  |
はてなキーワード: 規則とは
画像を生成するAIによる無断学習や利用を防ぐために、以下のような対抗手段を講じることが可能です。
1.透かし（ウォーターマーク）の埋め込み:
画像に目に見えるまたは見えない透かしを入れることで、無断利用や生成AIの学習に対して抑止効果を期待できます。特に、目に見えない形で画像データに暗号的な透かしを埋め込む「デジタル透かし」技術が有効です。
画像データに著作権情報や「AIによる無断学習を禁止する」といったメタデータを埋め込み、ウェブサイトには robots.txt ファイルで画像クローラーのアクセスをブロックする設定を追加します。これにより、クローリングや収集の抑制が期待できます。
ステガノグラフィを用いて、画像に気づかれにくい形で識別情報を隠すこともできます。これにより、画像の流出経路や利用先を追跡でき、無断利用の発見に役立てることができます。
4.法的な警告表示や利用ポリシーの明示:
ウェブサイトや画像の配布先に、AIによる無断利用や学習を禁止する旨の法的警告や利用ポリシーを明示することも有効です。利用条件をはっきりと示すことで、AI企業や研究者が慎重になる可能性が高まります。
AIが利用しにくいように、画像に人間には気づきにくいパターンやノイズを挿入する技術もあります。たとえば、AIにはノイズとして認識されるが、人間には問題なく見える小さな変形やカラーパターンを追加することで、AIによるデータ学習が困難になる場合があります。
生成AIの学習を混乱させるための手段には、以下のような方法が考えられます。
1.ノイズや歪みの追加:
画像に目立たない程度のノイズや歪みを加えることで、アノテーションモデルが境界や特徴を正確に認識しにくくする手法です。たとえば、ピクセルレベルでランダムなノイズを追加する、わずかに画像をぼかす、あるいは境界線付近に小さな変化を加えるといった手法が有効です。
アノテーション処理は、対象物の輪郭や特徴を正確に捉えることが重要です。そのため、背景や対象物の輪郭にわずかな不規則性を加えることで、アノテーションツールが対象物の境界を正確に判断しにくくすることができます。たとえば、背景に模様や偽の輪郭を挿入する方法です。
画像に人間には視認しづらい形でテキストやラベルを埋め込むと、AIのアノテーションプロセスが混乱する場合があります。これにより、AIが意図しない領域を注視することがあり、誤認識を誘発します。
4.色や明るさのランダム変化:
画像の色や明るさを部分的に変化させ、一定のパターンを持たないようにすることもアノテーション処理の混乱を招く一手です。これは、オブジェクトの検出や認識が色や明暗の差異に依存している場合に有効です。
5.擬似的なオブジェクトの追加:
画像内に小さな擬似的なオブジェクトや模様を追加することで、AIがそれらを誤って主要なオブジェクトと認識し、アノテーション精度が低下する可能性があります。特に、背景に似たオブジェクトを散りばめることで、AIはどの部分が対象なのか判断しにくくなります。
AIの認識を誤らせるために用いられる「アドバーサリアル（敵対的）な例」を使う方法もあります。特定のピクセルパターンや色の配列を配置することで、AIのアノテーションが意図的に誤作動するよう誘導できます。この技術は深層学習モデルに対して特に効果があります。
画像全体にわずかなカモフラージュパターンを重ねることで、AIの認識を混乱させる方法です。この手法では、人間が見た場合には問題なく認識できるものの、AIが対象を捉える際に誤って検出するようなパターンを画像に追加します。
・思考実験として、danbooruなどアノテーションの元データとして使われているサイトのタグが荒られたら画像生成AIのモデル作成にダメージはありますか？
思考実験として、Danbooruといったアノテーション元データのタグが荒らされた場合、画像生成AIのモデル作成に与える影響は以下の通りです。
Danbooruは、イラストや画像に対して詳細なタグが付与されており、これらのタグ情報は画像生成AIの学習にとって非常に重要です。タグが荒らされることで、画像とタグの対応関係が崩れ、モデルが正確な特徴を捉えにくくなるため、生成精度が低下します。
