top of page


AI-Powered Management Decision Support System (MDSS) Development Notes2
今回の開発では、Gemini APIの「429 RESOURCE_EXHAUSTED」エラーへの対応、MDSS設計の見直し、およびStreamlitのレイアウト修正を行いました。APIエラーはダッシュボードの制限確認のみでは解決せず、コード内で指定していたモデルが「gemini-2.0-flash」のままだったことが原因と判明しました。モデルを「gemini-2.5-flash」に変更して正常に応答を確認しました。設計面では、API制限や応答速度の改善を図るため、従来の「操作即AI分析」から「DB参照」を基本とし、更新時のみAIを利用する構成へ刷新しました。UI面では、チャット履歴の二重描画を解消し、不要な空白を除去しました。今回の経験を通じ、AIを活用した開発においても提示されたコードの意図を読解する力が不可欠であることを痛感しました。技術的な詳細を理解し、運用効率を考慮した設計の重要性を深く学んだ一日となりました。
6月28日読了時間: 2分


AI-Powered Management Decision Support System (MDSS) Development Notes
本システムは、AI APIを業務へ組み込むことで、単なるチャットボットを超えた経営判断支援システムの構築を検証するプロジェクトです。売上、市場、競合、ニュースといった多角的な情報を統合し、現状分析、リスク分析、フィッシュボーン分析、マインドマップ生成、PDCA提案といったツールを駆使することで、複雑な経営課題の構造化と仮説生成を自動化し、最終的な意思決定を行う人間に対して質の高い判断材料を提供することを目的としています。
開発過程においては、API制限やコストといった実務上の課題に直面し、従来の「AI中心設計」から、日常の分析結果はデータベースから参照し、更新要求時のみAIを活用する「DB中心設計」へのアーキテクチャ刷新を行いました。この挑戦を通じて、技術的な実装のみならず、運用性、保守性、投資対効果というビジネス視点の重要性を再認識するに至りました。AIがコードを生成する時代において、エンジニアには「何が不足しているのか」を理解し、全体を設計・レビューする能力が不可欠であることを、本プロジェクトの実践を通じて証明しています。
6月24日読了時間: 4分


AIOCRについて
2年越しにAI-OCRの構築へ着手しました。今回は圧倒的な学習量を誇る大手AI(Gemini-2.5-flash)を使い、データ構造をガチガチに固定する設計です。
核となるのは「判定 ➔ 抽出」の2段階パイプライン。1回目で帳票種別と顧客を判定し、2回目で顧客ごとのルールを動的に適用して高精度に抽出する構想です。
手始めに、手元のPDFから「未知の顧客(UNKNOWN)」として項目を抜き出すベース処理をテストしたところ、狙い通り綺麗なJSONが出力されました!
6月14日読了時間: 3分


AIを作ってみた4
自身の性格や考え方を反映したAIを目指し、Webブラウザ上で会話可能な「Taka AI」の試作機を開発した。「黒い画面」の無機質さを解消するため、スマホの絵文字のような顔を導入し、侮辱ワードに怒るなどの感情表現を実装してキャラクター性を意識した。
技術面での大きな成果は、FastAPIを用いてAIをAPI化したことだ。これにより、ブラウザからHTTP通信を介してPythonプログラム上のAIとやり取りする構成が実現した。
現状は大規模言語モデルではなく、検索に基づいた回答を行う仕組みだが、学習データは蓄積されるため改善が可能だ。今後は体験談や価値観をパラメータへ反映し、「自分らしく考え、反応するAI」への進化を目指す。試作段階ではあるが、API化から感情表現の実装までの一連の開発経験は、今後の拡張に向けた確かな土台となった。
6月10日読了時間: 3分


AIを作ってみた3
本プロジェクトは、AIが固定的なモデルではなく、個人の体験を記憶・学習し、常に変化する「動的人格」を実現する試みです。
コアとなる仕組みは、「体験ログ」を起点とした性格パラメータのリアルタイム更新です。ユーザーが日常の出来事を「記憶して」と伝えるだけで、システムは文脈を解析し、パラメータを恒久的に書き換えます。これにより、二日酔いや人間関係による心境の変化など、人間固有の「ゆらぎ」をAIの思考プロセスに同期させます。
技術的には、テキストの数値化(ベクトル演算)を軸に、DB、pandas、numpyを統合。対話するたびに最適化されたプロファイルを反映するサイクルを構築しました。「文章を数字として計算・判断する」というAIの本質を拡張し、特定の人物の行動や思考の癖を動的に再現する。この手法は人格シミュレーションにおける強力なプラットフォームとして、広範な応用可能性を秘めています。
6月7日読了時間: 2分


AIを作ってみる2
AI開発において、学習データの管理方法を見直しました。データ量の増加に伴い、手動メンテナンスの負荷と拡張性に限界を感じたため、Python環境にSQLiteを導入し、データ構造を刷新しました。
今回実装した技術的アプローチ:
SQLiteの導入: 学習データと性格データを構造化し、管理効率を向上。
ゆらぎ吸収(n-gram): 表記の揺らぎ(例:「こんにちは」「こんちは」)による冗長なレコード作成を防ぐため、TfidfVectorizer (char, 2-3) を実装し、検索精度を維持。
キャッシュ最適化: 再学習コストを抑えるため、更新フラグ付きのキャッシュ機構を実装。
気付きと課題:
AI開発において、正しい情報を教える以上に「誤ったデータを効率的に忘れさせる」仕組みの実装が最も難しいと痛感しました。
次のステップ:
現在は検索エンジンに近い状態ですが、今後は保持している性格データを動的に反映し、状況に応じた「自分らしい回答」を生成するパーソナリティ層の実装を進めます。技術を「自分」というOSにどう統合するか、引き続き追求してい
6月3日読了時間: 3分
bottom of page