GGMLとllama.cppがHugging Faceに参加、ローカルAIの長期進展を確保

編集部の実践記録から

当社が自社の業務でAIを動かし、処理件数・所要時間・失敗件数まで 実際に測った記録です。

AI解体新書

社内データにAIを「たどらせる」方式は、追加学習なしでどこまで当たるのか（Macro F1 66.29%／最難関40.83%）

知識グラフを段階的にたどらせてSPARQLを生成する手法MARSが、ファインチューニングなしで既存手法を上回った。ただし最高でもMacro F1は66.29%、最難関ベンチマークでは40.83%。社内DBへの自然文質問AIを検討する中小企業が、精度の天井をどう見積もり、どこに人を残すべきかを一次資料の数字から読む。

続きを読む →

AI解体新書

Kimi K3の使い方は3通り — 中小企業が現実的に触れるのはどれか

2.8兆パラメータのオープンウェイトモデル「Kimi K3」を実際に使う経路は、公式API・Kimi Code CLI・自前ホスティングの3つです。公開されている仕様と料金を一次情報から整理し、中小企業にとってどれが現実的かを見ます。API単価はClaude Sonnet 5と同額でした。

続きを読む →

AI解体新書

AIの正解ラベルは100件で足りるのか？7,241件分の精度に到達した選び方と、9回中5回失敗した落とし穴

7,241件のデータプールからAI自身の不確実性で100件だけ選ぶと、全データ学習とほぼ同じ精度に届いた。一方で1回きりの微調整は9シード中5シードが物理的にありえない出力を学習し、検証スコアはそれを検知できなかった。ラベル作成コストに悩む中小企業が読むべき、選び方と止め方の設計を解説する。

続きを読む →