Kindleの蔵書データをAIに読ませたら、『次に読むべき本』をガイドされた話
この記事の実施記録（2026年8月）: Claude Codeに自分のKindle購入履歴を読ませ、時代小説16作家・501冊の内訳を、日本歴史時代作家協会賞の受賞歴と突き合わせて分析させた（2026年8月22日実施）。結果、上位2作家（上田秀人164冊・佐伯泰英156冊）で全体の64%を占めていること、直近の購入ペースが2019年の129冊から2024年の11冊まで落ち込んでいることが分かった。原因は「読みたい本が尽きた」のではなく、その上位2作家の新規供給が止まっていたという構造的な理由だった。AIはここから「次に読むべき作家」を5人具体的に挙げ、私は実際にそのうちの1人の本を買った...
出典: Zenn AI（配信元の紹介文より引用）
このニュースの全文は、配信元でお読みいただけます。 Zenn AIで元記事を読む →
編集部の実践記録から
定型判断はローカルAIで足りるのか — 330件の仕分けをF1 0.800・1件1.41秒で回した検証は何を示したか
Hugging Face公式ブログが、OpenClawリポジトリのPR・課題の仕分けをローカルの小型モデルで実施した結果を公開しました。330行の評価セットでF1 0.800、1件あたり1.41秒。巨大モデルはF1 0.811とほぼ同等ながら1件144秒。数字の出どころと限界も含めて読み解きます。
続きを読む →
社内資料を読ませたAIエージェントは、外部検索の途中で機密をどれだけ漏らすのか？漏洩率34.0%という実測
ServiceNowが公開したMosaicLeaksは、社内文書を読んだAIリサーチエージェントが外部検索クエリに機密を混入させる度合いを測ったベンチマークです。素のモデルで漏洩率34.0%、「漏らすな」と指示しても25.5%、精度だけを追って学習させると51.7%に悪化しました。社内AI利用の線引きを考える材料になります。
続きを読む →
LoRA以外の追加学習手法は検討する価値があるのか？画像生成でOFTが0.708対0.697、メモリ約1GB減という実測
Hugging Faceが自社のPEFTライブラリで複数の追加学習手法を同一条件で比較しました。画像生成ではOFTがDINO類似度0.708／メモリ9.01GBとなり、LoRAの0.697／9.97GBを精度・メモリの両方で上回っています。一方で本番の推論基盤はLoRA形式しか読めない場合があり、勝つ手法と使える手法は一致しません。
続きを読む →