株式会社ずんだもん技術室AI放送局

About 株式会社ずんだもん技術室AI放送局

AIやテクノロジーのトレンドを届けるPodcast。平日毎朝6時配信。朝の通勤時間や支度中に情報キャッチアップとして聞いてほしいのだ。(MC 月:春日部つむぎ、火水木:ずんだもん、金:お嬢様ずんだもん)

Publisher

株式会社ずんだもん技術室AI放送局

Category

technology

Language

ja

Explicit

No

First episode

25 May 2024

Latest episode

27 Oct 2026

Latest episodes

593 episodes in the feed.

1. 

   27 Oct 2026

   株式会社ずんだもん技術室AI放送局 podcast 20261028

   youtube版(スライド付き) 関連リンク The sleep framework: A new way for LLMs to retain knowledge in continual learning (https://research.google/blog/the-sleep-framework-a-new-way-for-llms-to-retain-knowledge-in-continual-learning/) Google Researchは、大規模言語モデル（LLM）の継続学習における「破滅的忘却」の課題に対処し、新しい知識を長期的に保持・自己改善させるための新パラダイム「Sleep Framework」を発表しました。従来のLLMは事前学習完了後に静的な状態となり、新しいデータでパラメータを継続的に更新すると過去のタスク性能が著しく低下するという問題がありました。また、コンテキスト内学習（ICL）に依存するとセッション終了時に情報が失われます。このフレームワークは人間の睡眠時の脳のメカニズムに着想を得ており、「アクティブ（覚醒）フェーズ」と「オフライン睡眠フェーズ」の2つの状態を循環させることで、モデルのアーキテクチャやコードベースを変更せずに継続的な学習を実現します。 睡眠プロセスは、主に「メモリ固定化」と「ドリーミング（夢）」の2つのステージで構成されています。メモリ固定化では、人間の非レム睡眠中の徐波睡眠を模倣し、パラメータの動的な拡張と知識の定着を行います。具体的には、Mixture of Experts（MoE）アーキテクチャを活用し、睡眠時に新たに解放された低ランクの専門家ブロックに、高頻度の短期記憶レイヤーから情報を移行させます。この移行には、一般化知識蒸留（GKD）と強化学習ベースの模倣学習（LTI）を組み合わせた知識シーディング（上方蒸留）を用います。低頻度の長期モジュールへの記憶の移行が完了すると、短期記憶用のパラメータはリセットされ、将来のアクティブセッションに向けて容量が解放されます。 もう一つのステージであるドリーミングは、人間のレム睡眠中のシナリオシミュレーションを模倣し、自律的な自己改善ループを実行します。MoEルーターをランダムに活性化して異なる知識ドメインを混合させ、合成トレーニングサンプル（夢）を生成します。その後、勾配ベースのデータ選択によってモデルの性能向上に最も貢献するサンプルをフィルタリングし、強化学習（RL）によるファインチューニングを行って下流タスクの精度を最適化します。理論的背景として、このプロセスは単なるデータ拡張ではなく、低ランク圧縮問題および学習の幾何学的性質を改善する最適化のランドスケープとして機能し、古い能力を上書きせずに新しい知識を安全に統合できることが示されています。 評価実験では、この睡眠フレームワークが多くのベンチマークで優れた成果を示しています。未知の言語を用いた継続翻訳タスクでは、従来のベースラインで発生していた破滅的忘却をほぼゼロに抑えました。また、BABILongベンチマークを用いた1000万トークン規模の長期コンテキスト理解においても、長文情報をパラメータメモリに直接圧縮することで、GPT-4などの強力なベースラインを上回るスケーリングを達成しました。