AI

こんにちは、エンジニアの村本です。 本記事では、Rodin Gen-2の技術的進化についてご紹介します。 次世代3D生成AI「Rodin Gen-2」その進化と可能性 3D制作は、これまで専門的な知識と膨大な時間を必要とする分野でした。しかしAIの進化により状況は一変しつつあります。特にDeemos Tech（ディーモス・テック）が開発した最新の3D生成AI「Rodin Gen-2」は、これまでのツールとは一線を画す存在です。 Rodinとは？ AIによる3D生成エンジン 「Rodin」は、Deemos Tech（ディーモス・テック）が開発した テキストや画像から直接3Dモデルを生成することに特化した生成AIモデルです。 同社が運営する Hyper3D プラットフォームを通して提供されています。 対応する入力 Text to 3D：テキストプロンプトからアイテムやキャラクターの3Dモデルを作成 例：「wooden chair with cushions」と入力すると椅子の3Dモデルが生成される Image to 3D：1枚の写真やイラストから立体的な3Dメッシュを生成 例：ぬいぐるみの写真 → 3Dプリント可能なモデル 出力形式 GLB, OBJ, STL, FBX など、ゲーム・AR/VR・3Dプリントなどに利用できる形式でエクスポート可能。 技術的特徴 ディフュージョンモデルをベースにした生成AI 生成後に「リメッシュ」「AIテクスチャリング」「最適化」などを自動で実行 フォトリアル寄りからスタイライズ寄りまで幅広く対応 他の3D生成AIとの比較 サービス / モデル 入力方法 出力の特徴 強み 弱み Rodin (Hyper3D.ai) テキスト・画像 GLB / OBJ / FBX / STL など汎用3D形式 画像からの3D化が簡単

目次 こんにちは、エンジニアの池田です。この記事では、以下の内容を紹介します。 MCPとは？ MCPの仕組み 今回導入するMCP 導入方法 使用例：会社近くにある飲み屋の場所を調べてみよう 結果 まとめ 1. MCPとは？ Anthropicとの関係 MCP（Model Context Protocol） は、Anthropicが開発したAIモデルと外部システムを接続するためのプロトコル(とりきめ)です。Claude CodeやClaude Desktopなど、Anthropicの製品で積極的に活用されています。 MCPを使用することで、AIが単体では実現できない機能（ファイル操作、Web検索、データベースアクセスなど）を、外部ツールとの連携により実現できるようになります。 MCPの種類 MCPには大きく分けて以下の種類があります： ファイルシステム型: ローカルファイルの読み書きや検索 Web型: ブラウザ操作やWeb検索 データベース型: SQLiteやPostgreSQLなどとの連携 API型: 外部サービスのAPI呼び出し システム型: コマンド実行やシステム情報取得 2. MCPの仕組み 前の章ではMCPにいくつかの種類があることを紹介しましたが、ここではもう少し技術的に踏み込んで、MCPがどのような仕組みで動作するのかを解説します。 プロトコルとしてのMCP まず重要な点として、MCPは「Model Context Protocol」の略であり、その名の通り プロトコル（通信上の取り決め） です。特定のプログラムやツールそのものを指す言葉ではありません。 AIツール（今回でいえばClaude Desktop）と、外部機能を提供するプログラム（MCPサーバー）が連携する際に、「このような形式でリクエストを送り、このような形式でレスポンスを返しましょう」というルールを定めたものがMCPです。 具体的にどのような文字列がMCPの内部で使われるのかはこちらのサイトから確認できます。 典型的な命令としては、以下のような内容をやり取りしています。 { jsonrpc: "2.0"; id: string | number; method: string; params?: { [key: string]: unknown; }; } ただし、基本的にはクライアントもサーバも実装にはSDKを使うため、この文字列を直接扱うことは少ないかと思います。 SDKはGitHub上で公開されており、PythonやC#をはじめ、様々な方式で自作のMCPサーバを開発できます。 ただし、言語によって開発状況はまちまちで、C#では標準出力経由でやりとりするか、Httpサーバ経由でやり取りするしか選択肢はありません。 MCPサーバの立ち位置も、基本的にはAIツールと操作対象のツールの間に小型のMCPサーバを立て、標準出力にJson-RPCのみ出力して動作するのが一般的な実装方法の様です。

