledge Base により、エンタープライズデータを基盤とするエージェント・生成 AI アプリケーション構築の複雑性を低減 ・従来はコネクタ、パーサ、ベクトルストア、ナレッジグラフ、検索ロジックを自社で統合・運用する必要があった構成を一元化 ・データソース接続、マルチモーダル文書の解析、ベクトル/グラフデータベースの選定・スケーリングといった各工程の課題を内包型サービスで対処
- JSTSource
企業AI組織の信頼ギャップ：検索ではなく信頼性が課題
・101社の調査から、AI エージェント向けのコンテキスト基盤が信頼性を伴わないまま急速に構築されている実態が判明 ・検索拡張生成（RAG）がデフォルトのコンテキスト源となり、ベクトルDB から プロバイダー純正検索へシフトが進行中 ・多くの企業で、欠落・不一致したコンテキストに起因する誤った確信回答（confident wrong answer）が既に発生 ・ガバナンス付きセマンティック層の導入が解決策として提示される
- JSTSource
エンタープライズAIの評価ギャップ：カバレッジではなく現実との乖離が課題
・157社を対象とした調査で、企業が AI エージェントに自律性を付与する一方、その自律性を制御するための評価基準への信頼が低下している実態が明らかに ・半数の企業が、内部評価で合格したエージェントが本番環境で顧客に対して機能しない経験をしており、評価基準が実世界の成果と乖離していることが最大の課題 ・自動評価を完全に信頼する企業は 5% に過ぎないが、それでも 3 分の 2 の企業は既に配備を行っているか向かっている状況
- JSTSource
複数チャネルの信号を統合する営業インテリジェンス：Strands AgentsとAmazon Bedrockの活用
・見込み客はReddit、Hacker News、Stack Overflow、GitHubなど複数のオンラインプラットフォームに活動の痕跡を残している ・個別の信号は雑音だが、複数ソースで相関させると購買準備状態の見込み客を特定できる ・Strands AgentsとAmazon Bedrockによるマルチエージェントシステムで、これら分散データの統合分析が可能になる
- JSTSource
AWS上でStardogとBedrockを用いた意味層の構築とエージェント化
・Stardog（意味層プラットform）をAmazon AuroraおよびRedshift上に構築し、ETLなしに複数データソースを統合 ・Amazon Bedrock AgentCoreでStrands Agentsを実行し、顧客360度情報を横断的に照会可能 ・Stardogデプロイ後、ECS/EKSなど複数AWS計算環境での利用が可能
- JSTSource
WebSwarm：複数AIエージェントを階層的に連携させた深く広いWebサーチシステム
・LLMベースのWeb検索エージェントが、単なる質問応答から深く複雑な調査タスクへ進化している ・従来の単一エージェントは長い推論経路と限定的なコンテキストで深さと広さの両立が困難 ・複数エージェント並列実行は広さに対応するが、深さの探究に課題が残っている ・WebSwarmは再帰的な階層構造でエージェント間の協調を実現し、課題解決を目指す