Archive 記事を横断検索
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1 / 3ページ
・大規模言語モデル（LLM）の価値観調整は西洋的規範に偏った設計になっており、スリランカなどの多言語社会の固有の文化的価値を適切に処理できていない。 ・既存ベンチマークはシンハラ語による文脈化された価値観の評価を欠いており、文化的に配慮した評価と微調整を実現できない状況が存在する。 ・本研究はスリランカの価値観を反映した最初の調査ベースの評価リソーススイート「LKValues」を提案し、地域固有の文化的感応性を向上させることを目指してい...
・大規模言語モデルの微調整時に、全サンプルが同等に寄与するわけではないため、情報量の高い訓練データを選別して計算コストを削減する研究。 ・従来のデータ品質・多様性・推論トレース長といった固定ヒューリスティクスは、タスクごとに有効性が異なり汎化困難という課題を指摘。 ・Perplexity（困惑度）ベースのデータ選別アプローチを提案し、タスク固有かつ予算制約下での効率的なサンプル選択を実現。
・人間の視覚は継続的な目の動きと仮説の更新を伴う動的プロセスだが、現在の視覚言語ベンチマークでこれを測定していない ・新しいベンチマーク「ActiveVision」を提案し、大規模言語モデルが能動的観察（段階的な情報探索）を実行できるかを評価 ・既存のスナップショット型評価では見落とされる、モデルの観察戦略の質と効率を測定することが目的
・LLM（大規模言語モデル）を用いた複数エージェントシステム（MAS）と単一エージェントシステム（SAS）の性能差を理論的に分析した研究。 ・SASは推論プロセス全体を共有コンテキストに蓄積するのに対し、MASは各エージェントが独立したコンテキストを保有することが特徴。 ・情報ボトルネック理論により、両者の優劣が場面ごとに変動する理由を数学的に説明。 ・複数エージェント化がいつ効果的か、設計段階での判断指標を提供。
・大規模言語モデル（LLM）の推論能力向上に強化学習（RL）が中心的役割を果たしているが、事前学習との相互作用はほとんど研究されていない。・本研究は、事前学習の条件（モデルサイズ、学習データ）がRL投資のリターンにどう影響するか、またRLが実際にモデルに何をもたらすかという基本的な2つの問題に取り組む。・従来のLLM研究では事前学習コーパスの詳細が非公開のため、このような検証は困難だった。
・言語モデルの文脈内学習を条件付き推論として解釈し、全確率の法則などの統計的恒等式が成立するかを検証 ・任意の有効な分割に対し、事前確率で重み付けた条件付き分布が母集団レベルの周辺分布に集約される原理を応用 ・LLM出力の推定値が基本的な確率論的性質を満たすかどうかを実証的に調査する研究
・大規模言語モデル（LLM）の学習データに悪質な情報を混入させる「ポイズニング攻撃」が、既存研究の想定を超えて実行可能であることを実証。 ・Wikipediaなど単一ソースではなく、実際の学習データのような大規模で多様なデータセットでも攻撃が成立することを確認。 ・データ品質チェック（キュレーション）パイプラインとの相互作用を考慮した新たな攻撃リスクを指摘。 ・LLMに隠蔽された有害な動作が組み込まれ、検出・修復が困難になる可能性を警告...
