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9 / 15ページ
・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
・Cars24がOpenAIの音声・チャットエージェントを導入し、月100万分以上の顧客会話を処理 ・AIエージェント活用により、失った見込み客の12%を回復して営業効率を改善 ・会話型AIをカスタマーサポートから営業、その他部門まで横展開するワークフロー構築を実現
・DoorDashが「dd-cli」という限定ベータ版のコマンドラインツールを開始 ・開発者やAIエージェントがターミナルから店舗検索、カート構築、注文が可能 ・従来のUI中心設計から、AI向けに最適化されたソフトウェア設計への転換を示唆
・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
・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
・レストランは月平均150件の電話を取り逃としており、約60%は予約・注文の問い合わせ。ディナータイムに多く発生し、ホストの負担が集中。 ・AWSのBedrockエージェント機能とNova 2 Sonicモデルを用いた電話自動応答システムの実装例を紹介。 ・通話受付の自動化により、スタッフをフロア業務に集中させながら顧客対応を両立する。 ・実装アーキテクチャ、連携フロー、本番運用への課題をAWSブログで解説。
・アスペクト特化型感情分析（ABSA）では、文全体の感情ではなく特定要素への感情判定が求められます。・反事実データ生成時、対象アスペクトの感情のみを反転させ、他要素の感情・意味・流暢性・事実性を保持する必要があり、既存手法ではこれらの制約を満たしにくいという課題があります。・制約条件を明示的に組み込んだ編集手法を提案し、より信頼性の高い評価データ生成を実現します。
・LLM（大言語モデル）の予測精度を評価する際、バックテスト手法で過去の予測問題を再実行するが、データリーク問題が存在する。 ・検索機能を持つモデルは事後的に執筆されたレポートを参照でき、予測ではなく情報検索になる可能性がある。 ・年次更新によるトレーニングデータの差異も、公平な予測評価を阻害する要因となる。 ・こうしたバイアスを制御した評価フレームワーク（Hindcast）の必要性が示唆されている。
・Applied Computing が石油・ガス・石油化学産業向けの基盤 AI モデル開発に Series A で 2000 万ドルを調達 ・プラント全体の運用データを統合的に分析する AI システムの構築を目指す ・従来は断片的だった異なるシステム・部門のデータを単一の AI モデルで処理可能化
・GitHub 上の 2,361 個の人気リポジトリから 25,264 件の AI エージェント生成プルリクエストを分析 ・AI エージェントがコード生成と PR 自動提出を行う新しい開発形態の実態を調査 ・プロジェクト単位での AI ツール導入パターンと管理方法の差異を明らかに ・従来の個別 PR 評価ではなく、組織レベルでの採用戦略の重要性を示唆
・2030年までに労働者100人中59人がスキル再構築を必要とする一方、企業のスキルギャップ解消期間は2014年の3日から2018年には36日に増加している。 ・既存フレームワークは単一段階に限定され、業界実証が不足している。 ・研究チームが知識習得から評価までの5段階全体にAIを統合した統合フレームワークを提案。 ・各段階（知識取得、コンテンツ開発、検証、教授、評価）をAIで加速化し、スキルアップ全体の効率化を目指す。
・Chain-of-Thought（段階的思考）推論の活用により、LLMは複雑な多段階タスク対応が可能になったが、エラー発生時の現在の対話手法は不十分である ・既存手法では完全な再生成による再び誤る可能性、またはユーザーが誤りステップを指摘しても同じ誤りが繰り返される課題がある ・本研究は人間-AI相互作用の効率化を目的とした新手法を提案している
・101社のエンタープライズ調査で、AI エージェントの統合先は Anthropic Claude が圧倒的シェアを占めており、マルチステップ実行の信頼性が選定基準 ・現状では多くの導入済み「エージェント」が実はチャットボット機能のみで、真のエージェント機能には達していない ・企業はベンダーロックイン回避のため意図的にハイブリッド制御層を採用し、トークン消費を実時間で制御する仕組みはまだ少数派
・不動産金融企業Built Technologiesが、Amazon BedrockとAWSのサービスを活用したAI駆動の文書処理エンジンを構築 ・年間5000億ドル規模の不動産プロジェクト処理において、複雑で手作業が多い文書処理を自動化 ・AIエージェント基盤により、融資判断や契約審査などの重要な業務意思決定を迅速化
・マイクロソフトが月次セキュリティパッチ「Patch Tuesday」で過去最高の570件の脆弱性を修正 ・AI技術の活用により、従来より多くのセキュリティ脅威を自動検出 ・企業製品全体にわたる幅広いカバレッジを実現し、ユーザーのリスク軽減に貢献
・LLMを評価者として使う際、正解がない「ノーリファレンス評価」では、LLMが甘い採点をする傾向がある ・キャリブレーション実験と感度実験の2段階パイプラインで、LLMジャッジの信頼性を検証 ・タスク知識の不足や入力変動への過敏さが、評価の一貫性と精度を損なう可能性を指摘
・大規模言語モデル（LLM）が本来のタスクと無関係な長いテキストを前置きされても、全体的な精度は変わらないように見える現象を報告 ・しかし個別の回答は不安定で、同じ質問でも無関係な文脈により回答が反転するケースが多数存在 ・集約精度という表面的な指標では、モデルの実際の脆弱性が隠蔽される可能性を指摘 ・実務運用では無関係な情報に左右されるリスクを考慮した評価が必要
・LLM エージェントは単純な 1 行の編集でも、すでに読んだファイルや依存関係を何度も再読込みする「最大コンテキスト優先戦略」を採用している。 ・タスクの実際の難易度や必要な情報範囲を事前に推定できず、結果として不要な処理オーバーヘッドが発生。 ・研究は「タスク認識スコープ推定」という能力の重要性を指摘し、効率的で適応的なエージェント動作の実現を目指している。
・予測・計画・意思決定を支援する AI システムは増加しているが、組織固有の詳細情報が不足し、実用性が限定されている課題を指摘。 ・MIT の研究グループが、組織内データとモデルの適合性向上に取り組む。 ・業務現場で AI の効果を引き出すには、単なるモデル性能より実装環境への適応が重要。
・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
・Meta（Instagram責任者 Adam Mosseri）がエンジニアのAI利用コスト管理の必要性を指摘 ・AI トークン支出を給与や運用経費と同様に管理する時代が来ると予測 ・エンジニア個単位での AI ツール利用額に制限をかける仕組みの導入を示唆
・PsiQuantumは光子（光の粒）を利用した量子コンピュータの構築計画を公開。約100台のステンレス製キャビネットで構成され、極低温環境（絶対零度近く）を維持。 ・数百のチップと数千の光子を光学スイッチやビームスプリッタで制御し、大規模な計算能力を実現する設計。 ・従来の超伝導型量子コンピュータと異なり、光ベースのアプローチにより製造や運用の簡素化を目指す。
・8言語の慣用表現・比喩表現160件を、認知言語学の概念特徴（包含、隠蔽、感情、社会など）でアノテーション ・各表現間の類似度をグラフ化し、コミュニティ検出により言語を超えた意味構造を解析 ・解釈可能なネットワーク手法により、言語タイプが異なる表現の普遍的パターンを抽出可能
・IoT デバイスは限定的なハードウェア・古いファームウェア・不適切な初期設定により脆弱性が多発している課題を指摘 ・大規模言語モデル（LLM）ベースのAIエージェントをペネトレーションテストに適用し、IoT固有の脆弱性検証を自動化する研究 ・複数エージェントの協調動作により、手作業では対応困難なIoTシステムの包括的なセキュリティテストを実現する提案
