以下の画像をBase64エンコードしたデータをAIに渡し、どんな画像であるかを回答してもらうコードを作ってみた。 とあるイベントにて撮影 続きをみる

『【中古】OpenAI GPT-4／ChatGPT／LangChain人工知能プログラミン』は、初心者から上級者まで幅広く活用できる一冊です。例えば、学生が論文作成に悩んでいる時、AIによる文章生成でアイデアを補完。この本の内容を参考にしながら、効果的に情報を整理できます。また、ビジネスマンが企画書を作成する際、ChatGPTを使った対話型のブレインストーミングで新しい発想が生まれやすくなります。さらには、プログラミング初心者がLangChainを学びながら、自分のアプリケーションに簡単にAI機能を組み込むことも可能。手軽に実践できる内容が詰まっており、誰でも無理なくAI技術を活用できる一冊です。 【楽天市場】【中古】ＯｐｅｎＡＩ ＧＰＴ-４／ＣｈａｔＧＰＴ／ＬａｎｇＣｈａｉｎ人工知能プログラミン/ボ-ンデジタル/布留川英一（単行本（ソフトカバー））：VALUE BOOKS【中古】ＯｐｅｎＡＩ ＧＰＴ-４／ＣｈａｔＧＰＴ／ＬａｎｇＣｈａｉｎ人工知能プログラミン/ボ-ンデジタル/布留川英一（単行a.r10.to 続きをみる

マルチモーダルなAIアプリを作ろうとするならば、画像を含むExcelファイルを扱える必要がある。 Excel内の画像ひとつひとつからテキスト抽出する方法もあれば、ExcelファイルをPDF変換してからテキスト抽出する方法もある。 今回は前者のコードを作ってみた。 import pandas as pdimport pytesseractfrom PIL import Imageimport iofrom openpyxl import load_workbookdef extract_text_from_excel(file_path): # Load the Excel file workbook = load_workbook(file_path, data_only=True) text_data = "" # Iterate through each sheet for sheet_name in workbook.sheetnames: text_data += f"Sheet: {sheet_name}\n" # Load the sheet into a DataFrame df = pd.read_excel(file_path, sheet_name=sheet_name, engine='openpyxl') # Convert the DataFrame to text text_data += df.to_string(index=False) # Check for images in the sheet (this is a placeholder, actual implementation may vary) # Assuming images are stored as objects in the sheet sheet = workbook[sheet_name] for image in sheet._images: img = Image.open(io.BytesIO(image._data())) text_data += "\n" + pytesseract.image_to_string(img, lang='jpn') text_data += "\n\n" return text_datadef main(): ...

『【中古】OpenAI GPT-4／ChatGPT／LangChain人工知能プログラミン』は、最新のAI技術を身近に感じられる一冊です。例えば、ビジネスパーソンが業務効率をアップさせたい時、ChatGPTを活用したアイディア出しや文章作成が手軽に行えます。また、プログラミング初心者がLangChainを使ってAIアプリケーションを簡単に実装できる方法を学べるため、自分のペースでスキルアップが可能です。この書籍は、ソフトカバーなので、どこでも手軽に持ち運びでき、隙間時間を利用して学習が進められます。自宅やカフェで、便利なAI技術の魅力をぜひ体験してみてください。 【楽天市場】【中古】ＯｐｅｎＡＩ ＧＰＴ-４／ＣｈａｔＧＰＴ／ＬａｎｇＣｈａｉｎ人工知能プログラミン/ボ-ンデジタル/布留川英一（単行本（ソフトカバー））：VALUE BOOKS【中古】ＯｐｅｎＡＩ ＧＰＴ-４／ＣｈａｔＧＰＴ／ＬａｎｇＣｈａｉｎ人工知能プログラミン/ボ-ンデジタル/布留川英一（単行a.r10.to 続きをみる

データセットを作成した後、何をすればよいのかさっぱりわからないので、AIに聞いてみたところ、いくつか示された案の中に「Code Workbooksを使用してPythonやRでデータ分析を行います。」とあった（Rって何？）。 これをやってみることにする。 applicationフォルダの作成 続きをみる

OpenAI APIをクレジット購入した（5$）。 LangChainに触れる前にまずは疎通確認。 import osfrom openai import OpenAIapi_key = os.environ.get('OPENAI_API_KEY')client = OpenAI( api_key = api_key)completion = client.chat.completions.create( model="gpt-4o-mini", store=True, messages=[ {"role": "user", "content": "write a haiku about ai"} ])print(completion.choices[0].message) 続きをみる

以下の手順を確認。 事前準備として、DatasourceプロジェクトとOntologyプロジェクトを作成。両プロジェクトの明確な違いはまだ説明できない。 Datasourceプロジェクト内に簡単なフォルダ体系を作成。 （data_root - self_learning - upload - csv） csvフォルダ内で「＋新規作成」→「データセット」を選択。 ローカルで作成したcsvファイルをアップロード 続きをみる

LangChainは、大規模言語モデル（LLM）の能力を活用したアプリケーションを簡単に開発できるフレームワークとして、いま注目を浴びています。テキスト分析やチャットボット構築、情報の要約やFAQシステムの自動化、さらにはレコメンデーションやAIコピーライティングなど、多彩なシーンで活躍しはじめています。 とりわけマーケティング領域では、顧客理解の深掘りからパーソナライズ戦略の高度化まで、あらゆる局面を最適化できる可能性を秘めています。 続きをみる

