n.sugimoto

AIスタートアップでビジネスサイドを担当中！ AI | 営業/CS/PM | 名工大/阪大大学院/MBA コールセンター→ドローンスタートアップ→組み込み系AIベンチャー→生成AIベンチャー→松尾研発AIスタートアップ | セールス、CS、組織づくり、自主学習などをつぶやきます！ 気軽にフォロミー！

[n.sugimoto @n__sugi]

AI企業3社目ということもあり、AI企業で働く魅力について、お話を聞いていただきたく、Pittaを立ち上げました！
気軽にお話聞いて下さい！
https://t.co/QFM91vwQTN

[n.sugimoto @n__sugi]

本日から、松尾研発スタートアップのhttps://t.co/GePjdbZLMcにてビジネスサイドで働かせていただきます！
2023年5月に立ち上がったこれからの企業で、少数精鋭なので、これからやっていくぞー！！
直近、AI業界が盛り上がっている中で、さらなる呼び水となる存在になれるよう頑張ります。

[n.sugimoto @n__sugi]

速攻でいいねをいただき、やべ、あれやってね、、って思って焦っているなう、、、
頑張ります、、、

[n.sugimoto @n__sugi]

メガネを新調した。

[Polaris.AI株式会社 @polarisai_inc]

【ホワイトペーパー】
「AI×暗黙知 技術と業界の全体像」を公開しました。

熟練者の知は、どこまでAIで引き出せるのか。
暗黙知を4層に分け、抽出に使う技術を8群、業界ごとの現在地を整理しています。

資料の詳細▼
https://t.co/UIvdqSKAKz

[のりI 転職3.0 @nori_tenshoku3]

マイナビにいた頃、口コミより先にこっちを見ろと伝えていました。感想より、公開されている「数字」の方が嘘をつかないからです。

ホワイト企業を見抜くための公開データ・調べ方15個↓

1 有価証券報告書の平均勤続年数 — 短すぎる会社は人が定着していない証拠
2 有報の平均年間給与 — 上場企業なら公式の数字が誰でも見られる
3 3年後離職率（就職四季報） — 新卒が定着しているかの一番わかりやすい指標
4 平均残業時間の記載（四季報・求人票） — 「みなし残業◯時間」の数字に注目
5 有給取得率 — 制度ではなく実際に取れているかが出る
6 女性管理職比率・育休取得率 — 働き方の柔軟性がにじむ数字
7 くるみん・えるぼし認定 — 国が労働環境を認定したマーク
8 健康経営優良法人の認定 — 従業員の健康に投資しているかの目安
9 採用人数と離職のバランス — 大量採用×大量離職は要注意サイン
10 従業員数の推移（有報） — 増減の理由を見ると内情が読める
11 就職四季報の「NA（回答拒否）」欄 — 都合が悪い項目ほど答えない。空欄こそ情報
12 求人の出続けている期間 — 万年募集は定着に問題がある可能性
13 厚労省「職場のあんぜんサイト」の労災情報 — 事故の多い職場かがわかる
14 会社の決算・利益率の推移 — 儲かっていない会社は結局しわ寄せが来る
15 グローバルニッチトップ100選などの公的認定 — 国が技術と経営を評価した証

[n.sugimoto @n__sugi]

慣れの問題なのだとは思うけども、iPhoneのソフトウェアアップデートしたら、くそ使いずらい。

[Polaris.AI株式会社 @polarisai_inc]

【プレスリリース】
当社は、文部科学省「N-E.X.T.ハイスクール構想」に対応した高校教育向けAI伴走支援サービスの提供を開始しました。松尾研発の専門性とコンサル力で、3つの改革類型それぞれを、計画策定から成果波及まで伴走します。

サービス詳細▼
https://t.co/e4Z67TgqAi

#AI伴走支援 #GAI

[n.sugimoto @n__sugi]

クッソ酔った、
学びとしては以下。
・やりたいことやろうぜ。
・40歳までが勝負。
・人生なんくるなるさ〜
・不義理をしない

[n.sugimoto @n__sugi]

昔お世話になったシェアハウスのオーナーと深い話を聞いていてまじで尊敬＆涙。

[n.sugimoto @n__sugi]

@hideman2009 @alfredplpl ひでまんさんも・・？笑

@alfredplpl
ご無沙汰しております＆突然すいません！笑
研究開発のような内容も多いですし、もしよろしければ1度お話聞いていただけると、、！

[n.sugimoto @n__sugi]

@alfredplpl @hideman2009 松尾研発スタートアップという選択肢はどうですか！？

[n.sugimoto @n__sugi]

@kurt_pawapuro わかる笑

[n.sugimoto @n__sugi]

claudeを提案書書くために使っているけども、デモのレベルがすげえな、、、、
簡単なモックアップとかすぐできるし、雑なプロンプトでもちゃんとやってくれるのすごすぎんか？