さらに、SQuADや継続事前学習を用いた事実知識の統合、AIMEやHMMTといった数学的推論ベンチマークにおいても、従来の教師あり学習や自己蒸留の手法を凌駕する精度を記録しており、継続学習を行うAIシステムの発展に向けた重要な技術的知見を提供しています。 引用元: https://research.google/blog/the-sleep-framework-a-new-way-for-llms-to-retain-knowledge-in-continual-learning/ Build specialized multimodal models with LFM3 (https://huggingface.co/blog/LiquidAI/lfm3) Liquid AI社が開発した新世代の軽量マルチモーダル基盤モデル「LFM3」の技術解説です。LFM3は、テキスト、ビジョン、音声、オムニ（統合）、意思決定モデルの各機能を約2B（20億）パラメータ規模の共通のバックボーン上に統合し、エッジ環境やオンデバイス実行において高い実用性を発揮します。 前世代のLFM2ファミリーと比較して、LFM3は1パラメータあたりの性能が大幅に向上しており、新開発のトライハイブリッドアーキテクチャと学習レシピの採用により、LFM3-1.7Bはパラメータ数を35%削減しながら前世代モデルを上回る性能を実現しています。アーキテクチャの主な特徴として、13層のゲート付きショート畳み込み、256トークンのウィンドウを持つ5層のスライディングウィンドウアテンション（SWA）、6層のグローバルアテンションを組み合わせた「トライハイブリッドレイヤーミックス」を採用しています。さらに、量子化時の精度低下を抑制するヘッドごとのゲート付きアテンションや、長文脈処理を安定させるパーシャルRoPE、サンドイッチ正規化などを導入することで、携帯電話やRaspberry Pi 5、ラップトップ、各種ハードウェアアクセラレータ上での高速な推論と、最大256Kトークンという長文脈コンテキストを両立しています。 LFM3ファミリーには、ベースモデルから派生した複数の専門モデルが用意されています。テキスト処理用の「LFM3-1.7B」をはじめ、画像・動画入力をサポートする「LFM3-VL-2B」、音声の入出力やストリーミングに対応する「LFM3-Audio-2B」、すべてのモダリティを統合した「LFM3-Omni-2B」、そして高速な構造化判断を行う「d1-2B」および「d1-omni-2B」が提供されています。これらはHugging FaceのTransformersライブラリから簡単にロードして実行することが可能です。 また、LFM3は一般的な汎用モデルとは異なり、各企業の固有データや専門用語、デプロイ環境に合わせて最適化（特化）させることを前提に設計されています。全てのモデルが単一のGPUでファインチューニング可能であり、SFT（教師あり微調整）、DPO、GRPO、CPTといった手法を用いた具体的な実装手順やGoogle Colabのノートブックが公開されています。テキストからの構造化データ抽出や音声コマンドの関数呼び出し、さらにはロボティクスの制御タスクへの応用など、多岐にわたるユースケースに対応する優れた拡張性と実用性を備えたモデルとなっています。新人エンジニアにとっても、オンデバイスAIやマルチモーダルモデルのカスタム・ファインチューニング手法を学ぶ上で非常に有益な内容です。 引用元: https://huggingface.co/blog/LiquidAI/lfm3 Genie 4: A new generation of world simulation (https://deepmind.google/blog/genie-4-a-new-generation-of-world-simulation/) Google DeepMindは、リアルタイムな対話型シミュレーションの精度とフォトリアリズムを大幅に向上させた次世代の世界モデル「Genie 4」を発表しました。