Tag
AI
13 件の記事 · 1 / 2 ページ
-
LLM 時代の読解力劣化——「スキャン」が「読む」を置き換える日
AI が文章を構造化してくれる時代に、人が自分で意味を組み立てる能力はどう変質するか——読解力劣化の機序と、その先にある思考の空洞化を考察します。
-
AIに勝てる人間の3つのスキル ── マッキンゼーの視点
2.5万体のAIエージェントを走らせる経営コンサルが挙げた「志・判断・創造性」——大規模導入した現場だからこそ見える人間の領分と、採用基準の変化を読み解きます。
-
LLM 評価のブレを多層的に抑える ── スコアが信頼できる数字になるまで
AI に採点させるとき、1 回の採点では誤差か実差か区別できない。繰り返し採点・G-Eval 確率加重・ペアワイズ順序反転・ブートストラップ信頼区間・BH 多重比較補正を組み合わせ、LLM 評価のブレを多層的に抑える設計を整理します。
-
LLM 出力を AI が採点する ── 絶対評価・ペアワイズと統計的有意性
「前より良くなったか」を人手に頼らず AI に採点させるとき、一回の採点では誤差か実差か区別できない。絶対評価とペアワイズを組み合わせ、繰り返し採点で信頼区間を出す設計を整理します。
-
テストシナリオを LLM で量産する ── カバレッジマトリクスという考え方
LLM アプリのテストケースを手書きするとすぐ頭打ちになる。入力条件の組み合わせをマトリクスで定義し、LLM にテストデータを生成させてカバレッジを体系的に管理する方法を整理します。
-
LLM の出力に「ゴールデンデータ」で回帰テストを仕込む
LLM の出力は非決定的でユニットテストが刺さらない。承認済み出力を「ゴールデンデータ」として git 管理し、プロンプト変更による意図しない出力変化を検出する設計パターンを方法論として整理します。
-
プロンプトは書くな、最適化させろ――DSPy/GEPA で何が変わるか
手動プロンプトエンジニアリングの試行錯誤をアルゴリズムに委ねる――DSPy と GEPA が示す自動プロンプト最適化の実力と、その先に変わるエンジニアの役割を整理します。
-
LLM でデータセットを作る際の落とし穴とマトリクス設計
LLM による合成データ生成には世代崩壊やバイアス増幅といった構造的な落とし穴がある——その根本には Chat 形式の連続生成という設計ミスがあり、マトリクス×ステートレス単一 API 呼び出しに切り替えることで解決できます。
-
OOD（分布外データ）とは何か ── LLM で合成 OOD プロキシを生成して未知データに備える
訓練データの分布外にあるデータ——OOD——にモデルは高い確信度で誤る。ラベル付き OOD が手に入らないという根本問題に対し、LLM で合成プロキシを生成する最新アプローチと、その落とし穴を整理します。
-
graphify で Claude Code のコンテキスト問題を解決する
ファイルを手当たり次第に読む前に、まずグラフを引け——graphify が Claude Code のコンテキスト消費を抑える仕組みを PreToolUse フックから解説します。
-
graphify の仕組み
コードは tree-sitter でローカル解析、ドキュメントだけ LLM へ——graphify がプロジェクトをナレッジグラフ化する2段階パイプラインの設計を整理します。
-
God nodes——コードベースの急所を可視化する
すべての依存がそこを流れる——graphify の GRAPH_REPORT が出力する God nodes という概念を軸に、コードベースの「急所」がなぜ生まれ、それを知ることが何を変えるかを掘り下げます。