[n.sugimoto @n__sugi]

もちろん、token数とかの意識はあるけども。

[Haruki Yano / Haruma-K @harumak_11]

AIでトップ1%のエンジニアリングチームが実践していること、という記事
https://t.co/uF6ePOIpZW

・SNSなどで見かける「少数のAIエージェントで生産性が数百倍になる」という過剰な宣伝は、実際のデータとはかけ離れている
・ソフトウェアエンジニアの働き方を分析するWeave社が、数百社、1万人以上のエンジニアのデータをもとに、上位1%の優れた成果を出すチームの共通点を調査した
・この調査では、単純なコード行数やコミット数ではなく、「専門のエンジニアがその作業を完了するのに本来どれだけの時間がかかるか」を基準にした独自の指標で生産性を測定している
・データの分布を見ると、上位1%とそれ以外のチームの間にはパレートの法則やベキ分布に従うような極めて大きな成果の差が存在している

・優れた成果を出すチームの多くは、組織構造をフラットにして個々のチームを小さくし、エンジニア自身がプロジェクトの全工程を所有する体制をとっている
・エンジニアがビジネスやプロダクトの視点を持つことが前提になり、「プロダクトエンジニア」という役割の境界線が消えて「ソフトウェアエンジニア」に統合されつつある
・極端な例として、Telnyxという企業では200人のエンジニアに対して管理職が一切おらず、1人の責任者のみが在籍する極めてフラットな組織を構築している
・またPostHogという企業では、チーム内の調整コストを避けるためにチーム人数を最大3人に制限し、各チームの主導者が直接責任者に報告する体制をとっている
・これらの企業はAIで人間を置き換えて人員を減らすのではなく、AIを使って1人あたりの生産性を引き上げ、組織全体の成果を指数関数的に高めるために雇用を増やし続けている

・成果の高いトップチームほどAIツールやトークンの消費により多くの費用を投じている
・しかしトップチームは、単に費用を増やすだけでなく、生み出す価値に対するAIのコスト効率を高く保つ工夫をしている
・例えばRobinhoodでは、自社のコードベースや開発要件に合わせて調整したカスタムエージェントを構築し、コストを抑えながら回答の精度を高めている
・またSpottという企業では、エンジニアが同時に平均5つのエージェントを稼働させており、AIへの投資を増やしながらそれを大幅に上回る成果を生み出している

・優れたチームは、人間がプルリクエストを直接レビューする割合が他よりも大幅に少ない
・人間によるレビューを減らす代わりに、複数のAIコードレビュワーを活用してマージ前の安全性を自動で検証している
・コードが作られた後にレビューするのではなく、コードが生成される前の段階で設計書や仕様書を綿密にレビューすることに焦点を移している
・実際にWeave社でも4、5種類のAIレビュワーを稼働させ、人間によるレビューを任意にすることで、開発の速度を大幅に向上させている
・何千行にも及ぶソースコードをレビューするよりも、数百行の簡潔な仕様書をレビューする方がはるかに簡単で効果的である

・コードの生産量やプルリクエストの完了数が増えても、生み出されるバグの割合はそれほど増加していない
・トップチームはAIを活用して継続的なテストを繰り返すことで、品質の担保を自動化している
・例えば「&AI」という企業では、5台のPCを24時間稼働させてAIモデルのCodex 5.5に品質テストを繰り返し実行させ、ユーザーが気づく前に本番環境のバグを発見している
・さらにトップチームは、開発やデプロイの仕組みを最適化し、他よりも頻繁に本番環境へのリリースを行っている
・ただし、単にデプロイの回数を増やすこと自体を目的にするのではなく、実質的な機能追加の配信価値を最大化することが重要になる

・ソーシャルメディア上の最新の流行に振り回されても、チームの本当の改善にはつながらない
・最も重要なことは、自分たちの現状をデータとして正確に把握し、時間をかけてその変化を測定し続けることである
・実験を恐れずに繰り返し、自分たちにとって効果のある手法を見極めて強化し、機能していないやり方は速やかにやめるべきである

[上野山勝也 | パークシャテクノロジーCEO @KatsuyaUenoyama]

社内でとあるジュニアチームに
「AI利用を禁止」してみた所、数ヶ月で
成長スピードが上がり、能力が向上する、
という面白い事が起き始めている

AI / 生産性向上ツールが、人の成長にブレーキをかけず、如何に人材の成長を加速させるか、は近未来大切なテーマ。

[Polaris.AI株式会社 @polarisai_inc]

VLAを使ったpick&place

[Polaris.AI株式会社 @polarisai_inc]