こんにちは、エンジニアの村本です。 AI技術の社会実装が進む中で、「なぜその判断をしたのか」を説明できないブラックボックス問題が課題となっています。本記事では、次に紹介する論文を元に、 説明可能AI（XAI） の最新研究動向を解説します。 紹介する論文： Explainable AI – the Latest Advancements and New Trends 目次 1. 説明可能AIが注目される背景 2. 各国の規制動向と倫理的枠組み 3. 技術的アプローチの最新研究 4. 実用化への取り組みと課題 5. ビジネス活用の展望 6. まとめ 7. おわりに 1. 説明可能AIが注目される背景 Trustworthy AIへの関心の高まり 2019年以降、AIの堅牢性・解釈可能性・プライバシー保護に関する研究が活発化しています。AIの産業応用が進むにつれ、人間中心の要素を取り入れた技術が増加し、倫理的・透明性・安全性への懸念が浮上しています。 技術的背景： 2019年前後は、深層学習技術の産業応用が本格化した時期と重なります。特に、BERT（2018年）やGPT-2（2019年）などの大規模言語モデルの登場により、AIの性能は飛躍的に向上しましたが、同時にモデルの複雑性も急激に増大しました。これらの高性能なAIモデルは、従来の機械学習手法と比べて桁違いのパラメータ数を持ち、その判断プロセスの理解が困難になったことが、説明可能性への関心を高める大きな要因となりました。 社会的背景： 同時期に、AIによる差別的判断や誤った意思決定が社会問題として顕在化しました。2018年のAmazonの採用AIにおける性別バイアス問題や、顔認識技術の人種差別問題など、AIの判断が社会に与える影響の深刻さが広く認識されるようになりました。これらの事例は、高性能なAIであっても、その判断根拠が不明確では社会実装において大きなリスクとなることを示しています。 IEEEなどの標準化団体が、倫理認証プログラム（ECPAIS）などの枠組みを導入し、特にAIの解釈可能性が課題となっています。 DARPAのXAIプログラム 米国のDARPAがExplainable AI（XAI）プログラムを開始し、人間が理解しやすいAIの開発を推進しています。 従来の解釈可能AIの限界 従来の 解釈可能AI（Interpretable AI） には以下の課題がありました： 性能との両立困難：解釈しやすいモデルは精度が低下する傾向 コスト増大：説明のためにモデルを簡略化する必要 複雑な問題への対応限界：実際のビジネス課題には不十分 説明可能AI（XAI） は、高性能なモデルに後付けで説明機能を追加するアプローチにより、これらの課題解決を目指しています。 2. 各国の規制動向と倫理的枠組み EU主導の信頼性基準 参考：European Commission: Ethics guidelines for trustworthy AI (2019) EU AI高水準専門家グループ（AI HLEG）による信頼できるAIの枠組みは、以下の3つの構成要素から成り立っています：

目次 こんにちは、エンジニアの有吉です。 6/25に Google 社から Geminiを活用するオープンソースの AI エージェント「Gemini CLI」のプレビュー版がリリースされました。 本記事はそれを早速使ってみたレビューとなります。 Gemini CLI とは 事前に準備が必要なもの 導入手順 動かしてみる 終わりに 1. Gemini CLI とは Google が開発した AI モデルの CLI ツール Windows で簡単に扱えるのがポイント 公式ドキュメント 2. 事前に準備が必要なもの Node.js が必要 筆者の環境にはインストール済みだったため、 Node.js をインストールしていない環境で導入を進めるとどうういうことが起こるかは確認できませんでした 3. 導入手順 PowerShell でコマンドを実行するのですが。二種類の手段が用意されています。 ひとつは npx https://github.com/google-gemini/gemini-cli もうひとつは npm install -g @google/gemini-cli です。 両者の違いを以下に示します。 実行するコマンド 特徴 npx https://github.

目次 こんにちは、エンジニアの池田です。この記事では、以下の内容を紹介します。 AIコーディングとは？ 本記事で対象とする環境 昨今のAIコーディング動向 Windows上でClaude Codeを使うということ Claude Code導入手順 Claude Codeを使ってみる まとめ 1. AIコーディングとは？ AIコーディングという言葉には、明確な定義があるわけではありません。本記事では、近年のAI開発競争の中で登場したプログラミングに特化したAIと、人間が協調してコードを書くことをAIコーディングとよぶことにします。 2. 本記事で対象とする環境 筆者はWindowsユーザーであるため、ツールの導入方法や操作手順などはすべてWindowsを前提に解説します。近年のAIツールの多くはLinuxやMacOSとの親和性が高く、Windows対応が後回しになることも多いため、Windows環境での情報はまだまだ貴重です。 YouTubeやブログでもWindows向けの情報は少なめなので、WindowsでAIコーディングを始めたいという方はぜひ本記事を参考にしてください。 3. 昨今のAIコーディング動向 最近のAIコーディングを、以下の4つに分類して紹介します。 ブラウザ完結型 API接続型 エディタ型 MCP型 ブラウザ完結型 ローカル環境の設定が不要でOSを問わずすぐに試せる 基本的にすべての処理がサーバ側で動作するためローカル環境はスマホでもOK 定額制のサービスが多く使いすぎを意識せずに利用可能 例：ChatGPT Codex、Claude Code GitHub Actions ChatGPT Codex等が最近ではコンテナを用いた自動ビルドに対応しており、ビルドエラーを検出して修正まで試みるといった機能も登場しています。 ただし、高性能な機能を使用するには、有料プラン（例：ChatGPT Pro等）に加入する必要があるため、誰でも気軽に使える、という段階にはまだ達していません。 人間はスマホだけ見て、あとはすべてAIが自動対応というシナリオではこの用途が主流になりそうな印象です。 API接続型 エディタ上でAIによるリアルタイム編集が可能 Visual Studio Codeのような既存の開発環境に統合して使用することができるため、試用しやすい APIを使用する方式のため、かかる料金は使った分だけ ※Claude Codeは複数の料金体系から選択可能 エディタ拡張型の場合、基本的にはAPIアクセスキーを初回に入力して、これを通じてAIによる分析やコーディングを提供します。拡張機能部分はエディタが開いているファイルや、選択状態をAIに提供します。 エディタ拡張型例：Cline、Cody、Copilot シェル型は現在Claude Code一択になります。Claude Codeは薄いエディタ拡張機能とシェルの組み合わせで動作します。月額プランを契約している場合はAPI接続ではなく、月額プランの方で使用することも可能です。 シェル型例：Claude Code API料金は従量制が一般的なため、大規模なコードの改修など使用量が増えるとコストも増加します。導入の際はあらかじめ予算を決めておくと安心です。 エディタ型 エディタに統合されたAIの強力な開発サポート 単にAPIをたたくだけでなく、途中で検索などAPI接続以外のAI作業を行うことが可能 最新情報の反映など情報を広く使用した開発ができる 例：Cursor、Windsurf