HN 日本語サマリー

← 一覧へ戻る
ビジネス・スタートアップ

Show HN: Kapso – エンタープライズデータからの反復学習

Show HN: Kapso – Iterative learning from enterprise data (news.ycombinator.com)

48 pointsby alireza_msh11 コメント

要約

AlirezaとMajidは、エンタープライズデータ向けのAIシステムを構築するLeeroo社として、オープンソースのエンジン「Kapso」を発表しました。Kapsoは、実験の実行、最適なソリューションのデプロイ、および各実行からの学習を自動化するエンジンです。複雑なエンタープライズデータ環境において、反復的な調査、仮説構築、実験、学習というボトムアッププロセスをAIネイティブシステムで自動化し、過去の経験を活かしてより良い結果を迅速に導き出すことを目指しています。

全文翻訳

皆さん、HN!私たちはAlirezaとMajidで、Leeroo (https://leeroo.com/) を構築しています。以前は、LinkedInやMetaなどで数百万人のユーザーを持つ製品向けにAIシステムを構築してきました。現在は、エンタープライズデータ向けのAIシステム構築に注力しています。本日、私たちはKapso (https://github.com/Leeroo-AI/kapso) をオープンソース化します。これは、実験を実行し、最適なソリューションをデプロイし、すべての実行から学習するエンジンです。

データワークの本質は反復的です。調査し、仮説を立て、実験し、学んだことに基づいて改善します。このボトムアッププロセスは、大規模で複雑なエンタープライズデータ環境で、迅速に意味のある成果を出す唯一の方法です。会議でコンテキストを収集するコンサルタントや、データに適合させるために事前にビジネスオントロジーを定義するチームは、四半期、時には数年かけても実行の見込みがありません。AIネイティブシステムは、このプロセスを自動化し、新しい調査や実装に学習を積み重ねるべきです。

例えば、私たちのエンタープライズプロジェクトの1つでは、ある企業を古いデータエステートから、30以上のソースシステムファミリー、数千のテーブルと変換、数百のBIレポートを持つレイクハウスに移行しました。そのデータエステートがどのように接続され、運用されているかを理解している個人またはAIエージェントはいませんでした。それを学ぶ唯一の方法は、企業のレポ、dbtモデル、ドキュメント、およびデータ自体を調査し、エステートに関する仮説を立て、実験を実行し、それらから学ぶことでした。これにより、各システムがどのように動作し、どのような条件下で動作するかを理解できるようになりました。

反復的な作業は、データとシステムがどのように連携するか、そしてビジネスオペレーションを理解することを超えています。有用なソフトウェアを構築することも反復的です。倉庫を最適化する場合でも、レイクハウスパイプラインを構築する場合でも、チャーンを予測する場合でも、実験を実行し、その環境で何が最も効果的かを学ぶ必要があります。より多くのプロジェクトをデリバーするにつれて、そのノウハウは、RL(強化学習)に似た形で蓄積されます。ドキュメントをRAG(Retrieval Augmented Generation)しても、特定の環境で試され、その結果が学習されるまで、ほとんど価値がありません。人間のエンジニアリング作業と同様に、実験と学習はサンドボックス内で行われるべきです。

私たちは、このような作業のためにKapsoを構築しました。目的と成功基準を与えると、スタックにデプロイ可能な最適なソリューションに向けて動作します。

ビデオウォークスルーはここでご覧いただけます: https://www.youtube.com/watch?v=W4FHlza1fRs

仕組みは以下の通りです…

Kapso は、過去の実験から誘導または演繹されたレッスンバンクを持っており、各レッスンには信頼度スコア、適用条件、およびその証拠が付随しています。新しい各実験のために、アイデア生成モジュールが以前のレッスンを考慮してアイデアを提案し、使用される予算に対する期待リターンで再ランク付けし、上位のものを実装者に送信します。バンクは、その環境での過去の実験から学習し続けるため、提案されるアイデアは、LLMやRAGからの一般的な仮説よりもそれに適しています。また、各実験の結果は、どの実験もアクセスして不正を行うことができない検証モジュールによって検証されます。このようなシステムを構築する際に発見したように、成功基準と評価テストを進化させる必要がある場合もあります。実験モジュールは、検証者が承認または拒否するためのメトリックと基準の更新を提案できます。

各実行後、learn() はその実行からの証拠を使用して、レッスンバンクのスコアと境界を更新します。バンクへの変更は、以前のバンクと更新されたバンクで同一のビルドを実行することによってA/Bテストすることもできます。バンクはgit上に構築されているため、経験を他の人と共有したり、利用可能なバンクをリストしたり、更新したりできます(CLIで kapso experience share/list/update)。このシステムはモデルに依存せず、コーディングエージェントにも依存しません。

kapso.deploy(solution, target_stack) は同じワークフローに従い、ターゲットスタック(例: Docker, Modal, BentoCloud, LangGraph)に最適なソリューションを適応させるために、より短い実験ループを実行します。各ドメインには開始するためのハーネスがあり、プラグインまたはCLI(kapso harness new <name>)を通じて独自のドメインハーネスを記述し、実験を実行することによってそれを化合物化できます。

いくつかの公開ベンチマークとライブコンペティションでこれを実行した結果は以下の通りです…

  • 関係データベース上の予測モデリング: RelBench、Kumo AI(現Nvidia)、スタンフォード大学のベンチマークで1位を獲得し、最高の表形式基盤モデルを上回りました(https://star-project.stanford.edu/relbench/leaderboard/)。これは、学習をハーネスレベルに保つことで、基盤となる表形式モデルを上回ることができることを示しています。レッスンバンクの更新は、表形式基盤モデルの再トレーニングよりもはるかにコストがかかりません。

  • MLエンジニアリング: OpenAI の MLE-bench で提出時に1位を獲得し、依然としてトップのオープンソースシステムの一つです(https://github.com/openai/mle-bench/pull/107)。

  • AIコンペティション: Sakana AI が報告した ALE-Bench の最高のAIエージェントを上回り、ライブ国際AIオリンピック2026で自律的に実行され、471人の人間の出場者全員を上回り、トップ3のAIシステムに入りました(https://ioai-official.org/ai-models-track/ioai%c2%b2-2026-re...)。

Leeroopedia (https://leeroopedia.com/) には、MLとデータのための公開バンクがあります。論文やリポジトリでの実験から抽出された約10万ページがあり、毎月約600万リクエストがあり、そのうち約28%はAIエージェントからのものです。

複数のシステムや機能にまたがる複雑なデータエステートを持つ成長中の企業で、データチームやAIチームが手一杯である場合、ぜひお手伝いさせてください!

https://github.com/Leeroo-AI/kapso