Google Cloud あるシンガーの全288曲の歌詞をベクトル化したら、数学的に『呪い』が検出された話
AIは「情念」を座標にできるか？最新のGemini Embedding 2を使い、とある女性シンガーの歌詞全288曲を3,072次元のベクトル空間に展開。数学的に導き出された4つのクラスタが示す、彼女の楽曲の多面性とは。マルチモーダル対応や次元の柔軟性など、最新モデルの凄さをファン兼技術者の視点でレポします。
生成AI
Google Cloud 
Cato Cloud Cato AI セキュリティプラットフォームとは？～AIセキュリティ課題を解決する新たなソリューション～
AI活用が進む中で、「シャドーAI」や情報漏洩、AI特有の攻撃など、新たなセキュリティ課題が企業で問題になっています。本記事では、AIセキュリティの主なリスクを整理するとともに、それらを解決するソリューションとしてCato Networksが提供する「Cato AIセキュリティプラットフォーム」を解説します。ユーザーによるAI利用の保護から、自社AIアプリケーションを守るAIファイアウォールまで、企業のAI利用を安全にする仕組みをわかりやすく紹介します。
Snowflake SQL初心者 vs Snowflake Cortex Code
SnowflakeのCortexCodeについて説明しています。SQLコード作成などをサポートする次世代のAI機能です。
AWS Kiro のクレジットが想定以上に消費されてしまった話
kiro-cli によるバッチ処理中に Kiro のクレジットを想定以上に使用してしまったので、備忘も兼ねて事の顛末を振り返ってみました。
AWS 【ここを気にした!】Amazon Bedrockを活用したWebクローリング＆名寄せ構想
Webクローリングおよび名寄せの検証において、AWS lambdaとAmazon Bedrockを活用したデータ収集アーキテクチャを検討した際の試行錯誤を整理しました。従来のルールベースのクローリングと比較し、生成AIを用いた柔軟な情報抽出を取り入れることで、サイト構造の差異に耐えるデータ収集方式をどのように実現したか、また収集データと既存マスタを突合する名寄せの課題についても紹介します。
AWS Amazon Bedrock Knowledge Bases で構造化データ(CSV)を使用した RAG をつくる -UI編-
Amazon Bedrock Knowledge Bases と Amazon S3 Vectors で構築した RAG 環境で、構造化データをデータソースにしたときの検索精度向上を目指しました。本記事は UI 編です。
AWS Amazon Bedrock Knowledge Bases で構造化データ(CSV)を使用した RAG をつくる -実装編-
Amazon Bedrock Knowledge Bases と Amazon S3 Vectors で構築した RAG 環境で、構造化データをデータソースにしたときの検索精度向上を目指しました。本記事は実装編です。
AWS Amazon Bedrock Knowledge Bases で構造化データ(CSV)を使用した RAG をつくる -アーキテクチャ編-
Amazon Bedrock Knowledge Bases と Amazon S3 Vectors で構築した RAG 環境で、構造化データをデータソースにしたときの検索精度向上を目指しました。本記事はアーキテクチャ編です。
Google Cloud AIに画像を渡したら、勝手にPythonプログラムが走り出した件。〜Agentic Vision検証レポ〜
画像解析の精度の壁を突破する「Agentic Vision」。Gemini 3 Flashが自らコードを書き、拡大や解析ループを回すことで、従来不向きだった微細な手書き文字や反転画像も正確にデータ化。Vertex AIでの実装方法からAPIキー管理のリスクまで詳しく解説します。
AI・ML （シリーズ1：RAGの基本情報 / 第2回）チャンキング（チャンク化）とは：戦略の全体像、サイズ/オーバーラップ設計、失敗パターンと検証デモ
RAGで「検索は当たるのに回答が噛み合わない」原因はチャンキング設計にあることが多い。本記事ではchunk size/overlapの勘所、代表6戦略＋発展2、LangChain×Vertex AI（Gemini Embedding）デモで検証方法まで整理。