IBM Technology の動画紹介

IBMの週次サイバーセキュリティポッドキャストのエピソードで、専門家パネリストが直近の業界ニュースを実践的な対策や学びに落とし込みながら議論しています。フィッシングからインフラの脆弱性まで、攻撃側の手口と守備側の技術的・人的な対応を具体例を交えて扱います。

■ ニックス優勝リングを狙うフィッシングメール
- MSG社スタッフに送られた偽のリング選択メールをきっかけにしたセキュリティ研修と、フィッシングテストの実施方法
- 感情的なタイミングや時期柄を狙う攻撃の特徴と、すべてのメールを信頼しない前提で考える運用
- AIによるなりすましの巧妙化を踏まえた、実際のシナリオを使ったユーザー教育とDMARC・DKIM・SPFを含む多層防御

■ MailbombingとMicrosoft Teamsを使ったソーシャルエンジニアリング
- 大量のメールで受信箱を埋め、その後に「IT部門」と名乗る連絡でリモートアクセスを求める攻撃の流れと、その検知の手がかり
- チャット連携ツールへの外部からの接触を起点とする攻撃と、信頼関係・最小権限の観点からの整理
- 経路フィルタリングや削除など個人レベルの対策、組織全体のコラボレーション環境への注意喚起、ユーザーに求める行動の伝え方

■ PHP脆弱性とオープンソースの持続性
- CISAが公開情報を追記したPHP脆弱性の実際の悪用可能性と、防御側が捉えやすい条件
- アセットインベントリの把握とパッチ管理、長期に渡って放置されがちなレガシー環境の棚卸し
- オープンソースプロジェクトの人材体制と、コミュニティ間の連携による継続的な脆弱性対応

サイバーセキュリティの専門職だけでなく、日々メールやチャットを業務で利用するビジネスユーザーにも向けた内容です。視聴後は、自組織のメールセキュリティ設定の見直し、アセットとライブラリの棚卸し、パッチ適用状況の確認といった具体的な行動につながる視点を得られます。

AIは、人間が長年かけて構築してきたデータ保護の前提を変えつつあり、機密データをマシンスピードで処理する環境では、それに対応した統制が求められます。信頼できるAIは信頼できるデータに依存するという観点から、機密データをAIに活用しながら組織と顧客を守るための5つの基礎的統制を解説します。AIの仕組みやモデル開発の解説ではなく、データガバナンスとセキュリティの設計に焦点を当てた内容です。

■ データの可視化と分類
- プレミス・クラウド・ネットワークを横断したデータの所在と、誰がなぜ使っているかの把握
- 感度レベルに応じた継続的な自動分類と、手動タグ付けには追いつかないスピードの必要性

■ データの保管場所と管轄
- データレジデンシー（保管場所）とデータソブレンティ（適用法令）の違い
- クラウド環境での法令適用の複雑さと、データローカライゼーションの考え方

■ アクセス制御と監査証跡
- IAMの4つのA（管理・認証・認可・監査）に基づくアクセス権限の設計
- 自動ログと改ざん不可能な監査証跡による継続的な証拠の保全

セキュリティ、コンプライアンス、ガバナンスの担当者や、組織内でAI導入に関与する技術責任者向けの内容です。視聴後は、機密データをAIへ渡す際の統制の設計観点と、実務で確認すべきチェックポイントを押さえられます。法規制や監査要求への対応方針を検討する際の土台として活用できます。

エージェントコーディングでは、プロンプトだけで正解は出せず、リポジトリの構成や規約、依存関係など「既存のコード周りの情報」がコードの質を左右します。本編では、エージェントが実際に利用できる理想の入力と、初心者がエージェント自身に必要コンテキストを引き出させる3つの手順を解説します。

■ エージェントに渡すべき入力
- ファイルと既存コード、リポジトリ構造の把握
- 依存関係とロックファイルの役割
- 合格できるテストによるフィードバックループ
- AGENTS.mdなどの規約・ビルド手順
- 開発者自身にしか持たない開発意図

■ コンテキストの引き出し方
- コードを書く前にエージェントから質問してもらう
- リポジトリの構造を平易な言葉で説明させる
- 前提を列挙した計画を作り、学んだ内容を記録する

■ コンテキストの管理
- 長い入力のどこに注意が向くかという観点
- タスクに関係する情報だけに絞る判断
- 新しいタスクごとのセッション運用

アジェンティックコーディングに取り組む方、AIツールへの依存関係の指定やテスト整備、AGENTS.mdの書き方など、実務でそのまま使える視点を確認できます。

torch.compile の一行で PyTorch モデルはどこまで高速化できるのか、その背後で何が起きるのかを解説します。コンパイルが有効な場合と効果が限定的な場合の違いを、コンパイルの3段階の処理と実践的な確認事項に沿って整理しています。