Genie 4はネイティブにマルチモーダル対応しており、シミュレーションの実行と同時に環境音や音楽、さらには状況に応じて変化するインタラクティブな人間の音声を同時に生成できる点が大きな特徴です。 本モデルはGeminiファミリーの機能を統合しており、Gemini Omniが現実世界の外観や挙動をシミュレーションに反映させ、他のGeminiモデルがシミュレーションの整合性や時間的な連続性を維持するための高度な推論を担っています。ユーザーはテキストプロンプトや標準的なキーボード操作を用いることで、天気の変更、カメラワークの移動、オブジェクトの追加といった環境の変化をリアルタイムに指示し、シミュレーションを動的に制御することが可能です。 主な技術的進化としては、以下の4点が挙げられます。第一に、自然言語を用いたリアルタイムでの世界シミュレーションの形状変化や制御です。第二に、空気力学や衝突判定といった物理法則のシミュレーション精度の向上と、自然に動作・反応する人間キャラクターの再現です。第三に、風の音や環境音に加え、状況に適応する音声対話のネイティブな生成です。第四に、Geminiモデル（Gemini 3.8 Flashなど）と連携することで、複雑で多段階にわたるタスクを小分けにしてステップごとに処理し、因果関係や手続き的行動を伴う一貫性のある世界を構築できる点です。 Genie 4の活用ユースケースとしては、クリエイティブディレクションにおける映像のプリビジュアライゼーションやライブテイクの調整、2Dアーカイブ写真からのリアルタイム環境シミュレーション、ゲーム開発における自然言語ベースのプロトタイピング、そしてロボットの訓練環境をはじめとする各種エンタープライズ分野でのシナリオ生成が期待されています。 現時点では初期の実験的モデルであり、長時間セッションにおける詳細なビジュアルやオブジェクトの永続性のドリフト、複雑な物理相互作用、リアルタイム音声の精度などの課題も残されています。安全性に関しては、悪意のあるコンテンツ生成を防ぐための厳格な安全ガードレールや、SynthIDによるデジタルウォーターマーク技術が導入されており、現在はGoogle AI UltraのProject GenieやGemini API、Google AI Studioの早期アクセスパートナーおよび信頼できるテスター向けにリサーチプレビューとして提供が開始されています。新人エンジニアにとっても、最先端のマルチモーダルAIモデルや世界モデルのアーキテクチャ、実世界への応用アプローチを理解する上で非常に示唆に富む内容となっています。 引用元: https://deepmind.google/blog/genie-4-a-new-generation-of-world-simulation/ 「ずんだもんオンラインくじ」がオンラインくじサービス「ガラくじ ONLINE」にて販売開始！A4サイズのアクリルパネル、ずんだもんのボイスキーホルダーなどが当たる！ 電撃ホビーウェブ (https://hobby.dengeki.com/news/3208258/) イエローが運営するオンラインくじサービス「ガラくじ ONLINE」にて、「東北ずん子・ずんだもんプロジェクト」のオリジナルグッズが当たる「ずんだもんオンラインくじ」の販売が開始されました。販売期間は2026年10月26日から11月25日までで、価格は1回770円（税込）です。賞品にはA4サイズのアクリルパネルをはじめ、ボイスキーホルダー、アクリルキーホルダー、ダイカットマグネット、缶バッジなどの豪華なラインナップが用意されています。また、1会計につき10枚購入するごとに、全6種のオリジナルブロマイドがランダムで1枚もらえる購入特典も用意されており、ファン必見の企画となっています。 引用元: https://hobby.dengeki.com/news/3208258/ お便り投稿フォーム (https://forms.gle/ffg4JTfqdiqK62qf9) （株式会社ずんだもんは架空の登場組織です）

