#python

Pythonの「サプライチェーンセキュリティ」は、自分が書いたコードだけでなく、依存している外部パッケージまで安全かを考える話。 元記事のタイトルからは、「Pythonのサプライチェーンセキュリティで起きる8つのこと」がテーマだとわかる。 ただし、今回取得できた本文は `Reddit - Please wait for verification` のみで、元記事の中身は確認できなかった。 そのため、この記事ではタイトルから読み取れる文脈と、一般的なサプライチェーンセキュリティの重要性をわかりやすく整理する。 このテーマは地味に見えて、実はかなり重要。「便利だから入れたライブラリ」が、あとで大問題になることがある。 今回の元記事は、Reddit 上の投稿で、タイトルは 「Python supply chain security: 8 things that happen」 というものです。 ただ、実際に取得できた本文は「Please wait for verification」となっていて、肝心の内容までは読めませんでした。ここはちょっとも

画像に入る見える透かしと、裏に仕込まれる見えない水印の両方を対象にしたツール Google Gemini / Nano Banana のキラキラロゴ除去をうたっているのが目立つ SynthID、C2PA、EXIF などのメタデータや埋め込み情報も取り除く設計 CLI と library の両方があり、コマンドラインで一括処理できる ただし、これはかなりセンシティブな領域で、便利さと悪用リスクが表裏一体だと感じる GitHub で公開されている `wiltodelta/remove-ai-watermarks` は、AI生成画像に入る「ウォーターマーク」を取り除くための CLI（コマンドで使う道具） と library（プログラムから呼び出す部品） です。 ここでいうウォーターマークは、いわゆる右下のロゴみたいな見える印だけではありません。 この記事の元ページでは、次のようなものまで対象にしています。 visible watermark 目で見える透かし。例: Gemini / Nano Banana のキラ

既製のデータセットが見つからないなら、自分で作るしかない InstagramとPinterestを使って、自然なポーズ画像を集めた データは「場所」と「構図」で厳密に分類した MediaPipeで骨格推定を使い、手作業のラベル付けを自動化した albumentationsでデータを増やしたが、左右反転ではラベル修正が必要だった きれいなデータは、派手なモデルよりずっと大事だと実感できる内容 今回紹介するのは、「データセットがないなら、作ればいいじゃない」という、かなり実践的で気合いの入ったAI開発の話です。 元記事の著者は、ユーザーの背景に合わせて「この場所ならこのポーズが合うよ」と提案するAI、いわば Pose Suggester を作ろうとしました。 たとえばカフェ、公園、街中のような背景を見て、画面上に2Dの棒人間みたいな骨格を重ねて、自然なポーズのヒントを出す仕組みです。 で、ここが面白いところなんですが――こういう用途にぴったりな公開データセットが、見つからなかったんですね。 KaggleやHugging Faceに「ほら、はいどうぞ」と置いてあると思いきや、そう都合

Python 3.15と聞くと、つい大きな話題——たとえば lazy imports や tachyon profiler ——に目が行きがちです。 でも今回紹介する記事は、その“見出しになりにくいけれど実は面白い”変更にフォーカスしています。 正直、こういう記事はかなり好きです。派手な新機能よりも、日々の開発で「うわ、これ地味に助かる…」となる改善のほうが、実務では効いたりするからです。この記事もまさにそのタイプでした。 `asyncio.TaskGroup.cancel()` で、TaskGroup をきれいに止めやすくなる `ContextDecorator` が async 関数や generator でも、より自然に使えるようになる `threading.serialize_iterator` などで iterator をスレッド安全に扱いやすくなる `Counter` に XOR `^` が追加される `json.loads()` で `frozendict` や `tuple` を使い、immutable な JSON 表現を作りやすくなる 記事では、Python 3.1