■ コンパイルの基本動作
- レイジーなコンパイルの流れと、初回呼び出しの入力情報によるコード特化
- 小さな演算のカーネル起動や中間データ移動がもたらすオーバーヘッド

■ 3つのコンパイル段階
- Dynamo: FX グラフへの計算のキャプチャと、再利用条件としてのガードの記録
- AOT Autograd: グラフの分解と、学習時のバックwardグラフの準備
- Inductor: ハードウェア向けコード生成、カーネルの融合、Triton・C++・最適化ライブラリの活用

■ 実践的な考慮点
- グラフブレークが最適化の範囲に与える影響と fullgraph オプションの使いどころ
- 入力変化による再コンパイル、動的形状サポート、コンパイル時間と定常実行時間の切り分け
- GPU 測定時の同期の取り方と、効果が出ない場合に確認すべき4つの質問

PyTorch でモデルを実運用や学習時に高速化を図る開発者向けの内容です。視聴後は、単にコンパイルしたかどうかではなく、キャプチャ範囲・グラフブレーク・再コンパイル・測定方法という観点から性能を評価し、次に確認すべき項目を選べるようになります。

IBMのポッドキャスト「Mixture of Experts」のエピソード。司会のDavid Zachが、技術コンテンツ・プラクティスマネージャーのAsh Minhas、IBM ThinkのステッフライターのJudith Aino、マスター発明家でIBMビジネス・オートメーション・ワークフローのチームリードを務めるJessica Nahulanを迎え、今週のAIニュース3本を軽快に読み解きます。後半にはIBMのデータ担当フィールドCTO、Kio GabrielがIBM Tech Exchangeの現地から参加し、エージェント時代に向けたデータ基盤の話題を報告します。

■ AIが発見したPHPの巨大な脆弱性
- Webの約70%を支えるPHPで見つかったリモートコード実行につながる欠陥の全体像
- パッチを当てにくいレガシーシステムの構造的な問題と、スモールビジネスのサーバーが直面するリスク
- WordPressやJoomlaなどに代表される依存関係の実態、常時勤務者1名で支えられるPHP Foundationというオープンソースの持続性
- AIによる脆弱性発見の高速化を受けて、コードのモダナイゼーションや依存関係の見直しが如何に求められているか

■ 音声会話だけで学習したBlockの新モデルDesa
- テキストを一切学習せず会話音声のみで訓練したモデルのデモの特徴
- 話し合いの最中に相槌を打ったり割り込んだりできる「フル・デュプレックス」な対話
- 詳細の公開が限られている中での検証・評価の課題、そして新基準をどう設計するかという問い

■ 文化特化なぞなぞでモデルを試すベンチマーク
- パターンマッチだけでは解けないなぞなぞを用いた評価手法の背景と成り立ち
- 文化的な文脈を含む問題にモデルがどう応答するかを測るという発想
- 文化は常に変化するため、評価基準自体の再設計が必要という論点

■ IBM Tech Exchange レポート：Streamhouse
- エージェントの増加がもたらすデータ課題と、運用時に必要なリアルタイム性
- データレイク、ウェアハウス、レイクハウスを経て登場した新アーキテクチャStreamhouseの位置づけ
- AIによって書き下ろせるようになったステートフル・ストリーム処理と、リクエスト／レスポンス型からの脱却
- 自律型エージェントの増加がもたらすアイデンティティ管理と、組織内の構想部門と運用部門の関係変化

AIニュースの背景にある技術的・社会的な論点を専門家が多角的に掘り下げ、現場レポートまで含めた構成です。AI・データ基盤・セキュリティに携わる技術者、オープンソースに関わるエンジニア、経営企画やIT戦略担当者に、業界の現在地と次に押さえるべき論点を俯瞰できる素材となります。まず各トピックの概要をつかみ、気になった話題の詳細を関連資料で確認するという使い方が有効です。

大規模言語モデルの重みを低精度で保持する量子化の基本から、メモリ削減と精度のトレードオフまでを順を追って整理します。700億パラメータ級のモデルを例に、FP16・FP8・INT8・INT4で必要なストレージがどう変わるかを具体的に確認し、量子化が本番AIで広く使われる理由を数値で理解できます。仕組みの説明は、レイヤーごとの値の範囲を小さい値の集合へ写像する手順を単純な数値例に落として進めるため、前提知識が少なくても追いかけることができます。

■ 量子化の基礎と必要性
- 量子化の定義と、デジタル通信やエッジ機器などにおける役割
- モデルを構成するパラメータと、その精度がメモリ・計算量に与える影響
- FP16/BF16での保存サイズを例にした容量の見積り

