AI・機械学習 — ページ 2

MCP · 2026/10/06 · 6 分で読めます · 128

MCP – LLMと外部データ/toolとの通信標準を学び、Spring AIでMCP serverを書く例を含めた解説です。

AI Agent · 2026/10/06 · 8 分で読めます · 134 · 動画あり

MicrosoftがSemantic KernelとAutoGenを統合した統一的なAI Agentフレームワークをリリース。本記事では、アーキテクチャ、動作仕組み、Java/Spring AIを用いた実装例を解説します。

LLM · 2026/10/06 · 9 分で読めます · 132 · 動画あり

ソース文書が変わる時、vector storeで直接上書きするとデータの矛盾が生じやすい。本記事はRAGの安全なバージョニング手順を説明します。

RAG · 2026/10/06 · 8 分で読めます · 105 · 動画あり

RAGでのフラットサーチはO(n)で完全に正確ですが、データが大きくなるとコストがかさみます。本記事ではIVF、nprobeパラメータ、recallと速度のトレードオフについてJavaで実装例を交えて解説します。

AI Agent · 2026/10/05 · 8 分で読めます · 111 · 動画あり

Grab のような技術チームが AI Agent をコード review、エラー triage、自動化タスクに応用する方法を分析。Java/Spring AI の実行可能な例付き。

LLM · 2026/10/05 · 10 分で読めます · 166 · 動画あり

LLMがinferenceで1つずつトークンを生成する方法、KV cache、batching、quantizationなどの最適化技術、およびJava/Spring Bootでパフォーマンスを測定する方法を学びます。

LLM · 2026/10/05 · 10 分で読めます · 118 · 動画あり

AlexNetからRAGまで、現代AIの基礎となる12論文の総まとめ — 各主要アイデアをJavaコードで説明します。

LLM · 2026/10/05 · 7 分で読めます · 116 · 動画あり

Spring Bootプロジェクトでコード、テスト、ドキュメント作成時間を短縮するLLM活用実践ガイド（実行可能な例付き）

AI Agent · 2026/10/05 · 9 分で読めます · 159 · 動画あり

Claude Codeの12の主要機能の総まとめ - CLAUDE.md、Plan Mode、Subagentsまで - Spring Bootプロジェクトの実践例付き

RAG · 2026/10/05 · 8 分で読めます · 154 · 動画あり

embeddingがテキストをベクトルに変え、意味的なマッチングを可能にする方法を学び、実行可能なJavaの例でRAGに適用します。

Hugging Face · 2026/10/05 · 5 分で読めます · 149

Hugging Face Hubで適切なモデルを見つけ、モデルカードを確認し、PythonとSpring Bootの両方から呼び出すガイド

Hugging Face · 2026/10/05 · 7 分で読めます · 107

Hugging FaceのTokenizerの仕組み、DJL経由でSpring Bootアプリケーションに統合する方法、encode/decodeの具体例とテストについて学びます。

LLM · 2026/10/05 · 11 分で読めます · 127 · 動画あり

LLMを使う時に出てくる20の基本概念の完全解説 — token、embedding、RAG、fine-tuning、agent...Java/Spring AIコード例付き

MCP · 2026/10/05 · 9 分で読めます · 145 · 動画あり

MCPとRAGとAI Agentを定義、アーキテクチャ、Java実装例で比較し、どのような場面で何を使うべきかを理解できます。

Hugging Face · 2026/10/05 · 6 分で読めます · 127

Hugging Face TransformersのPipeline APIを使ってsentiment analysis、NER、summarization...をモデルアーキテクチャを深く理解せずに実行するガイド。

RAG · 2026/10/05 · 8 分で読めます · 112 · 動画あり

段落検索で良い結果を得ることは、質問への答えを得ることと同じではありません。本記事では、rerank、ハイブリッド検索、grounding を組み合わせ、LLM が証拠に基づいた回答を提供し、データが不足している場合は回答を拒否できるようにするパイプラインの実装方法を解説します。