2. 

   26 Oct 2026

   株式会社ずんだもん技術室AI放送局 podcast 20261027

   youtube版(スライド付き) 関連リンク Groundhog Day for AI agents: Prompt caching patterns for using OpenAI models on Amazon Bedrock Amazon Web Services (https://aws.amazon.com/blogs/machine-learning/groundhog-day-for-ai-agents-prompt-caching-patterns-for-using-openai-models-on-amazon-bedrock/) この記事では、Amazon Bedrock上のOpenAIモデルを用いてAIエージェントを構築・運用する際、マルチターン処理で課題となるコストとレイテンシの増大を防ぐための「プロンプトキャッシュ設計パターン」について詳しく解説しています。 AIエージェントはターンが進むごとに、ツール定義、システム指示、過去のやり取りやツール実行結果の全履歴を毎回モデルに送信し直す必要があります。これが原因でコストや処理時間が肥大化しますが、プロンプトキャッシュを活用することで、静的なプレフィックスや成長する会話履歴を効率的に再利用し、インプットコストを大幅に削減できます。 主な設計パターンと重要なポイントは以下の通りです。 キャッシュの基本とモードの使い分け プリフィル処理時に構築されるKVベクトル（作業状態）をキャッシュし、後続のリクエストでは新規部分のみを処理します。 暗黙的（implicit）モード: Amazon Bedrockが自動的に会話の成長に合わせてキャッシュ境界を管理します。成長する会話履歴に向いています。 明示的（explicit）モード: prompt_cache_breakpoint を使用して保存ポイント（ツールや指示など）をコードで明示的に指定します。 ハイブリッド活用: 安定した静的プレフィックス（指示やツール）には明示的モードを使い、会話の成長には暗黙的モードを組み合わせることで、再利用可能な開始点を維持しつつ会話の自動管理が可能です。再利用には最低1,024トークンが必要となります。 会話履歴とツール結果のキャッシュ ターンが進むにつれて増加するツール実行結果は、暗黙的モードまたはローリングブレークポイントを用いて効率的にキャッシュします。 ツールの追加や変更を行う際は、初期のツールカタログを安定させつつ、additional_tools を用いて既存のキャッシュプレフィックスを無効化せずに新しいツールを追加できます。また、allowed_tools を使うことでキャッシュ定義を変えずに呼び出し制限が可能です。 サブエージェントとファンアウト（並行処理） 複数のヘルパーやサブエージェントを立ち上げる際は、最初に通常のウォームアップリクエストを完了させて共有プレフィックスをキャッシュ（ウォーム）してから並行処理でファンアウトさせます。これにより、各ヘルパーが同じ背景情報を再読み込みするコストを防ぎます。 キャッシュキーの管理とベストプラクティス セッション間でキャッシュを共有するには、モデル、AWSアカウント、リージョンが同一であることに加え、安定した prompt_cache_key を使用する必要があります（ハッシュ値を用いた動的生成などが有効）。 キャッシュのTTL（有効期限）は最低30分で、再利用により更新されます。 Amazon CloudWatchのメトリクスやAWS Cost Explorerを活用して、キャッシュ読み込み・書き込みのトークン数やコストをモニタリングし、費用対効果を測定することが重要です。 新人エンジニアにとっても、AIエージェントの実装時におけるAPIコスト最適化の具体的なアプローチやPythonコード例が網羅されており、実務で直面するパフォーマンス課題を解決するための実践的な学びが得られる内容となっています。 引用元: https://aws.amazon.com/blogs/machine-learning/groundhog-day-for-ai-agents-prompt-caching-patterns-for-using-openai-models-on-amazon-bedrock/ How NVIDIA Minerva Turns Telemetry Chaos Into Peak GPU Yield (https://developer.nvidia.com/blog/how-nvidia-minerva-turns-telemetry-chaos-into-peak-gpu-yield/) NVIDIA Minervaは、数万基規模のGPUクラスタを運用する巨大なAIファクトリー向けに設計された、AIネイティブのAIOps（IT運用のための人工知能）およびオブザーバビリティプラットフォームです。AIの分散学習では、最も処理の遅いランクやノードのペースに全体が同期するため、わずかなハードウェアの劣化やネットワークの遅延が全体の処理時間を大きくロスさせます。従来の静的なしきい値やルールベースの監視では、コンポーネント単体では正常に見えるが負荷時に問題が起きる「グレー故障」の検知や、1つの故障から派生する大量の警告（アラートストーム）の相関分析が困難でした。