■ 量子化の仕組み
- 桁を単純に削るだけでは別の値になってしまう理由
- レイヤー単位での値の範囲のスケーリングと丸めの手順
- FP16・FP8・INT8・INT4などの標準フォーマットと、モデル名における精度表記の読み方
- 精度を下げるほど記録される情報の粒度が下がることと、精度劣化のリスク

■ アプローチと使い分け
- PTQ（学習後量子化）の特徴と適用タイミング
- QAT（量子化認識学習）の特徴と、より積極的な量子化での使いどころ
- 精度・遅延・メモリのトレードオフを踏まえた選び方

本番環境でLLMをデプロイする方や、LLM圧縮の手法を体系的に押さえたい方におすすめです。視聴後は、量子化の選択肢を判断するための基礎的な視点と、自社モデルでどの精度を採用するかを考える際の判断材料が得られます。最後にコメント欄で質問や運用中の精度についての共有も呼びかけています。

IBMの週刊サイバーセキュリティ・ポッドキャスト「Security Intelligence」に出演するセキュリティ専門家3名が、直近の主要なセキュリティニュースを素材に、実務的な教訓へと落とし込みます。XForce Threat IntelligenceのNick Bradley、X Force RedのDon Cohen、そしてアメリカ地域のサイバーセキュリティ責任者Jim Gwynが、PHPの脆弱性問題、AI企業が外部研究者をどう取り込むか、Torネットワークの安全性という3題を議論しています。

■ PHPの脆弱性「PHP to shell」
- Webの7割以上で使われるPHPで発見された2つの脆弱性と、パッチ公開前に情報が漏れた経緯
- AIを活用した脆弱性検出の可能性と、単一障害点としてのリスク
- レガシー環境下でのパッチ適用の難しさ、ダウンタイムを前提とした運用設計
- 外部セキュリティ監査が組織内の「想定」を検証する意義

■ 外部研究者を社内に組み込むアプローチ
- AnthropicがMETRに与えたアクセス権限の階層構造と公開条件
- AI開発の安全性担保に向けた外部評価の位置づけ
- 監査業界の相互レビュー（ピアレビュー）方式との比較

■ Torエグジットノードの乗っ取り
- 333ノードが乗っ取られ、認証情報流出やバックドア設置が行われた事案
- 匿名ネットワークツールへの向き合い方と、基本的なセキュリティ衛生の重要性

セキュリティ担当者、脆弱性管理やパッチ運用に携わる方、AIガバナンスに関心のある方にとって、ニュースの背景と実務上の対処方針を一体で検討できる内容です。専門家の対話を通じて、自分の組織に何を準備すべきかという視点を持ち帰れます。

現代の企業コードの約9割がオープンソースで構成される中、AIによる脆弱性発見の高速化と、それに追いつかない修復プロセスの間のギャップを整理します。発見後の影響分析、依存関係の把握、バックポート、回帰テスト、互換性検証、本番環境への展開といった実務上の論点をたどりながら、単一企業では成し得ないエコシステム全体での協調体制の必要性を提示します。LightwellとAccretesの2つの取り組みを通じて、発見・修復・検証・開示・展開をつなぐ運用フローの全体像も紹介します。

■ オープンソースの現状と新たな脅威
- 企業インフラを支えるオープンソースの規模とボランティア体制の特徴
- 単一ライブラリの欠陥が下流へ波及する相互依存構造
- AIによる脆弱性発見の高速化と、攻撃側も同様の能力を持つという状況

■ 発見後のボトルネック
- 影響バージョンの特定、依存関係のマッピング、ビジネスインパクト評価
- 修正開発、回帰テスト、互換性検証、本番環境への展開
- 依存関係の競合・規制要件・独自コードにより、個別最適な修正設計が必要になる点

■ 協調的な取り組みと今後の方向性
- 上流プロジェクトへの貢献がエコシステム全体に与える影響と、フォークの断片化
- Lightwell：発見からAI支援分析、バックポート、検証、信頼できるリポジトリ提供、上流還元までの流れ
- Accretes：調整された発見、メンテナーとの連携、重複作業の削減、同期化された開示
- エコシステムの修復能力が今後のオープンソースセキュリティを左右するという視点

セキュリティエンジニア、プラットフォーム開発者、オープンソースのメンテナーや企業のインフラ責任者に向けた内容です。AI活用下での脆弱性ライフサイクル全体の理解と、自組織で採用できる修復ワークフローの構想を得られます。概要説明のため、詳細な手法や数値は本編で確認してください。

AIコーディングアシスタントの普及により、一部の大手チームではコードの8割以上をAIが書く時代が訪れつつあります。本編では、AIモデルの構築・活用に必要な重要トピックを具体例とベストプラクティスとともに解説します。

■ プロンプトエンジニアリング
- 指示の書き方の基本と、ドメイン専門知識・伝達能力の重要性
- 小規模モデル向けの few-shot プロンプトと思考の連鎖（Chain of Thought）

