タイムライン検索

2026年5月29日

arXiv:2605.29168v1 文書の発表。質問応答（QA）はAIの中核的な課題であり、特に複数の文書間でのマルチホップ推論や集約や完全リスティングなどのシンボリック操作を必要とする複雑なクエリに対応する必要があります。検索拡張生成はQAの主流アプローチとなり、最近のグラフベースのバリアントが追加されています。

arXiv cs.AI

2026年5月29日

自由形式の表現型の説明をオントロジー用語にリンクする、いわゆる表現型アノテーションは、比較形態学的データの研究間統合に不可欠です。この労働集約的なプロセスは高度な訓練を受けた人間の専門家に大きく依存してきたため、スケーラビリティが課題となっています。

arXiv cs.AI

2026年6月1日

arXiv:2605.30400v1 ChatGPTが疾患中心のバイオメディカル関連性を生成する能力を評価するためのプロトコルを提示する。バイオメディカルオントロジーを使用して関連性を生成し、生物学的エンティティを検証し、文献を使用して関連性を検証する方法を概説する。プロトコルには自己一貫性戦略が含まれる。

arXiv cs.CL

2026年6月1日

大規模言語モデル（LLM）は一般的なタスクで優れたパフォーマンスを発揮していますが、高品質なドメイン固有のデータなしに特殊なドメインに適応するのに苦労しています。既存の LLM ベースのデータキュレーション方法は主に人間が設計したワークフローに依存しており、LLM が自動的に適応できるかどうかはまだ検証されていません。

arXiv cs.CL

2026年6月9日

こんにちは、クラシルでデータエンジニアをしているharry(@gappy50)です。 クラシルでは、これまでAI-Readyなデータ利活用に取り組んできました。

Zenn

2026年6月11日

arXiv:2606.11208v1 新規発表 要旨: 医療分野の研究結果は、しばしば研究間で矛盾しているように見えますが、これらの違いの多くは真の矛盾というよりは文脈に依存しています。コホート、地域、アッセイプロトコル、疾患サブタイプ、臨床設定のバリエーションにより、両方の主張が局所的に有効になる可能性があります。既存のNLI（自然言語推論）および科学的言明検証ベンチマークは、このようなケースを包含、矛盾、または中立に還元しており、分岐の背後にある文脈構造を捉えることができていません。これに対処するため、6クラスの矛盾分類、13軸の分岐オントロジー、および各言明ペアに対する4つの構造化出力（矛盾タイプ、分岐軸、主要な交絡因子、および和解説明）を備えた評価フレームワークであるBioDivergenceを導入します。5つの医療分野にわたる11,865の言明ペアの、記事非重複シルバーベンチマークであるBioDivergence-Silver-v1.0を、比較のためのレガシー重複排除バリアントとともにリリースします。

arXiv cs.CL

2026年6月15日

こんにちは。ナウキャストの Data Holder Unit 所属、マッピングチームでデータエンジニアをしている翁長です。 この記事では、2026 年度の社内 AI コンテストで優勝とテクノロジー賞をダブル受賞（！

はてなブックマーク IT

2026年6月18日

はじめに ダッシュボードを作った。 毎日見てもらうために、メールやSlackで日次配信もするようにした。 ...だけど、誰も見てくれていない。 バラバラだったデータをまとめて、せっかくダッシュボードで見やすくしたのに。 この数ヶ月はなんだったんだ。 似たような経験をした...

Qiita 人気記事

2026年6月19日

大規模言語モデル（LLM）は、テキスト生成の確率的性質により評価が困難な表現的・統語的バイアスを示します。標準的な監査方法は、単一の出力検査または静的な自動メトリックに依存しますが、これらは基盤となる確率分布を不明瞭にし、低確率の生成分岐に隠されたバイアスを捉えられません。本論文では、集約比較を通じてLLMバイアスを評価するために設計されたビジュアル分析ツール「TreeTracer」を紹介します。体系的な摂動分析パイプラインを使用し、このツールは各入力プロンプトのオントロジー定義用語を置換し、数百の確率的生成を構文アラインされた階層構造に集約し、補助言語モデルによる分類認識ノードマージを実行します。結果の構造はカスタムSankeyダイアグラムで可視化されます。2つのオントロジー駆動ツリーを並置することで、ワークスペースは意味的コンテキスト間の直接比較を可能にし、体系的なバイアス検出をサポートします。

arXiv cs.CL

2026年6月21日

データエンジニアが Claude Code を使いこなすために学んだこと：CLAUDE.md・Skills・MCP はじめに てつどんです。データエンジニアとして BigQuery・Dataform・Python を日常的に使っています。 最近 Claude Code を使う機会が増えてきました。

