はじめに たくさん、どうぞ！1 nikkieです。 毎日夏！って感じですが、今日も元気にOpenAIのAPIを叩いていきたいと思います！ 今回はたくさん送るので、並行処理を模索しました。 現時点での考えのバックアップ目的のエントリです。 目次 はじめに 目次 データセット数千件をChatGPTに固有表現認識させたい ライブラリopenaiをイベントループで利用する コード例（コメント歓迎） 終わりに データセット数千件をChatGPTに固有表現認識させたい 今回の状況の共有です。 論文「Is Information Extraction Solved by ChatGPT?」に興味を持ちました。 この論文は固有表現認識をはじめとするデータセットを何種類も用意し、プロンプトエンジニアリングしてChatGPTに解かせ、性能を確認します。 SOTA（state of the art）の性能に及ぶ

私がスタッフエンジニアとして働くうえで、最も重視している考えは「事に向かうこと」です。 ここでフォーカスしている「事」とは「重要な事」を指しています。今自分にしか出来ない最も重要だと思うことを指しています。逆に言えば、それ以外のことには向かうことなかれという考えです。 Tebikiのスタッフエンジニアは、創業者や他の社員から具体的な仕事が与えられることはほとんどありません。そもそも、スタッフエンジニアに限らず、なぜ組織にテックリード、エンジニアリングマネージャーといったロールが必要になるのかというと、事業と組織の拡大に応じて、創業者が複数のロールを兼任できなくなるためです。スタッフエンジニアの場合、「組織運営における技術的に重要な事」を考える役割を、創業者から移譲されることになります。自分以外には、技術的に重要な事を考える機能が組織に存在しないので、自ら「重要な事」を導き出す必要があります

デフォルトはlocalです。スコープによって、設定ファイルに書き込まれる場所が変わったり、設定ファイル自体が変わるのがなかなかトリッキーですね（最初ずっと混乱してました）。.mcp.jsonは、プロジェクトで複数人でMCPサーバの設定を使うときに便利かもしれませんね（APIキー設定とかは困りそうですが）。 設定ファイルを直接編集してClaude Codeを起動することでも、MCPサーバを設定することができます。具体的にはプロジェクトのルートディレクトリに.mcp.jsonをおいて、そこでClaude Codeを起動すれば設定が自動で反映されます。 ~/.claude.jsonの場合は、書く場所で影響範囲が変わる形になっています。ただ、~/.claude.jsonはすべてのプロジェクトのMCP以外も含めた設定ファイルが保存された大きいファイルなので、直接編集が難しいです（一回派手にぶっ壊しま

Horace He in collaboration with others at Thinking Machines Sep 10, 2025 Reproducibility is a bedrock of scientific progress. However, it’s remarkably difficult to get reproducible results out of large language models. For example, you might observe that asking ChatGPT the same question multiple times provides different results. This by itself is not surprising, since getting a result from a langu

はじめにChatGPTに同じ質問を何度か投げかけたとき、毎回少しずつ違う回答が返ってくることに気づいたことはありませんか？実はこれ、AI業界で長年の謎とされてきた「非決定性（nondeterminism）」という問題です。 2025年9月、Horace He氏とThinking Machines Labが、この問題の真の原因と解決策を発表しました。本記事では、この画期的な研究内容を分かりやすく解説していきます。 そもそも「非決定性」とは？AIモデルには「temperature」という設定値があります。これを「0」に設定すると、理論上はAIは常に最も確率の高い単語を選ぶ「貪欲法（greedy sampling）」で動作し、同じ入力に対して常に同じ出力を返すはずです。 しかし現実は違います。temperature=0でも、LLM APIは同じ入力に対して異なる出力を返すことが広く知られています

nanochatとは OpenAI共同設立者、元テスラディレクターであり。バイブコーディング・コンテキストエンジニアリングといった言葉を生み出したAndrej Karpathy氏が公開したソフトウェアです。 なんと、ChatGPTのような対話可能なLLMを、規模こそ違えど約100ドルのコストでゼロから4時間で学習させることができるソフトということで話題になりました。 100ドルくらいのコストで、人とある程度対話可能なLLMを開発できるというのは、本当に凄いことで破格なのですが、やはり一回の学習に100ドルかかるのは、個人の趣味だったり、学習用に考えると難しいものがあります。 そこで登場するのがNVIDIA DGX Sparkです。1petaFLOPのAIパフォーマンスと128GBのメモリがあればnanochatを実用的な速度で学習できるかもしれないということで、DGX SparkによるLL

