AI要約
ニューラルネットワークの学習に必要なサンプル数を削減できるか、Active Learning と Data-Centric AI の観点から実験検証した記事です。Fashion MNIST・CIFAR-10 でランダム選択と境界データ選択を比較し、限られたデータでもモデルの性能を引き出すアプローチを実装例とともに示しています。データ効率化の実践的なヒントが得られます。
LangGraphとLangChainでハイパーパラメーター最適化を自動化するAIエージェントを実装した事例です。Sobol探索・ベイズ最適化・専門家AI提案など複数ツールを組み合わせ、監督エージェントが試行結果を見ながら最適なツールを自律的に選択します。LightGBMやPyTorchで数行のコードで動作し、探索空間の自動設計機能も備えています。
Andrej Karpathyが開発したAutoResearchは、LLMエージェントが自動で機械学習実験を実行するシステムです。630行のPythonコードで一晩に100回以上の実験を実現し、単一GPU上で700回の実験から20個の最適化を発見。学習時間11%短縮を達成しました。prepare.py（固定）・train.py（エージェント編集可能）・program.md（人間が方針指定）の3ファイルアーキテクチャで、評価基準の一貫性を保ちながらAIの自由度を確保する設計が特徴です。VibeCodingから自律研究への進化を体験できる実装記事です。