NVIDIA Minervaは、GPU、ネットワークファブリック（Spectrum-X、NVLink）、SuperNIC、ストレージ、スケジューラ、AIワークロードからテレメトリデータを収集し、動的な知識グラフ（ナレッジグラフ）を用いてインフラストラクチャとアクティブなジョブをリアルタイムにマッピングします。これにより、障害が発生した際に関連するジョブや物理トポロジを横断して即座に特定できます。機械学習モデルを活用した異常検知では、教師あり学習による既知のエラーパターンの検出だけでなく、教師なし学習によるピア比較（同等コンポーネント同士の挙動の比較）や、NLPを用いたログの異常検知を行い、静なしきい値では見逃される微妙な劣化を捉えます。また、トポロジ認識型の相関エンジンにより、関連する数多くのイベントや警告を1つの「実用的なインシデント」に集約し、ノイズを大幅に削減します。さらに、内蔵されたAIエージェント「Sherlock」やMCPサーバーにより、エンジニアは自然言語を用いてライブのテレメトリや知識グラフに問い合せ、根本原因の解析やトラブルシューティング、修復の推奨事項を得ることが可能です。これにより、障害のトリアージにかかる時間を数時間から数分へと短縮し、GPUの稼働率（グッドプット）を最大化します。今後は「DSX OS」との統合も進められ、テレメトリ基盤のオープンソース化も予定されています。新人エンジニアにとっても、大規模分散システムにおける複雑な障害解析やオブザーバビリティの重要性を理解する上で非常に参考になるアーキテクチャとなっています。 引用元: https://developer.nvidia.com/blog/how-nvidia-minerva-turns-telemetry-chaos-into-peak-gpu-yield/ Fixing Tool-Call Accuracy in vLLM (https://www.ubicloud.com/blog/fixing-tool-call-accuracy-in-vllm) オープンウェイトLLMをエージェントワークロードなどで実運用する際、モデルが生成するTool Call（関数呼び出し）の精度低下は深刻な問題となります。例えば、vLLMを使用して「Kimi K2.6」などのモデルをサービングした際、デフォルトの状態ではスキーマに完全一致しない不正な形式のTool Callが一定割合で発生し、コンテキストの汚濁やエラーの連鎖、コストの増大を引き起こすケースがあります。こうした問題の主な原因は、LLMが確率的にトークンをサンプリングする仕組み上、学習データやプロンプトの影響を受けて存在しないパラメータ名や誤った構文を生成してしまうことにあります。 この課題を根本的に解決する実用的な手法として、「制約付きデコード（Constrained Decoding）」があります。vLLMのバージョン0.31などでサポートされたこの機能は、XGrammarライブラリなどの構造的タグを利用し、生成されるトークンを動的に制限する仕組みです。推論時にツール定義のJSONスキーマや構文ルールに基づいて有効なトークンのみを許可し、無効なパスやトークンをGPU上で効率的にマスクします。これにより、Tool Callの構文精度をベストエフォートから100%保証されたランタイムへと引き上げることが可能です。 ただし、vLLMのようなモデル非依存の汎用推論エンジンでは、制約付きデコードをデフォルトで有効にすると、一部のモデルで出力が不自然になったり、グラマ翻訳のバグやスペックラティブデコードなどの他機能との競合によってリクエスト失敗を引き起こしたりするリスクがあります。そのため、vLLMの標準動作ではこれがデフォルトでオフに調整されており、ユーザー自身がサーバー側のフラグ等で明示的に厳格化レベルを設定する必要があります。特定のオープンウェイトモデルを高精度で運用したいエンジニアにとって、この制約付きデコードを適切に有効化・設定することは、モデル本来の性能を引き出すために極めて重要なアプローチとなります。 引用元: https://www.ubicloud.com/blog/fixing-tool-call-accuracy-in-vllm コンピューターサイエンス分野において「霧雨魔理沙」の名義で論文を出してる人を発見、冗談みたいな名前だが経歴見るとガッチガチの模様 (https://togetter.com/li/2763116) コンピューターサイエンスの学術データベース上に、人気ゲーム「東方Project」のキャラクター名である「霧雨魔理沙」という名義で多数の論文を発表している実在の研究者がいることが話題になっている。この人物はユタ大学の博士課程に在籍する経歴を持ち、ICLRなどの著名な国際会議で主著として論文を発表するなど、被引用数も数百に上るなど極めて優秀な実績を残している。SNS上では、その硬派な研究実績とアニメチックな名前のギャップや、東方Projectの作風に絡めたユーモア溢れるコメントが多数寄せられ、エンジニアたちの間でちょっとした息抜きネタとして盛り上がりを見せている。 引用元: https://togetter.com/li/2763116 お便り投稿フォーム (https://forms.gle/ffg4JTfqdiqK62qf9) （株式会社ずんだもんは架空の登場組織です）

