最新順人気順

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

  • 2026年9月19日
  • 2 minute read
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 の全体像をまとめた図解
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。
View Post
ローカルLLMとクラウド型LLMの違いと、AI導入費用の内訳をまとめた図解
  • 149 views
  • 2 minute read

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。
View Post
デザイン思考とは？8人に聞いたら全員が同じことを言った
  • 90 views
  • 2 minute read

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。
View Post
内製化とはの全体像｜インハウス・外注との違い、6つのメリットとデメリット、判断基準5つと進め方
  • 80 views
  • 2 minute read

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。
View Post
AI駆動開発の3つのレベルと、従来開発・AIアシスト開発との違いをまとめた図解
  • 111 views
  • 2 minute read

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。
View Post
AIエージェントのセキュリティの全体像｜非決定論的・自律的・適応的・分散的な4特性と、9つのリスク・6つの対策
  • 110 views
  • 2 minute read

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。
View Post
アジャイル開発とはの全体像｜開発宣言の4つの価値、ウォーターフォールとの違い、手法5つと進め方5ステップ
  • 75 views
  • 2 minute read

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。
View Post
LLMとは？検算させたら拾い漏れと「拾いました」が並んだ
  • 104 views
  • 2 minute read

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。
View Post
ベクトルデータベースとは｜仕組み・使いどころと選び方6観点 の全体像をまとめた図解
  • 78 views
  • 2 minute read

ベクトルデータベースとは｜仕組み・使いどころと選び方6観点

ベクトルデータベースとは、文章を数値の並びに変えて、意味の近さで探せるようにした保存先です。日本語の全文検索が精度不足だったため、全文検索を避けてベクトル検索に寄せる判断をしました。ところが取得できるのは上位10件までで、そこに入らなかったものは存在しないのと同じになります。全体のナレッジグラフを作るのではなく、各チャンクに関係性のメタデータを持たせて局所的に推論させる方針まで書きます。
View Post
PMFとは？100回死んだのは0→1ではなかった
  • 130 views
  • 2 minute read

新規事業の課題｜フェーズ別16の課題と、見つけ方・整理の型

PMFとはプロダクトマーケットフィット、良い市場に、その市場を満足させられるプロダクトがある状態のことです。ある大企業は100億規模の資本で新規事業創出の会社を作り、年間20〜30本の事業を生み出しました。ところが漏れなく全滅しています。死んだのは0→1ではなく、1→10の途中でした。年間数十億をかけて、100回試行して100回死ぬ。原因は起案の質ではなく、0→1にしか予算が付かない構造にありました。ステージを分けて自動で次へ進める設計まで書きます。
View Post
プロンプトインジェクション対策6つの方法と、直接・間接の違いをまとめた図解
  • 122 views
  • 2 minute read

プロンプトインジェクション対策｜6つの方法と直接・間接の違い、AIエージェントのリスク

プロンプトインジェクションとは、AIへの指示文に別の指示を紛れ込ませて、本来の制約を外させる攻撃です。対策としてまず思いつくのは、システムプロンプトに禁止事項を書き足すことです。私たちもそうしました。そして守られませんでした。プロンプトによる禁止は確率的で、ツール層のフックは決定的です。44行のフックで守る側へ移した実装と、パスの正規化や失敗時に閉じる設計まで、そのまま書きます。
View Post