ysano

まれにつぶやくひと。おんがくがすきなんだ。放送作家ではありません。

[ysano @ysano]

@Foxyuun このときはsk1のunixのうたが炸裂してましたね。吉祥寺33に納品してたころかな。

[東浩紀 Hiroki Azuma @hazuma]

いまSNSではパランティアやばい論が横行しており、実際公式のツイートをみるとそうなるのは必然なのですが、本全体を読むとちょっと違った話が見えてくるという話をしました。
関心があったらご覧ください。最初の1時間はシラフの講義です。残り2時間はいつもの雑談。
https://t.co/t5tCtubVFA

[Hiromitsu Takagi @HiromitsuTakagi]

日記を書いたよ。
https://t.co/yd9hPvV0zh
知財検討会にまで及ぶAI規制の混迷──処遇AIと生成AIを混ぜると、全部壊れる - 高木浩光＠自宅の日記（2025年12月16日）
「関係者の皆さんには読んでほしい。方向付けさえすれば自然にここまで言われてしまうという事態の深刻さを受け止めてほしい。」

[ysano @ysano]

https://t.co/ZW9jkZk0eg

[ysano @ysano]

チームみらい党首、安野貴博氏が初当選確実に　参院選比例代表(毎日新聞)
#Yahooニュース
https://t.co/lvE0hVwegd

[TheBlackDog @TheBlackDog]

Fancy a night out?

[Kazunori Sato @kazunori_279]

なぜRAGではあいかわらず類似検索が人気なのかGemini 2.5 Proに聞いてみた：

情報検索（IR）や推薦システム（RecSys）の分野では、単純な（事前学習済み汎用埋め込みによる）ベクトル類似検索だけを用いることは、特に高精度が要求される商用システムなどでは稀です。これらの分野では、BM25のような古典的な手法、Learning to Rank（LTR）、グラフベースの手法、ユーザー行動ログを用いた複雑なモデルなどが組み合わせて使われるのが一般的です。
一方、RAG（Retrieval-Augmented Generation）において、現時点で比較的単純なベクトル類似検索が多く用いられている（ように見える）理由は、いくつかの要因が複合的に絡み合っていると考えられます。
* 役割の違いとLLMの能力:
* IR/RecSys: 検索結果や推薦リストそのものが最終的な価値提供物です。ランキングの精度がユーザー体験やビジネス指標に直結するため、ランキングアルゴリズムの最適化に多大な努力が払われます。
* RAG: 検索（Retrieval）は、最終的な回答を生成するLLM（Generation）のための中間ステップです。検索の目的は、LLMが良質な回答を生成するのに十分な「素材（コンテキスト）」を提供することにあります。LLM自体が高度な読解力、推論力、要約力を持っているため、検索結果に多少のノイズや不完全さがあっても、提供された情報の中から適切に取捨選択し、最終的な回答を生成できる可能性があります。つまり、LLMがある程度の「後処理」をしてくれるため、検索コンポーネントへの要求が（IR/RecSysの最終ランキングと比較して）相対的に低くなる場合があります。
* 技術の成熟度と発展段階:
* IRとRecSysは何十年もの研究と実用化の歴史があり、その中で様々な技術が試され、洗練されてきました。
* RAGはLLMの発展と共に急速に普及した比較的新しい技術であり、まだ発展途上です。まずは「動くものを作る」段階として、実装が容易で強力なベースラインとなるベクトル検索が広く採用されました。コミュニティやフレームワーク（LangChain, LlamaIndexなど）も、まずこのアプローチをサポートしたため、普及が加速しました。
* 実装の容易さとアクセシビリティ:
* 事前学習済みの汎用埋め込みモデルを用いたベクトル検索は、比較的簡単に実装できます。モデルをロードし、テキストをベクトル化し、ベクトルデータベースに入れるという手順は標準化されつつあり、多くのライブラリやサービスでサポートされています。
* LTRのような複雑なランキングモデルや、特定のタスクに特化したTwo-Towerモデルの訓練・導入は、データ準備や専門知識の面でハードルが高くなります。
* 評価の難しさ:
* IR/RecSysでは、クリック率、コンバージョン率、NDCGなど、ランキング品質を直接評価する明確な指標があります。
* RAGの評価は、最終的な生成応答の品質で行われることが多く、これは本質的に評価が難しい問題です（人間による評価、あるいはLLMを使った自動評価など）。検索コンポーネント単体の評価（例: Recall@k）が、必ずしも最終的な回答品質と直結するとは限らないため、検索部分だけを高度に最適化するインセンティブが働きにくい側面があります。
* 「Good Enough」な性能:
* 単純なベクトル検索でも、LLM単体で回答させる場合に比べて、外部知識を注入することで回答品質が劇的に向上することが多くあります。多くの場合、この「Good Enough」な性能向上が、導入の手軽さと相まって、最初の選択肢として魅力的になっています。
ただし、状況は変化しています:
RAGの研究開発が進むにつれて、より高度な検索技術の導入が進んでいます。
* ハイブリッド検索: BM25のようなキーワード検索とベクトル検索の組み合わせ。
* 再ランキング（Re-ranking）: ベクトル検索で得られた候補を、より計算コストの高いモデル（Cross-Encoderなど）で再度ランキングし直す。
* 埋め込みモデルのファインチューニング: RAGで使用するデータセットやタスクに合わせて、埋め込みモデルをファインチューニングする。
* RAG用Two-Towerモデル: RAGの検索タスクに特化して訓練されたTwo-Towerモデルの利用。
したがって、「RAGでは単純な類似検索しか使われない」という状況は、過渡期のものであり、今後はIR/RecSysの知見を取り入れながら、より洗練された検索・ランキング手法がRAGにも適用されていくと考えられます。現時点での普及度の違いは、主に技術の成熟度、役割の違い、実装の容易さ、LLMの能力によるものと言えるでしょう。