2025年2月25日、初投稿。 今後、LangChainおよびPalantirについて学んだことをメモしていく予定。 続きをみる

AIエージェント開発の概要 続きをみる

RAG（Retrieval-Augmented Generation）は、生成AIが外部データを検索して回答を生成する技術です。通常の生成AI（LLM）は事前に学習したデータのみをもとに応答しますが、RAGはリアルタイムで検索した情報を組み合わせて、より正確で最新の回答を提供できます。 続きをみる

はじめに 続きをみる

ChatGPT × LangChain × Streamlit で実現！高性能AIチャットアプリの構築手順を徹底解説 続きをみる

LangChainは、本が出たり、入門記事がネットたくさんあったり、一見すごそうなフレームワークに見えますが、クソです。 どうも調べてみると2023年後半頃から悪い評判が出ています。この記事一番よくまとまっていますが、要するに過度な抽象化と複雑なコードベースのせいでカスタマイズが非常に困難ということです。したがって、プロダクション環境でLangChainを採用すべきでないことはよくわかります。 プロダクション環境ではともかく、LangChainは一見すると、LLM入門にはよいようにもみえます。 しかし、LangChainはLLM入門に向いていないどころか有害です。 その理由は3つです。 続きをみる

OpenRouter 詳細解説 続きをみる

GraphRAGの基本背景 GraphRAG（Graph-based Retrieval-Augmented Generation）は、大規模言語モデル（LLM）の性能をさらに高めるための新たなアプローチとして注目されています。従来、RAG（Retrieval-Augmented Generation）は、LLMの応答に外部データを組み込み、より適切かつ現実的な回答を生成する手法として活用されてきました。例えば、テキストベースのドキュメントやウェブサイトなどをベクトル化し、ユーザーの問い合わせに応じて該当するテキスト片を取り出すことで、LLMに与えるコンテキストをより充実させる方法が主流でした。しかし、これだけでは複雑に絡み合った情報や複数のデータポイントをまたぐ推論には限界がありました。 続きをみる

こんばんは。 今日は「自戒の念」も込めて、勉強し始めた頃を振り返り、表題のテーマに触れてみたいと思う。（振り返るのが早いのは、気にしないでください。笑） 2年くらい前にChat GPTが大々的に出てきて、「AI使えばプログラミングができる」的な話が話題になり、関連書籍やメディアも非常に増えた。 確かに「コードを書く」という点においては、最近のAIツールを活用すれば一定レベルのコードを生成してくれるようになった。それを繰り返すだけで、「プログラミングスキル」として謳う方もSNSでチラホラ見かける。 かくいう私も最初は「Chat GPTがあれば何でもできるやん！」状態になってしまい、テンションが上がって、初歩的なアプリのコードや一定の処理を自動化するコードを量産していた。それでプログラミングが少し出来た気になっていた。 だが、それが大間違いだったことに気付かされたのが、つい最近のこと。 現在、アプリ開発を共同パートナーと進めながら、色々と教えてもらいながら開発領域の色々な事（要件定義、データベース、アーキテクチャ、Github、docker、プログラミング言語、etc・・・）を学ぶ過程で、自分が如何に無知かを思い知らされる。 実際、全く足りていないのは分かっていたことではあるが、こんなにも果てしないとは。 では何を持って「AIを活用してプログラミングができた」なのか？？ →AIが出したコードを「理解せず」コピペしても本当の意味でプログラミングが出来るとは言えない。 続きをみる

はじめに 続きをみる

人工知能がビジネスの世界を席巻する今、マーケティング領域でもAI活用の流れが加速しています。なかでも大きな注目を集めているのが、「自然言語処理（NLP）」と、大規模言語モデル（LLM）向けフレームワークの一種である「LangChain」です。 マーケティング事業の視点から見ると、これらの技術を使いこなせるかどうかで、顧客とのコミュニケーションの質、施策の効率、そしてビジネスとしての差別化の度合いに大きな差が生まれます。 続きをみる

こんばんは！ 進めているプロジェクトについて、記事を書くのは久しぶりですが、作業は進めていますので、ご安心ください。（誰に向けてか分かりませんが。笑） 今回はタイトルの通り「アーキテクチャ_MVVM」について記事を書きます。 ”初学者”の方々にはまだまだ先のことのように思えてしまう言葉ですが、非常に重要な概念なのです。 このアーキテクチャが無くても、アプリやシステムを開発する事はもちろんできますが、定石的なルールや基準に基づいたコードを書くことをしなければ、可読性や保守性を無視した、管理・運用のしにくいアプリになってしまいます。 また、アーキテクチャのデザインパターンはいくつも存在します。一概にどれが良いかは選定する技術スタックや開発するアプリケーションにより選定する事が多いです。 今回のアプリでは、沢山あるデザインパターンの内「MVVM」という手法を中心に解説していきます。 続きをみる

はじめに 近年、生成 AI の活用が進む中で、より柔軟な対話型 AI を構築するためのフレームワークが求められています。その中でも LangChain は、AI モデルとさまざまなツールを組み合わせることで、高度な AI アプリケーションを開発できる強力なフレームワークです。 続きをみる

はじめに：複雑な問題、どう解く？ 「AIの進化はすごいけど、結局、使いこなせるかどうかはプロンプト次第…」 続きをみる

Next.jsの開発元として知られるVercel社が提供するオープンソースのAI開発キッド「Vercel AI SDK」において、インストール方法, OpenAI APIキー設定, チャットUI構築の流れ, を具体的なコード例とともに解説する資料を作成して。 上記のプロンプトでChatGPTのDeep Researchに調査して作ってもらった資料をそのまま掲載します。自分用で作りましたが、同じテーマで調べる人にとっても有益な情報になると思ったので共有です。ぜひお役立てください。 続きをみる