PolarisAIプログラミングコンテスト懇親会を開催しました！
40名超の競プロerの方にご参加いただきました。ご参加いただいた皆様、ありがとうございました。

@chokudai さんにもお越しいただきました！

[教育ICTニュースサイト「こどもとIT」 @EdTech_for_Kids]

【今日の人気記事】【EDIXで見つけたAI】特別支援学校の「個別の指導計画」作成をAIで支援、https://t.co/UvegKJMBo5 ―「EDIX東京2026」レポート⑯… https://t.co/cq00Z8wv3X #EDIX #EDIX東京

[sogitani / baigie inc. @sogitani_baigie]

AIでそれっぽい長文とかそれっぽい企画書が作れるようになったの、若手育成という観点では実益より弊害が大きいと思う。

[Torishima / INTP @izutorishima]

説明員さんがノリノリで解説してくださったので根掘り葉掘りお聴きしてたら閉場時間に…（ガチですみません）
もう少し展示見たかったけど濃い話ができて満足…！
以下おもしろ話を抜粋
・Qwen3-Omni ベースなのは画像・動画・音声マルチモーダル対応なオープンモデルがそれくらいしかないから（👈️ﾃﾞｽﾖﾈｰ）
・中国製モデルである Qwen を使うのはどうなんだ？という声も社内のお偉いさんから実際にあり、『生成テキストに中国の思想が入る』のが懸念なら今回展示のような『EPG番組情報と実内容の整合性チェック』なら生成しないのでええやん！と主張してはいるが感情的なアレで『本番利用は非中国モデルベースで』という方針ではあり、とはいえ Omni 対応で日本語音声認識できるやつが Qwen3-Omni 30B くらいしかないので、『技術検証として各タスクで現状どのくらい精度出せて使えそうか、作ってみないと分かんないじゃん』という趣旨で通して試験的に作ってみた代物だそう
・現状 LoRA が精一杯で継続事前学習はリソースとコスト的にまだやれてない
・LoRA だけだとフォーマットに合わせるとか、単一フレームだけでの間違い指摘機能は精度が出たタスクもあるが、根本的な理解力とか地頭が上がった感じはない（し、LoRA の限界としてもその理解）
・フルスクラッチでマルチモーダルは〜〜無理っス！！技研は自前で学習回す用の GPU クラスタをある程度持ってるけど動画を食わせるには足りなさすぎる
　・数ヶ月とか時間かければ学習できなくもないかもだが、技研全体での共有リソースを占有する訳にも言わず、長期間は現実的でない、マネー的にも計算資源が足りん…
・元々番組制作支援のために作っているが、正直まだ何に使えるか明確に出来てるわけではなく、限界を探るために作った節もある
・学習/推論時の計算リソース的なの都合、あと『実際推論するなら本編分割して処理した結果をいい感じに繋ぎ合わせたほうがよくね？』ということで動画入力は最大15分までしか対応してない（15分なのは朝ドラをベンチマークにするため）
　・学習データも15分番組までなので、ドラマやドキュメンタリーには対応できておらず、今回のデモに関してと実用の都合上で実用化できているわけではない
・オールインワンの社内基盤モデルとして作ったが、タスク調整をよくばりすぎて、モデルサイズもあってか中途半端な性能
　・実用化を目指すなら比較的解けそうなタスクに絞って FT することになるんじゃないか
・映像理解は画像理解がついた VLM で擬似的にできるし、音声も高性能な内製音声認識で書き起こしてから LLM に画像→テキスト→画像→テキストみたいにインターリーブして入れれば何とかなる事も分かったから、音声モダリティは必須ではないんじゃね？とか考え中
・音声モダリティなしの VLM の開発方向性で言うと継続事前学習まで試しており、非中国モデルという選定から今となっては古い Llama 3.1 ベースだが、タスクを絞ったことでそこそこ精度が出ている
・人物相関図とか番組編集時の次のカット割り予測とかも当該基盤モデルで出せるようにしてみたが（人物相関図は手動？カット割り予測は VLM で錬成した合成データらしい）、LoRA なのもあってか物語の理解とかセンスだとかまでは全然達していない
　・実用性というよりはベンチマーク測る用の機能ではあったが、時系列の一貫性とかがやはり弱い
・我々が開発している間にビックテックがより強いモデルを出してくる可能性は全然あって、本当に差が決定的になったら研究やめてもいいかもだが、日本語を扱うメディアが海外依存なのもどうなん？という国策 AI 的な文脈とか今までの積み重ねはある
・内製の音声認識 AI も過去何年も育ててきた自前アーキテクチャ用の人力アノテーションデータを Whisper に食わせたら性能爆上がりしたので今は Whisperベースで考えている
…とかほかにも色々あったけど眠すぎるのでいったんここまで（というか抜粋の文量じゃねえな…）