大規模言語モデル

主要ニュース

1. 1

   Krogerが買い物を促進するAI食事計画アシスタントを立ち上げ

   Krogerは、顧客が食事計画を立てカートに商品を追加するのを支援する人工知能（AI）ショッピングアシスタントを導入し、食料品買い物向けのAI搭載コマースツール市場への参入を果たした。 AIアシスタントは、食事計画と買い物をシンプル化することで、Krogerのバスケットサイズと顧客エンゲージメント向上につながる可能性がある。この動きは、小売業者が店舗体験とデジタル体験を強化し、成長するeコマース代替手段との競争に対抗するためAIに頼るようになっている状況を示している。

   ロールアウトの範囲、価格設定、KrogerのアプリとウェブサイトでのAvailability、およびそのツールが顧客支出と顧客忠誠度の測定可能な増加をもたらすかどうかが、AI駆動の食事計画が食料品小売の標準機能となるかどうかを示すだろう。

2. 2

   法務チームに必要なのは問題志向のAI、技術先行型ツールではない

   Altria のリティゲーション・サポート・テクノロジー上級ディレクター、Kimberly Harlowe が、企業法務部門が AI を戦略的に導入するためのフレームワークを提示した。このアプローチは、ツール選定に先立って具体的なビジネス課題を特定することを優先し、AI の進化に対応するためにソリューションを入れ替え可能なモジュール型インフラを設計し、社内自動化のみではなく外部弁護士パートナーシップを通じてスケーリングすることを重視している。 全般的にほぼ 87% の General Counsel が AI の活用を進めているが、正式なロールアウト計画を持つのは半分程度に過ぎない。問題駆動型の戦略—レガシー文書の整理といった低リスクの社内成功事例から始まり、外部弁護士のワークフローへとスケーリングしていく—により、法務リーダーはソフトウェア機能ではなくコスト削減や業務能力の回復を軸に経営幹部の理解を得やすくなる。

   このフレームワークは 6ヶ月ごとに AI ソリューションが変わるため、単一ベンダーのエコシステムに法務部門を縛り付けることを避ける「プラグ・アンド・プレイ・アーキテクチャ」の構築を強調している。外部弁護士向けの高い効果が見込める用途には自動化された証人尋問要約と discovery ドラフトが含まれ、成功は法律事務所を標準化ツールで統一し、各段階での人間による審査を維持することに左右される。

3. 3

   Walmart、AIで天候の影響を予測し嵐の前に在庫を経路変更

   Walmartは、過去の気象パターンと実時間データを考慮した予測AIと機械学習モデルを導入し、悪天候が供給チェーンに与える影響を予測している。このシステムにより、計画者は在庫を移動させ、輸送時間を調整し、混乱が生じていない地域へ出荷を経路変更することができる。小売業者はまた「インテリジェント・フルフィルメント・エンジン」を使用して天候イベント中に配送経路を再計算し、カナダではストーム経路変更エージェントを運用して、10日間予報と高速道路およびフェリーの運休情報を照合している。 悪天候は傘などの必需品の需要急増を招き、フルフィルメント・センターの能力を低下させ、主要経路を閉鎖することがある。特にフェリーの運休が店舗へのアクセス唯一の手段である遠隔地域では影響が大きい。Walmartは影響に対応するのではなく予測することで、定時配送を維持し、店舗の在庫を確保しながら、カリフォルニア州とコロラド州の野火のような緊急事態時にドライバーの安全を守ることができる。

   Walmartは同じAIアプローチを短期的な天候危機への対応だけでなく、ネットワーク設計の長期最適化に活用している。供給チェーン技術担当シニア・バイスプレジデントの Indira Uppuluri は、シミュレーションを通じて「供給チェーンを長期的に改善する方法を学んでいる」ことに言及しており、ネットワーク運用方法の構造的な変更が明らかになる可能性がある。

4. 4

   HR Tech Startup PeopleX、AI駆動による組織的な抜本的改革を視野に

   HR技術企業のPeopleXは、組織構造を再構築するAIエージェントを中心に事業展開を進めており、同社のリーダーシップが今後5年の見通しについてのコメントの中でこの方針を示している。 AIを統合した人事機能への転換は、従来は管理部門と見なされてきたHR機能が、企業の運営と競争の中核へと進化していることを示している。これは人材管理と組織設計が、コストセンターではなく戦略的優先事項と見なされるようになってきた、より広範なトレンドを反映している。

   PeopleXのAIエージェント導入の具体的な機能と時間軸はまだ詳細が明かされていないが、同社のビジョンは、HRチームが今後5年以内に採用、組織構成、労働力計画を抜本的に見直す必要があることを示唆している。

5. 5

   MetaとMicrosoftは急増するAI費用に直面、異なる利益動向を示す

   MicrosoftとMetaは水曜日に決算報告書を発表し、両社ともAIインフラに多額の支出をしていることが明らかになった。Microsoftはコスト上昇にもかかわらず利益を増加させた一方、Metaは利益の急激な減少を報告した。 収益性の相違は、両テック大手のAI投資におけるリターンが異なることを示唆している。AI導入の動向を注視する投資家とビジネスリーダーにとって、MicrosoftがAI支出を利益成長でオフセットする能力は、AI事業のより強力なマネタイズを示す可能性がある一方、Metaの利益減少は、同社がまだAI投資から同等の財務リターンを実現していないことを示唆している。

   両社のAI支出の継続的な方向性と、その支出を収益成長に転換する能力が、エンタープライズAIおよびクラウドサービス市場における競争上の位置付けを形作るだろう。

6. 6

   LLMデプロイメント6形式を比較：速度対ハードウェア柔軟性

   本番環境でのLLMデプロイメント6形式—Pickle、safetensors、GGUF、ONNX、MLX、TensorRT—の技術的分析で、各形式が推論速度とハードウェア互換性の間で異なるトレードオフを有している。PickleとsafetensorsはPythonが動作する任意の環境で実行可能、GGUFはCPE専用マシン向けに重みとトークナイザーをバンドル、ONNXはモデルがフレームワーク間を切り替えられる、MLXはAppleシリコンに最適化、TensorRTは特定のNVIDIA GPUにコンパイルして最高速度を実現する。 より高速なモデルはハードウェア固有の選択肢をファイルに組み込む必要があるため、単一のモデルは対応する必要があるチップまたはランタイムごとに個別に再構築されなければならない。チームは速度対互換性のスケールをどこまで下るかを選択する必要があり、推論レイテンシーと実際に本番環境でモデルを実行できるハードウェアのタイプをトレードオフさせている。

   この記事は、レイテンシー予算が許す限りデプロイメント形式を速度互換性チャートで高い位置に保つことを強調しており、より高速な実行に向けたあらゆる段階が実行可能なハードウェアを狭めるからである。LLMを展開するチームは応答時間の最小化と移植性の最大化の間で絶え間ないトレードオフに直面している。