[ysano @ysano]

https://t.co/uFO8srvt1b

[ysano @ysano]

開発としてはCursor, Devinの組み合わせ試してる。要件整理としてはDifyでWorkflow作るのがいいんじゃないかと思ってるけど、人間が何をほしいのかを言語化しないとどうにもならないっていうか。結局なにをInputするのかに尽きる。

[ysano @ysano]

「AI Code Agents 祭り」~ 2025 Winter ~ https://t.co/ofXxWynH62 @YouTubeより

[ysano @ysano]

Sample Breakdown: The Most Iconic Electronic Music Sample of Every Year ... https://t.co/8vm7NP4Bjz @YouTubeより

[厚揚げたべるマン @36labo]

去年11月29日にリリースされた
HANDAYA​-​VR21 「ご​ち​そ​う​さ​ま​で​し​た​。」
本日、ボーナストラック追加。
quadさん、ysanoさん、FOXYUNさんの楽曲です。

はんだやレイブ完結。
ありがとうございました。

だが、俺の半田屋巡礼の旅はこれからだ！

https://t.co/hWZPK23DXT

#handaya_rave

[八掛商会 @hakkeshoukai]

年末リリースした新譜「HANDAYA​-​VR21 ご​ち​そ​う​さ​ま​で​し​た​。」におかわりとして3曲追加したでゲソよ。
全19曲！もう完全にめし（大）の領域でゲソね・・・
とてもくえないと思ってもモリモリたべるでゲソ！
https://t.co/iZjxbbQfE7
#handaya_rave

[DJ SHARPNEL⚡️VRDJ @sharpnelsound]

🍚ごちそうさまでした！おかわり🍚
はんだやレイヴ最新作にして最終作「HANDAYA​-​VR21 ご​ち​そ​う​さ​ま​で​し​た​。」に追加ボーナストラックが収録。追加アーティストはquadさん、ysanoさん、FOXYUNさん。
みんなで一緒に「ごちそうさまでした！」🙏

リリース詳細👇

[kazuki🄽Notion @kzkhykw]

Notionって、オシャレで書きやすい「ただのドキュメントツール」だと思っていないですか？
その真髄は、裏側にあるレゴブロックをコンセプトにした、データベース構造にあります。

その仕組みを超詳細に公開したテックブログが公開されました。日本語化したのでご覧ください
https://t.co/PWzAsviHjk

[ysano @ysano]

https://t.co/AX6vW0SWKz

[ysano @ysano]

https://t.co/D8LsBErTPE

[ysano @ysano]

https://t.co/jfeZVQAAI8

[ysano @ysano]

https://t.co/A5EjfXiyAq

[Hideyuki Tanaka @tanakh]

https://t.co/C8laA40N09

スレッドはasync/awaitよりも単純だし、async/awaitでできることはスレッドでもできるのに、なんでわざわざ複雑なものを選ぶ必要があるのか？というRustコニュニティーでもよく見かける質問に対するわかりやすい解説記事