AI Library
自律的科学発見の時代
キム・ギョンジン, 弁護士
AI科学者とセルフドライビング・ラボ
AI科学者とセルフドライビング・ラボが、科学研究における主張の生成と検証をどのように変えつつあるのかを追います。文献に基づく発見、自然言語プロトコルからロボット命令への変換、マルチエージェント研究システム、閉ループ実験室、材料探索、検証ギャップ、証拠の連鎖、研究ハーネス、学術誌倫理、法的責任までを扱います。
AIライブラリ
デジタル主権の二重構造
欧州の脱パランティアとアメリカン・ビッグテックの鎖
金景珍(キム・ギョンジン), 弁護士
欧州の情報機関と国防省が米パランティアの分析ツールを排除し始めた2026年の記録です。フランス国内治安総局とドイツ連邦憲法擁護庁、オランダ国防省の置き換え決定、米国の輸出規制が同盟国の人工知能アクセスをわずか3日で遮断した事件、CLOUD ActとFISA 702条がもたらした域外管轄の実態を扱っています。欧州連合のクラウド・AI開発法(CADA)が定めた4段階の主権保証レベルと主権理由による契約解除権、ユーロスタック構想と3,000億ユーロの投資障壁に至るまで、全5章15節と結論2節で整理しました。
[AI書斎] Codexの具体的な活用事例37選 - 第11章 レガシーコードおよびデータベーススキーマの自動ドキュメント化(Data Dictionary):暗号のような過去の遺産をAIで解読する
第11章 レガシーコードおよびデータベーススキーマの自動ドキュメント化(Data Dictionary):暗号のような過去の遺産をAIで解読する
初心者のための概念理解:コメントなしのコードと名前なしのデータベース 新しい部門に配置されたり、前任者が退職して残した業務を引き継いだりしたとき、困惑する瞬間は「まったくドキュメント化されていない過去の成果物(レガシー)」に直面するときです。Pythonスクリプトを開いてみると、コメントは1行もなく、変数名はx、y、temp_dataのようになっています。データベースを開いてみると、列名がcol_mrr_24、sub_tier、acq_src_1のように暗号文のように書かれていて、そもそもどのようなデータを意味するのか理解できません。過去は、これを理解するために既存のコードを1行ずつデバッグして推測したり、他の部門のメンバーを探してあちこち歩き回って質問したりする必要がありました。しかし、AIを使えば、この暗号のようなコードとデータベーススキーマを完璧なマニュアル(データ辞書)に自動変換することができます。
実務の使用例1:名前なしの過去のPythonスクリプトを解読およびリファクタリング コメントなしで放置されたundocumented_script.pyファイルがプロジェクトフォルダにぽつんと置かれています。
サンプルプロンプト入力:「現在のフォルダにundocumented_script.pyというファイルがあります。数ヶ月前に作成されたスクリプトですが、コメントもなく、変数名もめちゃくちゃで、正直なところ、このコードが正確に何の役割を果たしているのか全く思い出せません。
このコードを始めから終わりまで読んで、このスクリプトが一体どのような目的を持つコードなのか、初心者でも理解できるような簡単な日常用語(Plain English)で説明してください。そして、x、df1のように意味のない変数名をこのコードが実行する役割に合わせて、直感的でわかりやすい名前に全て修正(Rename)してください。最後に、コードの各機能ブロックごとに適切なコメントを付け、一番上には、このスクリプトの使い方を説明する包括的なドキュメント文字列(Docstring)を追加して、すぐに実務プロダクションに投入できるきれいなコードとして再度保存してください。」
AIの作業プロセスと結果:AIはすぐにコードを分析し、ターミナルウィンドウに「このスクリプトは1段階から6段階まで、ユーザーデータを読み込んで売上を集計するPythonコードです」と簡単な言葉で要約してくれます。その後、不可解だったdf1変数をmonthly_revenue_dataに変更し、コードの至る所に親切なコメントとドキュメンテーションブロックを挿入した、完全に新しいPythonコードを完成させて保存します。死んでいたレガシーコードが誰でも理解できる現代的なコードとして蘇生する瞬間です。
実務の使用例2:暗号のようなデータベーススキーマを完璧なデータ辞書(Data Dictionary)として文書化する データエンジニアがデータベーススキーマ(テーブル構造)ダンプファイルを1つ投げ渡して去りました。テーブルと列名が省略されているため、意味を理解できません。データアナリストとして、これを使用するには、各列が何を意味するのかまとめられた「データ辞書(Data Dictionary)」が必須です。
サンプルプロンプト入力:「エンジニアから受け取ったデータベーススキーマダンプファイル(schema.sql)がフォルダにあります。ここには暗号のように省略された列名を持つ多くのテーブルが存在します。
このスキーマファイル全体を分析して、私のための完璧な「データ辞書(Data Dictionary)」をマークダウン(Markdown)表形式で作成してください。重要なポイント:私は、このデータベースが「SaaS(サービス型ソフトウェア)ビジネスのデータ分析用データベース」であると想定しています。このビジネスの背景知識を基に、暗号のような列名が実際のビジネスで何を意味するのか、文脈に合わせて論理的に推測(Inference)して、表に説明を付けてください。」
AIの作業プロセスと結果:プロンプトで「これはSaaSビジネスのデータベースです」とビジネスコンテキスト(文脈)を指定してくれたことが素晴らしい判断です。この情報を基に、AIは洞察力を発揮してデータ辞書を構築します。
AIはMRRという列を発見し、SaaSビジネスの文脈を使用して、これを単なる文字ではなく「月間経常収益(Monthly Recurring Revenue):SaaSビジネスの重要な指標」として完璧に解読し、ドキュメント化します。
acq_sourceという列は「顧客獲得源(Customer Acquisition Source)」と推測して説明を記載してくれます。
AIはdiscount_applied列を見ると、*「注:このスキーマだけでは、MRRが割引適用前(Pre-discount)の金額なのか適用後(Post-discount)の金額なのか不明です。データエンジニアに確認が必要です」*という鋭いビジネスのコツまでマークダウン文書の最下部に付け加えてくれます。
このようにAIを使えば、一日中エンジニアを追いかけまわして質問する必要があった、データ辞書を、わずか2~3分で美しいマークダウン表形式で完成させて、すぐに実務に投入することができます。

















