AIに「正しく作る」を寄せる。でも「正しいものを作る」は人間が決める
先に結論 AIエージェントを開発工程に組み込んで、実装できる量は大きく増えました。自分一人では難しかったフルスタックの実装にも手が届き、分からない技術はCodexに質問しながら、設計と実装を往復できます。 一方で、最近強く感じていることがあります。 AIが速くなるほど、ボトルネックは自分になる。 Codexは実装できます。AIレビュアーは、要求・設計・実装・テストの整合性を細かく確認できます。 しかし最後に、次のことを判断するのは人間です。 本当にこの機能が必要なのか 実際の利用者はどう使うのか この運用で困らないのか この設計は自分が意図したものなのか この記事では、ソフトウェ...
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
大きいモデルなら自社の言葉も通じるのか？1,173問・54モデルで正答率が25.66%〜82.18%に開いた検証
UAEのTechnology Innovation Instituteが、エミラティ方言を扱う1,173問のベンチマーク「Alyah」で54モデルを評価しました。同じ問題セットで正答率は25.66%から82.18%まで開き、4択の偶然正解25%と区別できないモデルもありました。自社の言葉づかいで測る必要性を示す実例です。
続きを読む →
AIエージェントは設備の現場業務をどこまで任せられるのか？最良モデルでも計画68.2%・実行72.4%、複数連携では47%
IBM Researchが公開したAssetOpsBenchは、産業設備の運用業務をAIエージェントに解かせるベンチマークです。最良のGPT-4.1でも計画68.2%・実行72.4%にとどまり、実運用可否の基準である85点に到達したモデルはゼロ。複数エージェントを連携させると47%まで落ちました。中小企業が自動化の範囲を決める材料になります。
続きを読む →
公開ベンチマークのスコアはそのまま比較に使えるのか？同じLLaMA 65BのMMLUが63.7と48.8に割れている
Hugging FaceとEvalEval Coalitionが、22,000超のモデル・2,200のベンチマークにまたがる229,000件の評価結果を1か所に集約しました。そこで露わになったのは、同一モデル・同一ベンチマークでもスコアが63.7と48.8に食い違うという事実です。ベンダー提示の点数をどう扱うべきかを整理します。
続きを読む →