・従来の自動翻訳システムは文単位の翻訳に依存しているが、LLMが文書全体の文脈を活用した翻訳に対応可能かを検証 ・PAT（Pragmatic Auto-Translator）という RAG ベースのシステムを提案。ユーザー指定設定と本物のテキスト集合から取得した文脈を組み合わせて翻訳精度を向上 ・段落・文節レベルの検索情報を活用することで、英語スペイン語翻訳の質的改善を実現
・メタ認知（自分の思考過程を認識・評価する能力）は効果的な学習・問題解決・意思決定に必須の知能要素。 ・近年、透明性の高い信頼できるAIシステムの基盤として認識が広がっている。 ・LLMがメタ認知能力をいつ・どのように・どの程度発揮・獲得できるかは未解明。 ・本論文は、LLMのメタ認知に関する基礎研究の現状と今後の機会をまとめた総説。
・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
・Transformer が次トークン予測と将来予測用の状態保持を同じ計算経路で行う点に着目し、これらを分離することで性能向上が期待できるという仮説を提示 ・状態保持と予測の役割を分離した新型Transformer 変種を設計し、複数スケールでの事前学習実験を実施 ・分離アーキテクチャが言語モデリング性能の向上をもたらすことを実験的に示唆
・LLMが研究アイデア出しに使われる場面が増えているが、既存評価は新規性や実現可能性の個別判定に留まっている。 ・本研究は「LLM生成アイデアが人間研究者のレベルにどこまで近いか」という問いに直結する評価フレームワークを提案。 ・高品質な人間の研究論文から逆算して先行研究を特定し、LLM出力との系統的な比較を可能にした。
・大規模言語モデル（LLM）は数字選択などで高い予測可能性を示しており、創造性が低い傾向にある。 ・複数の主流チャットボット（Claude、ChatGPT、Gemini）で同様の「思考の溝」に陥っている実態が指摘されている。 ・スタートアップがこの制約を突破するための方法論の開発に取り組んでいる。 ・LLMの多様性と創造性向上は、エンタープライズ導入時の差別化要素となる可能性がある。
・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
・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。
・マルチモーダル大規模言語モデル（MLLM）に推論とコード実行を組み合わせる研究が急速に進展している ・既存手法は視覚認識タスクに特化し、定義済みルールに依存するため数値計算に対応できない限界がある ・AIRは視覚操作と数値計算の両方に対応可能な適応的なアプローチを提案している
・Google 2023年特許が、AI システムがウェブサイトと公開データから企業・ブランド・製品などの情報を構築・理解するプロセスを記載している ・特許は情報抽出、関係性特定、企業の「深く包括的な特性化」の合成を概説している ・このようなシステムが検索に影響力を持つようになれば、SEO は Google がコンテンツの背後にある企業を理解するよう支援することに重点が移る可能性がある
・航空画像ライブラリを自然言語で検索できる知識ベースに変換する技術を紹介 ・保険、不動産、政府、インフラ、農業など地理空間データを扱う全業界が対象 ・従来の手動検査やカスタムモデル構築に代わり、マルチモーダル埋め込みとLLMキャプショニング、ベクトル検索で高速化 ・AWS上での実装パスを提示、スケーラブルなソリューションを実現
・生成AIの推論エンドポイント運用時の監視・トラブルシューティングの課題を解決するAWS機能 ・P99レイテンシ急増時の根本原因（GPU メモリ圧力、KV キャッシュ飽和、トラフィック不均衡、オートスケーリング遅延など）を迅速に特定可能 ・SageMaker の詳細メトリクスと CloudWatch Insights ダッシュボードで、大規模 LLM エンドポイントの運用効率を向上
・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
・従来の意味的類似性に基づく検索では、複雑な推論タスクに対応できない問題を指摘。 ・RA-RFTという手法を提案。表面的には異なる問題でも同じ推論パターンを持つケースに対応。 ・言語モデルが類似する問題から解法パターンを学習し、推論精度向上を実現。
・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
・現代の大規模言語モデル（LLM）は、学習データ生成・フィルタリング・評価の各段階で他のモデルに依存している ・これらの依存関係は再帰的で、複数のリリースと文書にまたがり、全体像を把握することが困難になっている ・公開されている各種の成果物から依存構造を追跡することは、複雑性と深さから人間による確認が実質的に不可能な状況に直面している ・LLM の透明性と信頼性向上のため、こうした見えない依存関係を体系的に監査・記録する必要がある
・LLMが人間レベルの専門知識を持つとの主張は、ベンチマークタスクでの平均的なパフォーマンスに基づいているが、これらの評価手法には根本的な限界がある。 ・多くのベンチマークはLLMの学習データに直接含まれるコンテンツに基づいており、真の性能測定とは言えない。 ・LLMのパフォーマンス信頼性を評価していないベンチマークでは、実務運用での有効性を判断できない可能性がある。 ・標準化データセットでの測定結果と実業務での応用可能性にギャップが存...
