AIに渡す「コンテキスト」を理解する——トークン・過多過少・依頼の出し方
はじめに この記事は、初めて書く技術記事です。 最近、ドキュメント作成や Skill 作成などを AI と進めるなかで、気づくと「この方針で合ってる？」のように、自分の考えを確認・補強する問い方が増えていました。言語化には役立ちますが、別視点に触れる機会が減り、対話が自分の想定内で完結しやすくなる印象がありました。 コーディングでも、渡し方ひとつで一般論になったり的外れになったりします。「コンテキスト」という言葉はよく見ますが、自分の中ではふわっとした理解のままでした。トークンや ○○K も、数字としては見かけるものの、自分の中ではまだピンときていませんでした。 この記事では、コンテ...
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 →
この話題に関連する、TOEの実践・観測記録
AIに社内資料を読ませて文書を作らせると、何％が出典の辿れない創作になるのか — 2,629点の来歴監査
公式文書を与えたうえでAIに合意文書を作らせ、生成物1点ずつの出どころを監査した研究があります。原典に直接遡れたのは43.7%、一切遡れない創作が22.1%、仕組み由来のゴミが6.8%。AIに社内資料を読ませて提案書や議事録を作らせる運用に、そのまま効く数字です。
続きを読む →
本物の顔写真を使わずに、顔認証システムの優劣は比較できるのか（合成データ12件×モデル24本の検証）
ルクセンブルク大学らの研究が、AI生成の合成顔データセット12件と実データのベンチマーク7件を、学習済みモデル24本で突き合わせた。上位の合成データは実データとの相関が平均0.90に達する一方、最下位は-0.52まで落ちる。顔写真を集めずにベンダー比較ができる条件と、鵜呑みにしてはいけない境界を整理する。
続きを読む →
推薦モデルは再学習なしで更新できるか？ データ1.8%でRMSE0.810という実測
推薦システムを再学習せずに新しい行動データだけで更新する手法を公開した。データの1.8%しか読まずにRMSE0.810、更新は1バッチ90ms、CPU単体で動く。一方で大規模カタログではアイテムカバレッジ1%未満まで落ちる限界も報告されている。中小ECにとって何を意味するかを整理する。
続きを読む →