はじめに Azureに限った話しではないですが、何かしらの検証作業終了後に利用したVMを停止し忘れることがあります。 オンプレの仮想環境であれば後日気付いて停止すれば問題ないことが多いです。 が、Cloudの場合、システム的には問題なくてもVM利用料が課金され続けてしまいます。 利用料金が高額になって怒られたくないので稼働しっぱなしのVMがあったらSlackに通知して気付くようにしたいと思います。 使用サービス 今回はAzure Functionsでリソースの状態を確認する処理を作成するのですが、それに付随して別サービスも使用されます。 Azure Functions Azure App Service Azure Insights Storage Account Log Analytics Slackへの投稿にはSlackアプリのIncoming Webhookを使います。 Incomi

2025年10月号 猛努力を重ねてバトントワーリング（神奈川県・相模女子大学高等部3年） かがわ総文祭2025 「政治への無力感」なぜ生まれる？ 「戦争を忘れない」どうすれば？ 市原隼人さん　自分と「合わない」人と過ごすのは楽しい

はじめに 転職してから4年が経ちました。転職時書いたブログはこちらです。 vengineer.hatenablog.com 記録としてブログに残すことにしました。 50過ぎのオッサンが スタートアップに転職して エンジニアとして働いた4年間を記録としてブログに残します— Vengineerの妄想 (@Vengineer) 2022年5月28日 上記は5/28(土)の21時頃ツイートしましたが、5/29(日)の17時頃(200♡)を超えた頃から一気に伸びてきて、5/30(月)の7時には700♡を超えちゃいました。そして、5/30(月)の12時には800♡を超えちゃいました。5/30(月)の18時には900♡を超えちゃいました。どうやら、999♡になった模様。何だが凄いことになってしまった。 こんな状態なるとは、思わなかったですよ。。。 具体的な内容は、さし飲みや1時間の1on1ですら話さない

はじめに このブログでも何度もお仕事に関するキャリアについて、書いてきました。 先日、ちょっと思うことがあって、Xに下記のような投稿をしました。 お仕事でのキャリア いい人生を送るための手段なんだけど、最初にこのくらいという目標を決めておかないと、キャリアが目的となって、永遠にいい人生をおくれないことになると思う。 気がついた時は、色々な意味で何もできない状況になっていることが多いと思うよ。— Vengineerの妄想 (@Vengineer) 2025年9月20日 このことについて、もうちょっと、書いておきたいと思います。 お仕事でのキャリアは、手段 一般的には、生まれてから、お仕事をしないで人生を終える人は、まれだと思います(色々な事情で出来ないという人が居るのは認識していますので、そうではないケースです) そうなると、何らかのお仕事をする必要があります。あたし的には、お仕事は、 生き

大吉祥寺.pm で発表した資料です 個人開発、しようぜ! https://fortee.jp/dai-kichijojipm-2025/proposal/d25e254d-c22c-4920-b67a-0d966587daac

最近、ふとした気づきがありました。 それは、「同じものを見ていても、過去と現在の自分では見えている世界がまったく違っている」ということです。 みなさんには、このコードからどんな世界が見えますか？ async function getUserName(userId) { const response = await fetch(`https://api.example.com/users/${userId}`); const user = await response.json(); return user.name; } はじめに こんにちは、株式会社ココナラ在籍のKです。 本記事では、冒頭の5行のコードを通して、私たちが学ぶ理由について考えてみたいと思います。 TL;DR 同じコードを見ても、人によって見えるものが違っている 学習を重ねることで、それまで見えなかった世界が見えてくる 学習

Innovative Tech： このコーナーでは、テクノロジーの最新研究を紹介するWebメディア「Seamless」を主宰する山下裕毅氏が執筆。新規性の高い科学論文を山下氏がピックアップし、解説する。Twitter: ＠shiropen2 米カーネギーメロン大学、Allen Institute for Artificial Intelligence、米ワシントン大学、米NVIDIA、米UC San Diego、米Google Researchに所属する研究者らが発表した論文「Self-Refine: Iterative Refinement with Self-Feedback」は、大規模言語モデル（LLM）が、より高品質な出力を生成するために、反復的な改良と自己評価を利用することを可能にする新しいフレームワークを提案した研究報告である。

