LLM比較｜主要モデルの特徴と、選び方の10軸
Yuki Susai
白衣とリネンをレンタルする会社の問い合わせ受付で、LLMの比較表の一番上にあるモデルを選び、3つの処理すべてに同じモデルを使いました。抽出の結果が毎回ゆれ、比較の軸を賢さから別のものに変えるまでの記録です。
Browsing Category
AIの実装と運用
26 posts
RAG・AIエージェント・生成AIを実際の業務に組み込み、本番で動かし続けるための設計と運用の記事。
生成AIの注意点｜ハルシネーション・情報漏えい・権利侵害と5つの対策
中古の建設機械を海外へ売る輸出商社で、海外商談の翻訳を生成AIに任せた記録です。日本語かどうかで訳す・訳さないを決めていたところ、在庫データとの突合と輸出書類が壊れました。訳さない語を423件ぶん書き出し、判定を1箇所だけ入れ替えるまでを書いています。
業務プロセスの改善｜進め方6ステップ・ECRS・BPRとの違いと、AIをどこに組み込むか
危ないところに人の確認を挟むのは、正しい設計です。ただ、置く場所を「工程」にすると、人がいない時間にすべて止まります。出荷準備の画面に取消ボタンを足す、それだけの改修が2晩続けて止まった記録から、確認をどこへ動かしたかを書きます。
AIエージェントの導入｜進め方6ステップと、業務・ツール・費用の選び方
どの業務にAIエージェントを導入するかで、結果が変わります。入居者と直接話す画面にAIを導入したところ、半年のほとんどを画面づくりと、5つのシステムからデータを取る作業に使いました。AIを導入する場所を1箇所だけ動かして、作ったものを捨てた記録です。
AI導入の費用｜内訳と工程別の見方・抑える方法
輸入車ディーラーの検品に生成AIを導入した記録です。見積もりに入れていたのはAIの利用料と作る手間で、実際に手を持っていったのは、AIが黙って外したことに気づくための工程でした。見積もりの立て方を1箇所だけ直しています。
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。
新規事業の事例｜成功の5類型と共通点・失敗の共通点
Yasu
新規事業の成功事例は、放っておくと一案件の中に閉じ込められます。横展開すべきは成果物ではなく、意思決定の型と成立条件です。学びを組織資産へ変える5項目、実行・伴走・俯瞰の役割、一周後の3つの投資判断を解説
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。
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。