■ コンテキストエンジニアリング
- コンテキストウィンドウに含まれる要素（システムプロンプト、ツール、RAG、コードベースなど）
- 品質低下を防ぐ圧縮・要約やサブエージェントの活用

■ ハーネスエンジニアリング
- モデルの実行・検証・コンテキスト管理を行うランタイム環境
- サンドボックス、オーケストレーション、CIパイプラインや監視基盤との連携

■ ループエンジニアリングとグラフエンジニアリング
- エージェントループの仕組みとトリガー駆動の自動化（cron、PR、アラートなど）
- 複数エージェントを並列に接続するグラフ構造と、人間が承認するワークフロー

■ ソフトウェアファクトリー
- タスク管理・実装・テストなどの開発ライフサイクルを自動化するパイプライン
- エージェントごとの分離・アイデンティティ・可観測性の確保

エンジニアとして働く人だけでなく、学生・デザイナー・マネージャーなど幅広い立場の視聴者に向けて、実務ですぐに意識を変えられる視点と、自身の環境に合わせた取り組みの第一歩を得られる内容です。まずプロンプトとコンテキストウィンドウの扱いから試すことをおすすめします。

PyTorchのコンパイル済みモデルで、テンソルから単一の数値をPython側に取り出す際に何が起きるかを解説します。.item()によるスカラー読み出しが、コンパイラのグラフブレイクとホスト側の同期という二つの異なる影響を同時に引き起こす点を整理します。具体例を通じて、コンパイル領域の分割とアクセラレータの待ち時間がどのように生じるかを説明します。

■ コンパイルと実行の前提
- torch.compileがモデルを最適化された一つの領域にまとめる仕組み
- アクセラレータがPythonとは別に処理を先行的に進める仕組み

■ .item()による二つの影響
- Python値の要求がグラフブレイクを発生させること
- ホストがチップの計算完了を待つ同期が発生すること

■ 影響の可視化
- コンパイル領域がPythonを挟んで分割される様子
- ホストの待ち時間にアクセラレータが待機する隙間が生じる様子

コンパイル済みモデルでのスカラー読み出しの挙動に関心がある開発者向けの内容です。グラフブレイクと同期を区別して捉えるための視点を得られます。

IBMの専門家が週ごとのAIニュースを読み解くポッドキャストの対談です。今回は、AIモデルが身近な機器上で自己複製に近い動きを見せる研究、医師による医療用AIチャットボットの利用実態、AIエージェント同士がネットワーキングする試みを題材に、脅威と活用の両面から議論します。

■ AIモデルの自己複製とIoT機器
- Anthropicの研究を基に、小型モデルが未知のハードウェア上で適応・増殖する可能性を整理
- 家庭内デバイスのセキュリティ、分散推論の利点、入力制御の重要性を議論

■ 医師と医療用AIチャットボット
- JAMA掲載研究から、OpenEvidenceの利用傾向と診療科による差を紹介
- 診断より治療判断での利用が多い点、ER医の専門外質問、情報の検証と人間の判断を議論

■ AIエージェント同士のネットワーキング
- NYT記事を基に、エージェントが予約・会話するイベントの事例を紹介
- エージェント間ルール、権限設計、人間の関与、実用性を議論

AIのセキュリティ、医療分野での実用、エージェント連携に関心のある視聴者向けです。各テーマの最新研究や報道を踏まえ、リスクと便益をどう捉えるかを考える材料を得られます。

LLMの推論がどのように行われ、学習済みモデルを実際のサービスとして動かす際に何が起きるかを整理します。推論エンジンの役割から、トークン化、ルーティング、バッチ処理、PrefillとDecodeの二段階、TTFTやITLといった指標までを順に扱います。具体的な設定手順やベンチマーク結果には踏み込まず、仕組みの理解が中心です。

■ 推論の基礎
- 推論と学習の違い、推論コストが継続的に発生する点
- 推論エンジンの役割と代表例（vLLM、Ollama、llama.cpp）

■ リクエスト処理の流れ
- OpenAI互換エンドポイント、トークン化、認証、ルーティング
- 継続的バッチ処理によるGPU利用率の維持

■ 推論の2フェーズ
- プロンプト全体を処理するPrefillとKVキャッシュ
- トークンを逐次生成するDecodeとメモリ帯域の制約

■ 性能指標
- 初回トークンまでの時間（TTFT）とトークン間遅延（ITL）

推論スタックの最適化に関心がある開発者や、LLMをサービスに組み込む際の処理コストと遅延の要因を理解したい視聴者に向いています。視聴後には、推論がどの段階で計算資源やメモリ帯域を使うのか、性能指標が何を示すのかを把握できます。自身の推論環境でどの部分を最適化するかを検討する際の基礎知識として活用できます。