aoda

PokeLLMon poke-llm-on.github.io
を見てた。Pokédex というポケモンデータベースの情報と直近のターンの情報をLLMに提示して次の行動を判断させるエージェント

今はgoogle homeから簡単にgeminiと話せるようになってたりするのだろうか

当時dialogflowからchatgpt呼んで対話するアプリ作ってみたが、googlehomeにゆっくり喋ると途中でコマンド終わったと思われてしまうので、早口で話し切らないといけなくて辛かった

langgraphを試していたら、昔google homeアプリを作るために使ったdialogflowを思い出した

コンテキスト長に関連コードをどうやって収めて渡すか→embeddingやBM25でスコアリングして上から詰め込めるまで詰め込む
みたいな話も面白かった

#143 – SWE-bench: Can Language Models Resolve Real-World GitHub Issues? GitHub の Issue を読んでバグを直すエーアイについて森田が読みました。

LLMのコーディング能力のためのベンチマークの話。issue を読ませて、LLMがテストをパスするコードを書けるかどうかを計測する

misreading.chat/2024/12/10/1...

星が出来たあたりの時期からダークエナジーが増えた事の説明になるらしい

DESI dark energy time evolution is recovered by cosmologically coupled black holes - IOPscienceSearch DESI dark energy time evolution is recovered by cosmologically coupled black holes, Kevin S. Croker, Gregory Tarlé, Steve P. Ahlen, Brian G. Cartwright, Duncan Farrah, Nicolas Fernandez, Rogier A. Windhorst

iopscience.iop.org/article/10.1...

ダークエナジーはブラックホールと関係あるという説を読んでいる

このような方法論で予測した結果、ベースライン（他のクラスタリング、他の時系列予測モデル）に比べて良い結果になった

また、オンライン予測をする場合には、直近の貸し出しからのみ返却が生じる、という制約も加味することができる

あるクラスタとあるクラスタ間の距離から決まるものなのでトリップ時間はほぼ一定になる。実際に時間のばらつきも対数正規分布に綺麗に乗る

気象や曜日を完全に分割してしまうと、例えば雪の日などデータが少ない気象の日の学習が難しくなる。そのため、時間の類似度関数や気象の類似ベクトルを準備して分割しないで学習できるようにする

学習はGBRTで行う。重要な特徴量としては曜日と時間がある。平日は朝と夜にラッシュアワーのピークがあり、休日の中間はほぼ一定のトラフィックとなる。また大雨や風の強い日もトラフィックが減るので気象も重要である

まず、全体の予測をする前にステーションのクラスタリングを行っている。ステーションごとに予測するとあまりにもカオスになるから。地理的にクラスタリングした後に、クラスタ間の遷移行列がロバストになるように最適化する。

Traffic Prediction in a Bike-Sharing System - Microsoft Research Bike-sharing systems are widely deployed in many major cities, providing a conven­ient tra­n­s­­por­tation mode for citizens’ comm­utes. As the rents/returns of bikes at different stations during diff...

バイクシェアリングの利用予測ってどうやってるのかな、と気になったので以下を読んでいる

www.microsoft.com/en-us/resear...