8月19日現在、Googleが公式に公開した「Prompt Engineering」と題するホワイトペーパーが、再び大きな注目を集めている。 Google公式のホワイトペーパーとは このホワイトペーパーは2024年9月にKaggleを通じて公開されたもので、著者はGoogleのLee Boonstra氏である。内容は、LLMに対する入力（プロンプト）設計を体系的に解説するもので、以下のような要素を含んでいる。 プロンプト設計の基礎 モデルの特性や学習データ、生成パラメータ（例：temperature）、語彙選択、文体やトーン、構造、コンテキストといった要素が出力の質に直結することを解説。 多様なプロンプト技法 Zero-shot、Few-shot、Chain of Thought（CoT）、Self-Consistency、Tree of Thoughts、ReAct、Automatic

2014年から先端テクノロジーの研究を論文単位で記事にして紹介しているWebメディアのSeamless（シームレス）を運営し、執筆しています。 1週間の気になる生成AI技術・研究をいくつかピックアップして解説する連載「生成AIウィークリー」から、特に興味深いAI技術や研究にスポットライトを当てる生成AIクローズアップ。 今回は、大規模言語モデル（LLM）の「思考の連鎖」（Chain-of-Thought, CoT）推論能力は幻想だと主張した研究論文「Is Chain-of-Thought Reasoning of LLMs a Mirage? A Data Distribution Lens」を取り上げます。米アリゾナ州立大学に所属する研究者らが発表しました。 CoT推論は、「ステップバイステップで考えてみましょう」といった簡単なプロンプトを追加することで、LLMが複雑な問題を中間ステップ

LLMのプロンプトエンジニアリング ―GitHub Copilotを生んだ開発者が教える生成AIアプリケーション開発 作者:John Berryman,Albert Ziegler,服部 佑樹（翻訳）,佐藤 直生（翻訳）オーム社Amazon LLMアプリケーションを作ることがなかったとしても、業務でAIを活用する上で大前提を知っておくと役立ちそうということで、「LLMのプロンプトエンジニアリング」を読んだ。 実際に読んでみると、紹介されているLLMの特性を知っておくと、AIコーディングなどにもかなり役立ちそうで良かった。 たとえばこの本に載っている以下のような特徴は非常に参考になる。 テキストを一度しか読めず後戻りできない。そのため先に書かれた内容のみを考慮して後に繋げる 気が散りやすい。「うまくいけば」役立つかもしれない無用な情報でプロンプトを埋めないようにする 人間であるあなたが完全に

調べれば大抵の情報は誰でも手に入る今日このごろ。特に技術的な情報はオープンソースで一次情報へのアクセスは容易になった。 それと同時に繰り返し言われるアウトプットの重要性。 しかし、ブログやLTなどでアウトプットしても、「もっと質のいい情報があるのに自分がアウトプットする必要があるのか」「逆にノイズになるだけじゃないか」というような考えになってしまう人もいるのではないか。 そんな架空の声にお応えして、それでもなおあえて、一次情報ではない「あなたのアウトプット」の重要性を伝えてみようと思う。 実際にやる人は多くない 定量的なデータがあるわけではないが、直感的に共感してもらえるだろう。 ある技術や手法が話題になったとして、それを情報として知っている人はこの時代いくらでもいる。 だが、それを実際にその手でやったことがあるというだけでかなり群衆からは抜きん出た経験を持つことになる。 ましてやそれをや

本記事では、精度の高い「Deep Research」機能を実装するための手法について、ざっくり解説します。 株式会社ナレッジセンスは、「エンタープライズ企業の膨大なデータを掘り起こし、活用可能にする」プロダクトを開発しているスタートアップです。 この記事は何 この記事は、「Deep Research」の新手法「Test-Time Diffusion Deep Researcher（TTD-DR）」の論文[1]について、日本語で簡単にまとめたものです。 本題 ざっくりサマリー 「TTD-DR」は、Deep Researchの精度を上げるための新しい手法です。 Google Cloud の研究者らによって2025年7月に提案されました。 最近、OpenAIの「Deep Research」が話題です。この機能では、Web上の情報をもとに深く考え、高精度な回答をすることができます。ただ残念ながら、