AI共生

AI Orchestration

【Pythonの罠】20万行のXML解析でエラーを出さずに「0件虚無」になるElementTreeの名前空間(Namespace)のバグと対策

WordPressのXMLエクスポートから特定記事を抽出しようとした開発者が、PythonのElementTree(xml.etree.ElementTree)の最悪の「サイレントスルー仕様」に嵌まり、13時過ぎまで激闘したノンフィクション記録。エラーを出さずに0件を返す名前空間の罠と、それを力技の正規表現(re)で踏み潰した生存戦略を解説。
AI Orchestration

【AIオーケストレーションの嘘】根拠ゼロの「20/10/10ルール」を繰り返すCopilotと、有効英文比率38%の残酷な現実

Tune OCRの636行を前に、Copilotと共に「20/10/10方式」でノイズ除去を試みたが、行単位判定の限界と後出し前提により完全破綻。8日間の迷走の末、「全文連結+英文法+辞書照合」という新方式へ転換。AIオーケストレーションの「闇(誤診・デグレード・ハルシネーション)」と「光(人間の方式設計+AIの忠実な実装)」を、実際の対話ログを交えて描く。スマートな進捗ではない、泥臭いAI共生の核心。
AI Orchestration

【実録21日間の泥沼】DeepSeekの無限ループ、Qwen2.5の0件正常終了。AIの粗暴なリラン提案を却下し続けたデータ前処理闘争記

AI オーケストレーションの続編。PDF マニュアルの文字化け、Copilot の迷走、Qwen2.5 の沈黙、Python の罠──再々設計と2重遭難を乗り越えた技術的記録。AIオーケストレーションの限界と最適解から続くエンタープライズ級Pythonバッチ設計
検証シリーズ:向き合い方

【LLM開発】なぜPythonの仕様に絶望しても、AIオーケストレーションやバッチ開発でPython一択になるのか?3つの決定的な理由

インデントのズレで崩壊し、ファイル名1つでヘソを曲げるPythonが、なぜ世界シェア1位なのか?「たった1文字で3時間溶かした」エンジニアが、AI・OCRバッチ開発の現場で直面したPythonの圧倒的な「接着力」と、歪んだエコシステムの歴史を暴く。Ryzen AI 9 HX470 LLM
検証シリーズ:向き合い方

【Pythonの罠】たった「1文字」の記述ミスで3時間溶けた実例(例:末尾のコンマ、ミュータブル引数)とLLMが見抜けなかった理由

Pythonの相対インポート `from .module` がなぜ分かりにくいのか、その歴史的理由と対策を解説。たった1文字 `.` で挙動が変わる『クソ仕様』の真相と、AS/400との比較から見えるPythonの限界。Python初心者からベテランまで、一度は悩んだ『インポート地獄』を完全解決。『急がば回れ』の精神でPythonと向き合う方法。
AI Orchestration

【DeepSeek暴走対策】AIオーケストレーションの限界を超える、ガードレールを取り入れたエンタープライズ級Pythonバッチ設計

AIに丸投げでは出来高50%未満の赤点?AS/400のCLP構造や150語のルールでDeepSeekが暴走した実体験から、Copilotとの役割分担、Claude 4.5 Sonnetの有効性、PCローカル環境(Ryzen AI 9)で品質100%を叩き出すPythonパイプラインの最終設計図までを徹底解説。Ryzen AI 9 HX470 LLM
AI共生

【フルライフサイクル実録】Gemini/Copilotと挑んだ21日間:要求定義からPythonバッチ運用までAIと協働する「開発プロセスの現実」

Geminiの暴走と迷走に苦しんだ開発者が、Copilotと共に「要求設計→外部設計→内部設計→プログラミング→バッチ運用」まで AI と協働し、PDF英文マニュアルの翻訳バッチを完成させるまでの21日間を記録。AIと安全に共生するための最重要ポイントを技術者視点で解説。Ryzen AI 9 HX470
AI共生

【ローカルLLM】GUIからCLI(Ubuntu)へ移行して、PDF自動翻訳バッチを完全自動化・安定運用する設計手法

GUI中心のLM Studioから、Ubuntu上のCLI運用へローカルLLMをシフトし、PDF自動翻訳バッチをどのように設計するかを整理。ocrmypdfとllama-cli、DeepSeek-R1やGemma4を用いながら、IBM i 的な運用思想でAIを「使う」から「共に動かす」へ移行する道筋を解説。Ryzen AI 9 HX470
AI共生

【ローカルLLMの限界】モデル選定とマニュアル翻訳の実践から見えた「コンテキスト解像度」の壁と対策

生成AIは便利だが、時に平然と“嘘”をつく。だからこそ私はクラウド依存を避けるために Local LLM を導入し自分の手元でモデルを動かすことに挑戦した。しかしPDFのページ数が増えた瞬間に精度が落ち前の文書の内容が混ざりモデルを eject して再読み込みするという作業を繰り返すことになった。この章では私が実際に行ったモデル選定PDF解析の試行錯誤そして「Local LLM の限界」をどう乗り越えたかをまとめる。Ryzen AI 9 HX470
AI共生

【ハルシネーション対策】生成AIの「嘘」を制御する:マニュアル翻訳バッチにLocal LLMを導入した理由と設計

生成AIを利用する際に最も重要なのは、AIを誘導しないことである。ユーザーが意識していないと、AIは欠損した情報を補完し、もっともらしい文章を生成する。以前の記事でも触れたように、存在しない製品の型番や仕様を提示するケースが確認されている。これは特定のモデルに限らず、生成AI全般に共通する構造的な特性である。本稿では、LM Studio を用いて複数の Local LLM を検証した結果をもとに、生成AIの特性と、AIとの共生に必要な視点を整理する。Ryzen AI 9 HX470
PR広告