CUDAを学びたいと思ったとき、まず困るのが「で、どの本を読めばいいの？」問題です。 このGitHubリポジトリ awesome-cuda-books は、その悩みにかなり真っ向から答えてくれる「CUDA本のおすすめ一覧」です。 GPUプログラミングは、普通のC++やPythonとは少し勝手が違います。 CPUが「順番にコツコツ処理する」のが得意なのに対して、GPUは「同時にたくさん処理する」のが得意。 この違いをうまく使えると、画像処理、科学計算、機械学習の一部などで大きな高速化が狙えます。 ただし、学び方を間違えると「用語が多すぎて何が何だか…」となりがち。そこを本リストが助けてくれます。 CUDA学習向けの本を、初心者〜上級者まで段階別に整理している C++中心の本だけでなく、Python向けのCUDA本も載っている 「理論」だけでなく、実践・最適化・デバッグ寄りの本もある 2022〜2026年の比較的新しい本も拾っていて、古い情報だけに偏っていない ただし、CUDAは変化が速いので、本だけで完結しないのが重要 公式のCUDA C++ Programming Gu

AIをセキュリティ調査にそのまま使うと、本物っぽい誤情報を平気で出すことがある 失敗の原因は、LLMが「もっともらしい答え」を作るのが得意すぎること ふつうの ReAct ループでは、モデルがツール結果を予測してしまい、後から現実に合わせにくい Anthropic の native tool use API では、ツール呼び出しと結果の受け渡しを構造化でき、幻覚をかなり抑えられる 著者はこれを使って、ターミナルから OSINT 調査を回すオープンソースエージェント OpenOSINT を作った 「全部自動化」よりも、状況に応じて次の調査を選べるエージェントのほうが実用的、という主張が面白い この記事の出発点はかなり衝撃的です。著者が以前使った AI の OSINT（Open Source Intelligence）ツールは、調査結果としてこんなものを出したそうです。 Twitter: @targethandle GitHub: https://github.com/megadose/holehe IP Address: 80.249.165.11

forge は、self-hosted（自前運用）LLM に対して tool-calling を安定して使わせるための Python framework ただのラッパーではなく、retry / rescue parsing / step enforcement などの guardrails（安全な補助線） を持つ WorkflowRunner、Guardrails middleware、Proxy server の3つの使い方がある Ollama、llama-server、Llamafile、Anthropic に対応 著者は、小さめのローカルモデルでも multi-step agentic workflow をかなり実用に近づけたい、というかなり実戦的な思想で作っている 評価では、トップの self-hosted 構成が 86.5%、難しいケースでも 76% を達成しているとされる 最近のLLM開発では、「ただ文章を返す」よりも、ツールを呼び出しながら段階的に仕事を進める使い方が主流になってきまし

Semble は、AIエージェント向けに作られた code search ライブラリ `grep + read` より 約98%少ない token で必要なコード断片を返す フルコードベースの index と search を 1秒未満 でこなせるとされている CPUだけで動く、API key不要、GPU不要、外部サービス不要という手軽さが強い MCP server や `AGENTS.md` を使って、Claude Code や Cursor などの agent から使える ふつうの文字列検索ではなく、自然言語で「何をしているコードか」を探せるのが面白い GitHubで公開されている Semble は、ひとことで言うと「AIエージェントのためのコード検索エンジン」です。 ここでいう AIエージェントは、Claude Code や Cursor、Codex みたいに、コードを読んで修正案を考えたり、関連箇所を探したりする“賢い開発アシスタント”のことです。 こういうエージェントにとって、いちばん地味だけど重要なのが **どこに目的

手作業でやっていた「ニュースソース追加」を、月1回の自動処理に置き換えた まず Firecrawl でランキングページをきれいな Markdown に変換する OpenRouter の無料で使える複数の LLM を順番に試し、ニュースサイトのURLを抽出する さらに web_search ツールでURLの妥当性を確認し、壊れたURLや誤検出を減らす 生成した YAML を重複チェックしたうえで保存し、GitHub Actions が PR を自動作成する マージ後は既存の CI が検証・反映まで行い、ライブダッシュボードにすぐ表示される この記事は、`Source Score` というマイクロサービスの開発を続けている筆者が、「ニュースソースの追加」を自動化した記録です。 最初は、ソースはたった5件を手で追加して動作確認していたそうです。まあ、最初の一歩としてはすごく自然です。システムを作るとき、最初から完璧に自動化しようとすると逆に進まないので、まずは人力で土台を作るのはよくあるやり方です。 でも問題は、その先です。 世界中の主要ニュースサイトを定期的に取り込みたいのに、毎回手作業で