M2Pro mac mini お掃除

購入 から半年以上経過したのでお掃除しました

• 道具
• 底盤を開ける
• 更にアルミの底盤を外す
• アルミの底盤を外すときの注意
  • アルミ盤の裏
• 底盤開けた後
• ファンを外す
• ファンを外すときの注意
• エアダスターで掃除
• ファンは解体できなかった
• あとは戻すだけ
• 最後に

道具

• トルクドライバー
• プラスチックヘラ

ほこりはエアダスターで飛ばすか拭き取るか掃除機を使いましょう

底盤を開ける

ヘラを入れて一周するだけです

更にアルミの底盤を外す

ネジが六ヶ所あります
写真では掃除後ですがここだけでもかなり汚かったです

アルミの底盤を外すときの注意

Wifi モジュールのケーブルが繋がっているのでヘラとトルクネジを使って外しましょう
いきなり底盤を外そうとするとケーブルが切れる可能性があるので注意してください

アルミ盤の裏

こっちも汚れているのでお掃除しましょう

底盤開けた後

汚いです

ファンを外す

かなり汚れています
トルクドライバーで4箇所のネジを外します

ファンを外すときの注意

ファンの動力のケーブルが繋がっているのでヘラを使って外しましょう
引っ掛けて上にパキっと外す感じです
iPhone のコネクタっぽい感じです

エアダスターで掃除

もっと解体できますがエアダスターがあればここまででも十分かなと思います
エアダスターで万全なく掃除しましょう
ほこりが舞うので掃除機で吸うなり換気のいい場所でやるなりしてください

ファンは解体できなかった

ファンにもプラスネジがありこれを外せば蓋を外せるかなと思ったのですが固くて外せませんでした
これもエアダスターを吹きかけて掃除しましょう
かなりほこりが出てくるので注意してください

あとは戻すだけ

各種掃除したらファン -> アルミ -> 底盤で戻します
各種コネクタの取り忘れに注意しましょう

最後に

毎日 CPU フル回転だと半年ごとくらいにこれくらいの掃除はしないと大変なことになりそうな気がします

iOS 版スイカゲームプレイメモ

おもしろい

• 料金
• 最高点
• プレイできた端末
• コツ
• よかった点
• 最後に

料金

• 240円

最高点

• 3117点

プレイできた端末

• iPhoneXR (iOS 17.2.1)
• iPhone6 (iOS 12.5.7)
• iPad min 2 (iOS 12.5.7)

という感じでまだまだ古い端末でも全然プレイできました
これがスイカゲームの一番良いところかもしれない

ただなぜか iPad mini 2 だけゲーム終了時に確実にクラッシュするという現象が発生したのが残念な点

コツ

• とにかくゴミを出さない
• 大きいのは下
• 段差を使った時間差落下を使う (あとに落としたフルーツが先に落下する技術？
• 連鎖も少し考えるといいかも
• あとはとにかくやるだけ楽しいから全然飽きない

よかった点

• iOS12 のサポートがある
• 一応オフライン状態でもできる
• 子供も楽しめる
• クセになる

最後に

スイカを 2 つ作るのはマジで無理ゲー

最近の LLM 界隈について感じたこと

Stable diffusion などの画像生成系については触れてないです
個人的な意見です

LLM

• すべての機械学習の中心に LLM がいる

Fine Tuning と LLM

• 今は1から LLM を作る時代ではない
• GPT2 なりを Fine Tuning して独自の LLM を構築するのが主流 (というかクソ簡単だから
• ニューラルネットワーク、深層学習、keras、tensorflow、torch などを学ばなくても自作の LLM が作れる
• それにより HuggingFace や GPTs などに大量に独自 LLM が発生している
• そもそもベースとなる LLM を変えるだけでもいろいろと精度は変わりそう

Transformer

• 公開されているさまざまな LLM をローカルで簡単に動かすことができるツール
• これができたことにより Fine Tuning がより簡単にできるようになると理解
• 簡単 LLM 作成時代に突入するきっかけになった基礎技術

LangChain

• LLM に質問するだけだったものに質問の仕方を工夫することで Fine Turning しないでも独自の知識を持ったかのように LLM に回答されることができるようになるツール
• 例えばローカルで文章の類似度検索した結果を元に LLM にコンテキスト付きの質問をすることができる (Retrieval Chain と呼ばれる手法
• Retrieval Chain に限って言えば頑張るべきは類似度検索の精度/再現率になるので FAISS や ChromaDB のチューニング勝負になりそう
• FAISS や ChromaDB を使いこなす必要があるということ
• Fine Tuning とどっちがいい精度になるのかは不明
• そもそもベースとなる LLM を変えるだけでもいろいろと精度は変わりそう (Fine Tuning 同様
• Agent はあくまでも LLM を環境としてフィードバックループを繰り返す技術 (っぽい
• これが LLM + 特定の環境 (ゲームなど) にもフィードバックできるようになると便利そう (もうあるかも、参考

Classical Machine Learning

• すべて LLM で解決できるのかもしれない
• 二値判定、多値判定、クラスタリング、分類器などは LLM に質問するだけで処理してくれる

強化学習

• LLM と組み合わせて使うようになるのかもしれない (上記強化学習同様
• サンプル効率問題、次の行動の判断を LLM に任せる場合に何回尋ねるべきか、その場合のラグはどうなるのか (一応解決策があるらしいが
• 環境(主にゲーム)がすぐにフィードバックして画面で確認できるので楽しさはある
• プログラミングの導入でマイクラを使うように機械学習の導入でカートポールを使うのはどうだろうか

検索との使い分け

• 結局どっちを信じるかではある
• どちらも間違っている想定で最終的には自分で検証するのが一番
• どちらも問題を解決するためのアプローチでしかないと思うが LLM は Agent 化して解決までやってくれる可能性はある

何かあったら追記するかも