matyubara

デザイン/経営/工学→照明/睡眠/生理学/生体信号→金融系SE→機械学習/データサイエンス→新規事業企画→fintech

[matyubara @matyubara]

antigravityをどこかで使えないか考えているけど使い分けが悩ましい…

[ML_Bear @MLBear2]

もうすでに話題沸騰中だけどこのサイトめっちゃいいからシェア📝

Nano Banana Pro の作例とそこで利用したデザインの指定方法のプロンプトがたくさん載ってる。載ってるのはデザイン指定方法だけなので画像の内容は自分で書く必要があるが、それでもすごい助かる😇

https://t.co/4beaXANtzX

[かずなり | 生成AI活用術 @MacopeninSUTABA]

これは東大 松尾研のメンバーが公開した「AI系の情報収集ノウハウ」。

エンジニアやリサーチャーにとって、ビジネス・技術・論文の3軸で「何をソースにすべきか」が具体名（ニュースレターやサイト）付きで網羅されてい���のが有難い。

こちら👉
https://t.co/fUZSEgE3bO

[ML_Bear @MLBear2]

内容全然見れてないけどこれすごい👀
AIエージェント活用500選(!?)らしい😇

https://t.co/AdmtVKtSWX

[matyubara @matyubara]

音声入力に慣れていないのだけれどまずはマイクセットして試していくべきか

[Michikawa Masayoshi @michiomochi]

最近のドキュメントの書き方を書いたよ！

AIを活用したドキュメント執筆技術 | michiomochi
https://t.co/JzmnIDHpER

[龍一郎 (f.k.a Asei Sugiyama) @K_Ryuichirou]

おー力作だ 著者と読み解くAIエージェント現場導入の勘所　Lancers TechBook#2 https://t.co/i0nfArWAsI

[DeNA×AI @DeNAxAI_NEWS]

🔥 基礎からRAG・ReAct・Deep Research設計まで 🔥
DeNA社内のAIスキル指標「DARS」における、エージェント設計可能な「開発者レベル4」相当にあたる3時間の講義資料＆ハンズオンコードを公開しました✨

PdM・エンジニアのAIスキル底上げのために社内で実施したガチ研修です。これから学びたい方はもちろん、組織全体のAIレベルアップを目���す方にもおすすめです！

👇 カバー範囲
基礎：Next Token Prediction / Instruction Tuning / Reasoning / プロンプトエンジニアリング
実践：構造化出力 / 複数LLMの組み合わせ / Embedding / グラウンディング / Tool Calling
応用：強化学習 / ファインチューニング / コンテキストエンジニアリング / RAG / ReAct・Reflexion / Deep Research設計

https://t.co/jIPtyCq7hD

[ML_Bear @MLBear2]

Gemini 公式がnoteに活用術まとめててめちゃくちゃ良かった。旅行の予定とかレシピの解説とかの作り方を解説しててめちゃ参考になりました😇

https://t.co/ii5WuFaYR1

[Keigo Hattori @keigohtr]

大規模言語モデルの違いを構��面で見る。
https://t.co/uetyVSoefu

DeepSeekやGemmaなど、様々な言語モデルの特徴を端的に表している。

[Kenn Ejima @kenn]

いまLLM研究者のあいだで話題沸騰中なのがサブリミナル・トレーニング。

「フクロウ好きのLLM」に3桁のランダムな数字を出力させて、それを別のLLMのファインチューニングに使うとフクロウ好きという性質が伝染するというもの。

このペーパー自体も話題になりましたが、さらに怖いのは↓

[白井暁彦/Dr.(Shirai)Hakase/AICU/ClaudeCode世界35位 @o_ob]

なんかみんなSakana AIがやらかした間違いについてワイワイ言っているんで、徹底的に検証してみたら結構面白かったし、勉強にも���ったよ！という7万字ぐらいあるブログです。
最後の方にGoogle Colabで動く検証コードを置いておきます。

[TJO @TJO_datasci]

色々考えていて、生成AIに解けるのは静的(static)な問題で、未だにヒトでないと解けないのは動的(dynamic)な問題なのかな、とふと思った。「解決行動をとっても問題は不変なまま」なのが静的な問題で、「解決行動をとるとそれ自体が影響して問題が変容してしまう」のが動的な問題だという

[ML_Bear @MLBear2]

OpenAIが「Deep Research」という機能を発表しました。

PerplexityやGeminiのDeep Research 機能 (同じ名前😅) と同様にWEB検索を用いて大量の情報を整理してレポートを生成してくれる機能です。o3の強力な推論能力を利用しているとのこと。

スレに詳細をまとめます↓

[チャエン | デジライズ CEO《重要AIニュースを毎日最速で発信⚡️》 @masahirochaen]

恐らくこれが世界最強の企業リサーチツール。

Perplexityにて、DeepSeek R1 ＋CrunchbaseとFactSetが融合。

つまり、世界最高クラスの推論AIモデルと世界最大のクローズドな企業データベースが融合。もうリサーチ業務外注せず社内で完結できそう。　↓詳細

[Kazunori Sato @kazunori_279]

生成AIでなんかやれと言われる皆さんへ（DeepSeekとばっちり編��� https://t.co/nOVrYfe92L

[モイ @moycoin]

元素人から素人へ。わかりやすい仮想通貨BOT開発の方法を書いてみました。モニター価格でのご提供です��、追記や読者成果が確認され次第、段階的な料金改定を実施する予定です。

たった200行のコードで5,000万円を稼いだ元素人から素人へ。わかりやすい仮想通貨BOT入門！
https://t.co/vupRrrBX77

[iwashi / Yoshimasa Iwase @iwashi86]

"納得のいく失敗"(Convincing Failure) という記事からメモ：

・2種類の失敗がある。
・ひとつは「惨めな失敗」。単に質の低いものを作っただけの失敗のこと
・この失敗からは、チームが非効率だったことしか、学べない。
・この失敗に戦略的な価値はない。目標達成には振り出しに戻る。
・もうひとつは「納得のいく失敗」。
・高い品質で取り組んだにもかかわらず失敗したケース。
・この失敗には戦略的な価値がある。
・失敗した方法が間違いだったことがわかり、考慮対象から外せるからだ。次の取り組みが成���する可能性が格段に上がる。
・すべての失敗を罰したら、誰もリスクを取らなくなる。かといって失敗を称賛したら、成功する意味がなくなる。
・重要なのは、成功の程度と同じぐらい、失敗の程度にも注目すること。
・粗末なものを作るリスクより、そもそも間違ったものを作るリスクのほうがはるかに大きい。
・「納得のいく失敗」は、実は大きな成功である。

[べいえりあ☔🌿 @mr_bay_area]

以前、自分が人類で一番頭が良いと思う方に「研究室行っても作業は進まない。研究室は雑談しに行くんですよ」と言われたのが出社 vs リモート論争の本質だと思ってて、「作業」は邪魔されないリモートの方が進むのだけれども、オフィス行って雑談した方が「非連続な何か」は生まれやすい印象がある。

[Ryutaro YOSHIBA @ryuzee]

いいスライドだ！ / 本気でプロダクトに向き合うCTOになるために必要な事 (技育祭2024春) - Speaker Deck https://t.co/NGxr9l7Apo

[べいえりあ☔🌿 @mr_bay_area]

Andrew NgのGenerative AI for Everyoneが超面白かったので感想を記事にしてみました。Andrew Ngは言語化能力が非常に高いので、LLMを知らない人は勿論、専門家でもなるほどと思うことが多い講義になってると思います��ChatGPTやLLMに関わる全ての人にオススメ。 https://t.co/LcxwNZVT2t