3. 

   25 Oct 2026

   マジカルラブリー☆つむぎのピュアピュアA.I.放送局 podcast 20261026

   youtube版(スライド付き) 関連リンク Kimi K3.1 Pro Tech Blog: Advancing Open Intelligence (https://www.kimi.ai/blog/kimi-k3-1-pro) 中国のMoonshot AIが、最新の3兆パラメータ級オープンウェイトモデル「Kimi K3.1 Pro」および高速版の「Kimi K3.1 Pro Highspeed」を発表しました。本モデルは100万トークンのコンテキストウィンドウを備え、コーディング、3Dモデリング、財務リサーチ、エージェントとしての自律実行能力において大幅な性能向上の実現を謳っています。 コーディング分野においては、大規模な強化学習の導入により、単なるバグ修正からUnityやUnreal Engine、Godotなどのゲームエンジンを活用したフルプロジェクトの構築まで幅広く対応します。長時間の推論タスクをこなすロングホライズンな実行力が高められており、ターミナル操作を評価する「Terminal-Bench 4.0」では高いスコアを記録するなど、主要な独自モデルに匹敵する性能を示しています。 3Dモデリングとデザインの領域でも優れた空間推論能力を発揮し、テキストの指示やスケッチ、参考画像からCADコードを生成してCADモデルを再構築する「BenchCAD」などで高い精度を実現しています。BlenderやCADツール用のスクリプトを自ら記述・実行することで、機械部品や建築モデルなどのパラメトリックモデリングを効率的に行える点が特徴です。さらに、オンラインで3Dモデルのプレビューや編集が行える「3D Make」機能も提供されます。 財務およびビジネスリサーチの分野では、複雑な金融ドキュメントの解析やクロスドキュメント検証、投資ワークフローのサポートにおいて優れた性能を発揮し、事実誤認（ハルシネーション）の発生率も前モデルから大幅に抑制されています。 また、セキュリティと安全性の観点から、モデルのトレーニング段階（ミッドトレーニングおよび強化学習のステージ）でサイバーセキュリティ関連のデータを識別して削除するフィルタリング処理が施されました。これにより、一般的な有用性を維持しつつ悪用のリスクを軽減しつつも、高度なデバッグ能力や汎用コーディング能力によってセキュリティタスクへの適応力は維持されています。 Kimi K3.1 Proは、公式のWebプラットフォームや専用アプリ、デスクトップアプリ「Kimi Work」、コード支援ツール「Kimi Code」、およびAPI経由で本日より利用可能であり、モデルの全ウェイトは2026年11月4日までに公開される予定です。 引用元: https://www.kimi.ai/blog/kimi-k3-1-pro Zero-Shot to New Robots: Introducing Dream-1 (https://dreamlabs.ai/research/dream-1/) Dream Labs社は、未学習のロボットやタスク、環境に対して即座に対応できる世界初（※初期段階の検証に基づく）の汎用ロボット基盤モデル「Dream-1」と、それを利用できるパブリックAPIを発表しました。ロボット業界長年の課題である「有用なロボットを作るにはそのロボットのデータが必要だが、データはロボットが使われないと集まらない」という鶏と卵のジレンマを打破することを目指しています。 従来のロボット制御モデルは特定のハードウェア（関節角度など）に強く依存していましたが、Dream-1は「世界行動モデル（World Action Model: WAM）」というアプローチを採用しています。WAMは動画の予測と行動の予測を同時に学習する仕組みであり、ヘッドカメラ等を通じて捉えたシーンをピクセル（形状の動き）として認識します。これにより、二腕と平行グリッパーを持つロボットであれば、これまで学習時に一度も触れたことがない未知のロボット（18年前にリリースされたPR2などの古い研究用ロボットを含む）であっても、ゼロショット（追加学習なし）で制御することが可能です。 また、APIはプラグアンドプレイに近い手軽さで設計されており、機械学習の深い専門知識がなくても、数行のPythonコード（dream.DreamClient等）でロボットを接続して指示を与えられます。モデルの実行コストは「Dream-1」が1時間あたり約3ドル、「Dream-1-flash」が約2ドルと非常に安価に抑えられています。 