生成AIのガイドライン｜盛り込む10項目と、作り方5ステップ
Yuki Susai
生成AIのガイドラインを作るとき、禁止事項の列挙から始めると守られません。整体院5店舗の備品の在庫と貸出で、禁止の文章を144行まで増やしても同じ事故が10回以上出ました。文章を1つだけ、手が必ず通る場所の検査に置き換えた記録です。
AIエージェントの作り方｜仕組み・6ステップ・ツールの選び方と注意点
AIエージェントの作り方で最初に効くのは、話しかけられた一文をどの処理へ振り分けるかという入り口の分岐です。水回りリフォームの現地調査アプリで、正規表現の分岐を27本書き、34本まで増やしても、見積のやり直しが一度も始まりませんでした。列挙をやめて判定をモデルに渡し、ファイルごと消すまでの記録です。
ファインチューニングとは｜種類・やり方4ステップとRAGとの違い
ファインチューニングとは、学習済みモデルに自社のデータを追加学習させて特定の用途に合わせることです。AIの出力を検査する仕組みを作るとき、最初は生成モデルを賢くしようとしていました。ところが必要だったのは生成ではなく分類でした。Macの16GBで常駐でき、高速に動くエンコーダー型を選び、100件を目視で作ってから6000件へ拡張しました。言い換えや翻訳は100%、抽象化された要約は70〜80%止まります。選定の理由とデータセットの作り方を書きます。
ローカルLLMとは｜クラウドAPIとの違い・必要な設備・費用の内訳と選び方
ローカルLLMとは、AIのモデルを外部のクラウドに預けず、自社が管理する環境の中に置いて動かす構成です。大企業がAI導入で止まるのは性能ではなく、社内データが外に出ること。ならば自社で動かせばいい——そう考えて見積もりを取ったら、私たちは止まりました。止めたのはGPUの固定費です。そこから分かったのは、全部を所有する必要はないということでした。100MBのモデルで振り分けだけを自社に持ったら、精度は95%から97%になりました。所有すべき場所を決めるための表を、そのまま置きます。
共感マップとは｜6つの項目と作り方・ペルソナとの違い
デザイン思考とは、使う人の観察から出発して解決策を組み立てる進め方です。ワークショップで8名に意見を聞いたところ、共通して出たのは「ごちゃごちゃして見える、わかりづらい」でした。ここで画面を整理しに行くと外します。整理すべきは見た目ではなく機能の構造で、そのために先に作るのがファンクションリストでした。横向きで使う場面の行動観察から、進行方向の表現を水平に統一した経緯まで書きます。
内製化とは？メリット・デメリットと外注との判断基準5つ
内製化とは、外部に発注していた開発を自社の側に取り戻すことです。ある共創プロジェクトでは、3日間の実装が従来の見積りなら15〜25人月に相当しました。ところが同じ日のトランザクションは0件です。止めていたのはコードではなく、QRコードを刷った印刷物が現場に置かれていないことでした。速くすると、律速はプロダクトの外へ移動します。18か月で上申日が4回動き、その理由に技術が挙がったことは一度もありません。速くなった側が何を引き受けることになるのかを、記録だけで書きます。
AI駆動開発とは｜3つのレベルとメリット・デメリット、導入7ステップ
AI駆動開発とは、AIを補助ではなく実装の主役に置く進め方です。自社でオーケストレーションを組むか、提供元のネイティブ機能に乗るか。実際に7つの軸で比較したところ、4軸で自作が勝ち、3軸で構造的に負けました。自作が勝つ最大の理由は原文保全の強制です。負ける最深の理由は、スキーマの外に落ちたデータが永久に消えることでした。既知の工程は自作、探索中の仕事はネイティブ。線の引き方を、実測値ごと書きます。
AIエージェントのセキュリティ｜9つのリスクと6つの対策
AIエージェントとは、指示を待つのではなく、目標に向かって自分で手順を決めて動くAIのことです。ならば目標そのものも書き換えさせられるはずだと考えて、実装しました。動きました。ただし提案の根拠として引用された見出しが、実在しないことがありました。しかも「確信度は高い」と自己申告されています。AIの自己申告を信頼境界にしてはいけません。根拠が実在するかを機械が検証する多段の安全弁を、実装ごと書きます。
アジャイル開発とは？手法5つ・進め方とウォーターフォールとの違い
アジャイル開発とは、短いサイクルで動くものを出しながら進める開発の進め方です。AIを使って並行させると、このサイクルはさらに短くなります。ところが、人のブランチとAIのブランチが同じ通知機能を実装し、本番で通知が2回届く事故が起きました。関数名は5つとも完全一致、違いはトリガ名の一文字だけ。Gitはコンフリクトしていません。バージョン管理がクリーンなまま本番が壊れます。AIの作業単位はリポジトリですが、システムの真の状態はデプロイ済みのデータベースにあります。
ハルシネーションの対策｜原因・リスク・事例と、8つの防ぎ方
LLMとは大規模言語モデルの略で、大量の文章から言葉の続き方を学習したモデルです。指摘を全部反映したかの確認まで任せたところ、拾い漏れと「全部拾いました」という報告が同時に成立しました。判定をモデルに渡す限りこれは消えません。判定を一切LLMに渡さず、退屈な文字列一致で機械が検査する設計に変えました。全角空白の除去まで含めた実装と、判定に使ってよい出力・いけない出力の切り分けを書きます。
