Yuki Makino / PLAID

Formerly at IBM Labs. Technical Visionary / PLAID CTO / I love distributed processing of large scale data in real time and AI in order to grasp the real world.

[Anthropic @AnthropicAI]

Our internal data shows Claude is accelerating AI development—a possible path to recursive self-improvement, or AI autonomously building a more capable successor.

It’s happening faster than we thought, and the implications deserve greater attention. https://t.co/OVVPJO7VQx

[倉橋健太（プレイド / Kenta Kurahashi / kuraken） @kuraken314]

先週米国で開催されたGoogle I/Oで、プレイドが開発した"対面業務支援AIアシスタント"が紹介されました💪

このAIは、会話内容をベースに、内容の要約、確認事項の提示、提案内容のサーチなど、スタッフの対面業務を支援します。また、全ての処理がブラウザ上で完結。すなわち、外部サーバーを介さずAIモデルが動くため、GDPRをはじめとしたプライバシー基準に準拠した安全な運用が可能です。今後は、この基盤の上にリアルタイム多言語基盤を重ね、インバウンド対応など様々なシーンに適用可能になります。

本ソリューションは、旅行、人材、自動車、不動産、金融・保険、化粧品、ジュエリーなど、深いヒアリングと専門的な提案が求められる対面業務の現場へ幅広く展開を進めてまいります。

[株式会社プレイド (PLAID, Inc.) @PLAID_Info]

【プレスリリース】プレイド、Googleの「組み込みの AI」を活用した対面業務支援AIアシスタントを開発

本ソリューションは、5/19-20に米国で開催された開発者向け年次イベント「Google I/O 2026」で最新事例として紹介されました。

概要はプレスリリースをご覧ください。
https://t.co/kSgMQXsbL5

[Yuki Makino / PLAID @makinoy]

初Google I/O参加してまして。I/Oでプレイドの新しい取り組みが紹介されま���た。 https://t.co/rhinBWebvt

[Andrej Karpathy @karpathy]

LLM Knowledge Bases

Something I'm finding very useful recently: using LLMs to build personal knowledge bases for various topics of research interest. In this way, a large fraction of my recent token throughput is going less into manipulating code, and more into manipulating knowledge (stored as markdown and images). The latest LLMs are quite good at it. So:

Data ingest:
I index source documents (articles, papers, repos, datasets, images, etc.) into a raw/ directory, then I use an LLM to incrementally "compile" a wiki, which is just a collection of .md files in a directory structure. The wiki includes summaries of all the data in raw/, backlinks, and then it categorizes data into concepts, writes articles for them, and links them all. To convert web articles into .md files I like to use the Obsidian Web Clipper extension, and then I also use a hotkey to download all the related images to local so that my LLM can easily reference them.

IDE:
I use Obsidian as the IDE "frontend" where I can view the raw data, the the compiled wiki, and the derived visualizations. Important to note that the LLM writes and maintains all of the data of the wiki, I rarely touch it directly. I've played with a few Obsidian plugins to render and view data in other ways (e.g. Marp for slides).

Q&A:
Where things get interesting is that once your wiki is big enough (e.g. mine on some recent research is ~100 articles and ~400K words), you can ask your LLM agent all kinds of complex questions against the wiki, and it will go off, research the answers, etc. I thought I had to reach for fancy RAG, but the LLM has been pretty good about auto-maintaining index files and brief summaries of all the documents and it reads all the important related data fairly easily at this ~small scale.

Output:
Instead of getting answers in text/terminal, I like to have it render markdown files for me, or slide shows (Marp format), or matplotlib images, all of which I then view again in Obsidian. You can imagine many other visual output formats depending on the query. Often, I end up "filing" the outputs back into the wiki to enhance it for further queries. So my own explorations and queries always "add up" in the knowledge base.

Linting:
I've run some LLM "health checks" over the wiki to e.g. find inconsistent data, impute missing data (with web searchers), find interesting connections for new article candidates, etc., to incrementally clean up the wiki and enhance its overall data integrity. The LLMs are quite good at suggesting further questions to ask and look into.

Extra tools:
I find myself developing additional tools to process the data, e.g. I vibe coded a small and naive search engine over the wiki, which I both use directly (in a web ui), but more often I want to hand it off to an LLM via CLI as a tool for larger queries.

Further explorations:
As the repo grows, the natural desire is to also think about synthetic data generation + finetuning to have your LLM "know" the data in its weights instead of just context windows.

TLDR: raw data from a given number of sources is collected, then compiled by an LLM into a .md wiki, then operated on by various CLIs by the LLM to do Q&A and to incrementally enhance the wiki, and all of it viewable in Obsidian. You rarely ever write or edit the wiki manually, it's the domain of the LLM. I think there is room here for an incredible new product instead of a hacky collection of scripts.