Zenn

2026年6月23日

オントロジーは、人間とシステムの両方が理解できる情報を整理・維持するための有用な構造です。しかし、手作業での作成は労力がかかるため、多くの特定ドメインでは参照オントロジーが不足しています。大規模言語モデル（LLM）が示す自然言語理解の優れた能力は、オントロジー開発を含む様々な分野での活用を促進しています。本稿では、LLMをドメインエキスパートとして利用し、与えられた初期概念のための概念階層を構築する技術の実験について紹介します。GPT-3.5とGPT-4を使用して自動構築されたブラジル海上領土（別名ブルーアマゾン）ドメインの20個のオントロジーを、人間の専門家が評価しました。モデルはドメインの全体的に首尾一貫した概念化を構築できましたが、どの出力も調整なしでは文脈の表現として完全に満足できるものではありませんでした。

arXiv cs.CL

2026年6月27日

既存のナレッジストアとの関係 オントロジーがGenie Agent(旧Genie Space)でも効くとなると、従来のナレッジストアの立ち位置が気になります。ここも置き換えではなく共存で、スコープによる役割分担になります。

はてなブックマーク IT

2026年6月29日

本記事は シーズン4「現代の知識グラフとオントロジー」 の 第1部 です。シーズン2 第2部・第3部 が 分割統治（物理分離・論理結合） と 論理フェデレーション（Graph Contract、決定論的ツール）を説明したのに対し、シーズン4 は オントロジーの現代的解釈 と、DE/AI…

はてなブックマーク IT

2026年7月1日

イベント検出（ED）システムは通常、クリーンでキュレーションされたテキストで評価されるため、特にベンガル語のような低リソース言語においては、現実世界のノイズに対するロバスト性はほとんど探求されていません。本研究では、汎用的なベンガル語ニュースイベントオントロジーと、クリーンなニューステキスト、実世界の自動音声認識（ASR）トランスクリプト、および正書法的に破損したテキストにまたがる40のイベントサブタイプにわたる9,979のアノテーション付き文からなるベンチマークを導入します。ファインチューニングされたエンコーダー専用モデル（BanglaBERTとXLM-R）と、命令チューニングされたデコーダー専用大規模言語モデル（Llama 3とGemma 3）を体系的に評価します。結果は明確なアーキテクチャのトレードオフを明らかにします。エンコーダーモデルはクリーンなテキストで高いパフォーマンスを達成しますが、ノイズ下では著しく低下します。一方、デコーダー専用LLMは、特にイベントトリガーが破損している場合に、著しくロバストです。

arXiv cs.CL

2026年7月2日

希少疾患の鑑別診断は、医師が複雑で構造化されていない患者の症状から正確な表現型を特定し、広大な探索空間内で複雑な推論を実行することを必要とする、重要かつ困難な臨床タスクです。しかし、既存のAIアプローチは通常、パイプラインベースの表現型抽出または検索拡張生成に依存しており、これらは定義済みのオントロジー、検索のボトルネック、および診断ロジックの欠如による重大な情報損失に苦しんでいます。これらの課題に対処するため、構造化されていない臨床記録から直接、オープンな領域の希少疾患診断のために設計されたエンドツーエンドの推論中心大規模言語モデルであるRareDxR1を導入します。構造化された表現型とクローズドセットの意思決定への依存を回避するため、知識の内部化と自律的な進化学習を相乗させることで、段階的なエンドツーエンドのトレーニングフレームワークを設計しました。RAGと表現型の制限の限界を克服するために、断片化された希少疾患知識をモデルのパラメータに直接深く内部化できるようにしました。

arXiv cs.AI

2026年7月23日

AIチャットボットが誤った情報を生成する原因として、AIモデルや指示（プロンプト）の不備ではなく、基盤となるデータの陳腐化が指摘されています。AIアシスタントは、たとえ数週間の調整を経ても、3ヶ月後にはユーザーの質問の約3分の1で、最新でない情報に基づいて自信を持って誤った回答をしてしまう可能性があるとのことです。 この問題は、価格設定、企業ポリシー、製品仕様といった、AIが参照する情報源が最新の状態に保たれていないことに起因します。多くのデータエンジニアリングチームは、AIアプリケーションが最新でない情報を生成しているかどうかを検知するための適切なツールを欠いているのが現状です。その結果、AIは古い情報を、あたかも正確であるかのようにユーザーに提供してしまうリスクを抱えています。 （VentureBeat AI）

VentureBeat AI