ソース詳細
AI News Hub は Machine Learning Mastery の AI 更新を追跡し、ソース状態、利用範囲、収集方法、公開記事を表示します。
Machine learning education and applied AI source; summary-only unless authorization is obtained.
AI サービスが一時的に利用できないため、復旧後に翻訳を補完します。ソース概要：But cutting your runtime token burn is just the first problem.
AI サービスが一時的に利用できないため、復旧後に翻訳を補完します。ソース概要：With the vocabulary and the failure modes in place, here's the build.
AI サービスが一時的に利用できないため、復旧後に翻訳を補完します。ソース概要：Day 100 in production isn't really about chunking strategies anymore.
AI サービスが一時的に利用できないため、復旧後に翻訳を補完します。ソース概要：This chapter is divided into eight parts; they are: • Metrics for LLM Inference • Measuring a Single Request • Warmup and Synchronization • Measuring GPU Work with CUDA Events • Measuring Memory Usage • Measuring Concurrent Requests • Multiple GPUs and Multiple Machines • Cost per Token The most common inference metrics are: • Latency: How long a request takes from start to finish.
AI サービスが一時的に利用できないため、復旧後に翻訳を補完します。ソース概要：In this article, you will learn how static, dynamic, and continuous batching work in LLM inference, and why the differences between them matter at production...
AI サービスが一時的に利用できないため、復旧後に翻訳を補完します。ソース概要：This chapter is divided into nine parts; they are: • Reading Logits from a Model • Greedy Decoding • Temperature Sampling • Top-$k$ Sampling • Nucleus Sampling • Repetition Penalties • Beam Search • Stop Conditions • Structured Output Constraints The model returns a vector of logits for every position in the input sequence.
AI サービスが一時的に利用できないため、復旧後に翻訳を補完します。ソース概要：This chapter is divided into four parts; they are: • Autoregressive Generation • Prefill and Decode • A Simple KV Cache • Memory Usage of the KV Cache A decoder-only transformer model predicts the next token from the tokens that came before it.
AI サービスが一時的に利用できないため、復旧後に翻訳を補完します。ソース概要：In this article, you will learn the seven architectural components that separate a production-grade agentic AI system from a demo script, and how each one...
AI サービスが一時的に利用できないため、復旧後に翻訳を補完します。ソース概要：In this article, you will learn how Ollama, LM Studio, and llama.cpp differ across the dimensions that matter most to practitioners, and how to choose...
本記事では、AIエージェントの永続的なメモリと状態を管理するための5つのアーキテクチャパターンを紹介します。コンテキスト作業バッファ、実行チェックポイント、セマンティックメモリ、エピソードイベントログ、マルチスコープ分離です。これらのパターンは、短期実行、フォールトトレランス、セッション間知識、履歴の振り返り、マルチテナントのデータプライバシーそれぞれに対処します。
この記事では、AIエージェントの状態管理の2つのパラダイム（ステートレスとステートフル）について、それぞれのスケーラビリティのトレードオフを解説し、Groq APIを使用したコード例で実装を示します。ステートレスエージェントは水平スケーリングが容易ですが、クライアントが会話履歴全体を送信する必要があり、ステートフルエージェントはデータベースでメモリを管理しますが、アーキテクチャが複雑になります。
ループエンジニアリングは、AIエージェントが人間の常時介入なしに自律的に動作するための自己実行サイクルを設計する実践です。この概念は2026年6月に急速に広まり、ReAct（2022年）やReflexion（2023年）などの研究に基づき、プロンプトエンジニアリング、コンテキストエンジニアリング、ハーネスエンジニアリングに続く最新の層です。本記事では、定義、起源、構造、信頼性の高いループ構築の課題について解説します。