[su / kenichi suzuki @suk]

PR数4倍でも破綻しない、Claude Codeをチーム運用する仕組み https://t.co/PcvNuYbDPi

[Yuki Makino / PLAID @makinoy]

20-30年前のなんでもPCでやれちゃうじゃ���、をx10-x100以上にしたイメージ。果たして、どういうスピードで浸透していくんだろうか？変わらず残るものは何か？

[Yuki Makino / PLAID @makinoy]

出来上がったそれらしいモノにちょっとした違和感を感じることが結構重要になってきた。抽象的話ではなく具体の作業レベルでの話。絵を描く時のような懐かしい感覚。

[Yuki Makino / PLAID @makinoy]

とりあえずSpec Driven Development必須。というかSpec Kit良い。

[Yuki Makino / PLAID @makinoy]

さて、冬休みのClaude Codeいじりは一通り終えたので、codexに移ろう。

[竹林 崇@脳卒中リハの専門家, 作業療法士, PhD（医学） @takshi_77]

これマジやばい…すごいな…手が不自由な方で口の動きが保たれている方が、PCやスマホを操作する際に舌を使って操作をすることができるMouthPadというデバイスです。Bluetoothで接続できるPCのマウスとして使えるそう。本当に色々ありますね。必要な方に届いて欲しいです

[PLAID_Tech （株式会社プレイド） @PLAID_Tech]

エンジニアブログにて、「KARTEの分析システムのレガシーな開発環境を高速にする。pnpm, Rspackの導入で改善できたこと。」を公開しました。
長年運用するシステムにおける課題や、改善に向けての意思決定、移行手順、導入によって得られたメリットなどを解説しています。
https://t.co/Rep8hUIW30

[PLAID_Tech （株式会社プレイド） @PLAID_Tech]

プレイドに所属する @jp_knj が、Astroの日本ユーザー向けコミュニティを設立しました。
その立ち上げ企画として、来年2月4日(水)に、Astro Meetup Japan #0 を開催します。既にAstroを使っている方、情報や活用事例に興味がある方など、ぜひご参加ください。#AstroMeetupJP
https://t.co/ec9TipXYhg

[Sundar Pichai @sundarpichai]

Geminiii

[倉橋健太（プレイド / Kenta Kurahashi / kuraken） @kuraken314]

「顧客が何を買ったか(What)」という"点の蓄積"だけでは、企業活動は同質化するばかり。データはあるのに「なぜ(Why)」が分からない…。そんなジレンマを解決する、新データAI基盤「Context Lake」をプレイドより発表しました。

「Context Lake」は、顧客情報や購買履歴、リアルタイム行動、商品および関連情報、市場ト��ンドや天候といった非構造化データまでを用い、顧客の「意図・目的・状況＝コンテキスト群」を自動抽出・保持・更新する仕組みです。CX、商品開発、企画立案、顧客関連Ops、戦略設計、経営判断、そしてEX(人の介在価値、ここで働く意味)に至るまで、企業活動全体のパフォーマンスを革新します。

「Context Lake」は、人・組織やAI Agentの"知性"を拡張する「顧客コンテクストの外部記憶」。人が最も苦手とする「意図の推測」をAIと共創し、人は「顧客理解と価値創造」という本質的な活動に集中できます。

ニュージーランドに世界一の透明度を誇る「Blue Lake」という湖があります。「Context Lake」は、データが溢れる時代に「クリアな視界」をもたらし、企業価値と生活者体験��適切にサイクルする環境を創っていきます。 ぜひご期待ください。

[株式会社プレイド (PLAID, Inc.) @PLAID_Info]

昨日発表した顧客コンテクストを自動理解するAI「Context Lake」について、日本経済新聞に取り上げていただいています。

プレイド、AIで顧客の行動を深掘り分析　データ経営支援
https://t.co/viRotR7AQ5

[Yuki Makino / PLAID @makinoy]

@bennie_seybold3 Thanks!! It was great meeting you!

[Yuki Makino / PLAID @makinoy]

Thanks to the Anthropic team for coming to our office from SF!

[PLAID_Tech （株式会社プレイド） @PLAID_Tech]

エンジニアブログにて、「マイクロサービスアーキテクチャにおけるMastraを活用したAI基盤設計」を公開しました。
プロダクトのAI機能実装を集中的に進めるプロジェクトの進め方、アーキテクチャ選択における「集中」の判断、Mastraを使うことの優位性などを紹介しています。
https://t.co/hK36fZh0r8