さらに、ゼロショットでの対応が難しい独自のロボットや複雑なタスクに対しても、FaaS（Fine-tuning-as-a-Service）という仕組みが提供されています。ユーザーが自分のロボットで数分間（例：5分程度）のデモデータを収集してアップロードしファインチューニングを行うことで、カスタムモデルを構築し、タスクの成功率を大幅に向上させることができます。 本記事は、安価なロボットハードウェアの普及が進む中で、ロボットの知能をオープンなAPIとして提供し、研究者だけでなく一般の開発者や小規模チームが汎用ロボットを簡単に動かせるエコシステムを構築しようとする、ロボティクス分野の大きな進展を示しています。 引用元: https://dreamlabs.ai/research/dream-1/ AI ネイティブの SDLC プレイブック (https://claude.com/ja/resources/articles/the-ai-native-sdlc-playbook) AIエージェントの普及によりコード作成が高速化した現代において、従来のソフトウェア開発ライフサイクル（SDLC）を見直し、開発プロセス全体をAIネイティブに再構築するための実践的なプレイブックをAnthropic社が公開しています。従来のSDLCは手動による承認や引き継ぎに依存していましたが、AIネイティブなSDLCでは、計画、設計、構築、テスト、導入、保守の6つのステージを非線形のループ構造とし、各段階でバージョン管理されたマークダウンファイルを成果物として引き渡す仕組みを提案しています。 具体的なステージごとのアプローチとして、まず「計画（Plan）」では、アイデアや問題を非エンジニアでも作成できるintent.mdとしてバージョン管理します。「設計（Design）」では、要件と設計仕様を1つのセッションに圧縮し、組織のポリシーをスキルとして適用した上でspec.mdを作成します。「構築（Build）」では、Claude Codeのプランモードを活用して承認済みの plan.md を作成し、インメモリとしての CLAUDE.md や、スキル、ガードレールとなるフックを用いて自律的な開発を安全に進めます。「テスト（Test）」では、セッション自身にテストやビルドを実行させてループを完結させ、CIでの継続的な評価を実施します。「導入（Deploy）」では、PRレビューの自動化やフックによる承認ゲート、サンドボックス環境でのCI/CD統合を行います。「保守（Maintain）」では、指標の監視やコードベースの定期的なスキャン、Slackなどのチャネルに常駐する「Claude Tag」を活用してループを閉じ、見つかった課題を再び intent.md としてパイプラインに戻します。 このように、人間の判断をプロセスの中心に据えつつ、ガバナンスやセキュリティをコードや設定で強制することで、組織全体の開発速度と安全性を両立させるための指針となっています。 引用元: https://claude.com/ja/resources/articles/the-ai-native-sdlc-playbook 「山の木の実ぜんぶ乗せフルーツタルト」を作った動画をアップしたら、「サムネがAIっぽい」と批判されてしまった「知らないものはAIに見える時代になった？」 (https://togetter.com/li/2762761) 野草研究家が投稿した「山の木の実ぜんぶ乗せフルーツタルト」の動画のサムネイル画像に対し、SNS上で「生成AIで作った偽物だ」という批判や指摘が寄せられた。投稿者は完全に実写であり、トマシなどの実在する珍しい野草や木の実を使用していると反論した。これに対し、ユーザーの間では、写真の彩度やコントラスト、見慣れない木の実の形状、カットされた実と殻つきの実が混在する構図などが、AI生成画像によく見られる雰囲気や不自然さに似ていると感じさせたことが原因ではないかと議論になった。知らない自然の姿や特殊な盛り付けが、AIの普及によって「本物か偽物か」と疑われる現代の認知の歪みや難しさを浮き彫りにする話題となっている。 引用元: https://togetter.com/li/2762761 お便り投稿フォーム (https://forms.gle/ffg4JTfqdiqK62qf9) VOICEVOX:春日部つむぎ

Contact 株式会社ずんだもん技術室AI放送局

Guest appearances

Books guests

Based on episode analysis; this does not confirm that the show is currently accepting guests.