2026年半ばまでに、エージェンティックAIアーキテクチャは進化し、ネイティブ推論モデルがオーケストレーションループを置き換え、マルチエージェントスウォームとMCPによる標準化されたツールプロトコルが主流になりました。この記事では、ステートレスな専門エージェント、メモリーグラフ、セキュリティパターンの設計方法を解説します。
この記事では、LangGraphを使用してPythonでエージェントワークフローを構築する方法を、単一モデル呼び出しからツールを使用し永続的な会話メモリを持つエージェントまで詳しく解説します。状態、ノード、エッジ、メッセージ履歴管理、モデル呼び出し、ツール登録とルーティング、ReAct推論ループをカバーしています。
本記事では、エージェンティックAIシステムにおけるプロンプトインジェクションとツール悪用の脅威を解説し、最小権限の原則、オープンソースガードレール、サンドボックス実行、ヒューマン・イン・ザ・ループチェックポイント、監視・監査の5つの防御戦略を紹介します。
Ollamaを使用して、15分以内に小型言語モデルをローカルマシン上で実行する方法を解説。インストール、モデルのダウンロード、完全オフラインでのチャットまでをカバー。量子化の基本と一般的なトラブルシューティングも紹介。
この記事では、scikit-ollamaライブラリを使用して、ローカルで実行するOllamaモデルをscikit-learnインターフェースと統合し、クラウドAPIを必要としないゼロショットテキスト分類を実現する方法を解説します。環境設定、データセットの読み込み、分類器のインスタンス化、フィット/予測パターンの適用、およびその仕組みについて詳しく説明します。
3つのオープンソースLLM評価フレームワーク（RAGAS、DeepEval、Promptfoo）を比較し、それぞれの目的、使用事例、LLM-as-a-judgeのバイアスを理解する重要性について詳しく説明します。忠実度チェックとCIゲート評価のコードウォークスルーも含みます。
本記事では、AIエージェントプロジェクトを失敗に導くアーキテクチャ上および運用上のアンチパターンについて解説します。早期のマルチエージェントシステム、ツールの乱立、ハードコードされたロジック、メモリ設計の欠如、可観測性の不足、無制限の書き込みアクセス、コンテキストのドリフト、評価のスキップなどが含まれます。単純に始め、可観測性を重視し、測定可能なリターンが得られる場合にのみ複雑性を追加する重要性を強調しています。
LangChain、LlamaIndex、生API呼び出しのLLMアプリケーションにおける利点とトレードオフを比較し、適切な抽象化レベルの選択フレームワークを提供する。
この記事では、AIエージェントの機能をツールとして実装するかサブエージェントとして実装するかの判断方法と、過度な設計を避ける方法を解説します。ツールはコードを実行し、サブエージェントは推論を実行します。簡単な三つの質問による判断フレームワークと、サブエージェント導入の実際のコストを紹介します。
AIエージェントのツールカタログが拡大するにつれて精度が低下する問題を分析し、ゲーティング、検索ベースの選択、セマンティックルーティング、計画、フォールバックロジック、ベンチマークの6つの実践的手法を紹介します。大規模環境でも正確で効率的なツール選択を実現する方法を解説します。
本記事では、エージェンティックAIシステムにおけるコンテキストエンジニアリングとメモリエンジニアリングの違いと関係性を解説します。コンテキストエンジニアリングは単一の推論呼び出しにおける情報の選択、圧縮、配置を扱い、メモリエンジニアリングは呼び出しやセッションをまたいだ情報の永続化、検索、保守を扱います。両者は検索境界で交わり、その境界が適切に管理されないと、情報の陳腐化やコンテキスト汚染などの障害が発生します。
本記事では、長時間実行されるAIエージェントアプリケーションにおけるコンテキストウィンドウ管理の5つの実用的な戦略と、それぞれのトレードオフについて説明します。
Model Context Protocol（MCP）はAnthropicが導入したオープンスタンダードで、AIアプリケーションと外部ツール・データソース間の通信を標準化します。本記事では、MCPが必要な理由、アーキテクチャとリクエストフロー、そして本番環境でのトランスポート、セキュリティ、デプロイメントの考慮事項を3つのレベルで解説します。
本記事では、基本モデルからデプロイメントインフラに至るまで、プロダクション向けAIエージェントの7層の技術スタックを解説します。各層の機能、コード実装例、およびプロトタイプ、スタートアップ、エンタープライズ環境における技術選定のアドバイスを提供します。
この記事では、制御フローの所有者に焦点を当てて、エージェンティックワークフローと自律エージェントを区別する方法を説明します。人間が事前にコードを書くのか、モデルが実行時に推論するのか。決定論的ワークフロー、オーケストレーションされたワークフロー、リアクティブエージェント（ReActループ）、自律型マルチエージェントシステムを、実行可能なコード例とともに網羅しています。真の軸は予測可能性と自律性であり、LLMが関与しているかどうかではありません。現在のプロダクションではワークフローが主流であり、ハイブリッドアーキテクチャが実際に有効なパターンです。
この記事では、大きなコンテキストウィンドウがエージェントの記憶と同じではない理由と、検索、圧縮、要約の技術がエージェントの認知スタックでどのように連携するかを説明し、真の記憶の永続化を実現する方法を紹介します。
大規模言語モデルの埋め込みとHDBSCANを組み合わせて、ラベルなしテキストデータから自動的にトピックを発見するテキストクラスタリングパイプラインの構築方法を紹介。埋め込み生成、UMAPによる次元削減、HDBSCANによるクラスタリングを解説。
この記事では、Playwright、browser-use、LangGraphを使用して、実際のWebサイトを閲覧・操作できるAIエージェントをPythonで構築する方法を解説します。トピックは、PlaywrightがSeleniumよりも優れている理由（30～50%高速、永続的WebSocket、内蔵自動待機、リアルなイベント）、環境設定手順、動的ページのスクレイピング、複数ステップのフォーム入力、アンチボット検出対策、セッション永続化、Dockerへのデプロイです。コード例を通じて、Webサイトをナビゲートし、フォームに記入し、構造化データを抽出し、LLMで意思決定を行う実用的なブラウザエージェントを作成します。