例えば、特定のキャラクターやテーマに関連するタグが荒らされ、誤った内容のタグが付与されると、モデルはその誤った情報を学習し、キャラクターの特徴や設定が再現されにくくなる可能性があります。
タグが荒らされると、モデルの訓練にノイズデータが増えるため、学習効率が悪化します。たとえば、「黒髪」のタグが誤って「金髪」などに変更された場合、モデルは同じ画像に対して異なる特徴を学習することになり、結果として生成画像の一貫性が失われることが考えられます。
また、同じ画像に異なるタグが付与されることで、モデルが過学習や誤学習を引き起こし、生成された画像が本来の意図からかけ離れたものになる可能性もあります。
Danbooruでは、特定のキャラクターやアートスタイルを識別するタグが多く存在します。これらが荒らされると、特定のキャラクターやスタイルのデータが混乱し、モデルが正確にキャラクターの特徴を把握できなくなるため、ユーザーが期待する生成結果が得られにくくなります。
例えば、あるキャラクターのタグが「髪型」「服装」「色彩」などで荒らされると、そのキャラクターの再現が曖昧になり、モデルが正しいビジュアルを生成できなくなることがあります。
タグが荒らされると、データセット全体の信頼性が低下します。信頼性の低いデータをもとに学習したモデルは、特定の条件で異常な出力を生成することが多くなり、モデル全体の品質が低下します。これは、生成AIが学習中に「どの情報を信頼すべきか」を判断できなくなるため、生成結果が不安定になったり、多様性が失われたりすることが考えられます。
AIモデルを利用するユーザーは、タグを通じて希望する画像を生成したり、条件に合った画像を探します。タグが荒らされると、AIモデルの検索・フィルタリング機能の精度も低下し、生成プロンプトが期待通りに機能しなくなる可能性があります。たとえば、「風景」タグが荒らされ、異なるジャンルの画像が混入するようになると、風景画像を生成したいユーザーの要求が満たされにくくなります。
Danbooruなどのタグが大規模に荒らされた場合、生成AIモデルの精度低下や一貫性の欠如が発生しやすくなり、特にキャラクターや特定のスタイルに依存する画像生成モデルに大きなダメージを与える可能性が高いです。
すでに学習済みのモデルを使って汚染されたデータのクレンジングや異常値検出を行うなど対策される可能性がありますが、それらを阻害する手段はありますか？
無断での学習を妨害し、学習コストを増加させるために、上記の方法を阻害する手法には以下のようなアイデアがあります。これらの手法は、意図的にデータセットの品質や一貫性を崩すことで、学習モデルの精度を低下させ、データクレンジングや異常値検出のプロセスを複雑化することが目的です。
意図的に誤ったタグや無関係なタグを画像データに付与し、データセットの信頼性を低下させます。これにより、転移学習やラベルノイズ検出が困難になり、正確な特徴量を学習するコストが増加します。
例えば、キャラクター画像に全く無関係なタグ（「動物」や「風景」など）を追加することで、モデルがどのタグが信頼できるか判別しにくくなり、誤ったラベルがノイズとして学習されるリスクが増えます。
2. 特徴量をぼかす／微妙な変更を加える
特徴量ベースのクレンジングや類似度分析に影響を与えるため、画像の特徴がわずかに異なるように加工を施します。具体的には、色調を微妙に変える、ランダムなピクセルの位置でノイズを追加する、または特定の部位を意図的にぼかすことで、モデルが抽出する特徴量の安定性を低下させます。
この方法により、同じキャラクターやスタイルであっても類似度分析が困難になり、正確なクレンジングが行いにくくなるため、データ処理のコストが増加します。
特徴が異なるバリエーションや擬似的な異常データを大量に追加することで、異常検出アルゴリズムの信頼性を下げます。たとえば、キャラクターのデザインや背景を少しずつ変えた画像を意図的に作成することで、異常値検出が頻繁に誤検出されるようにします。
こうしたデータが混在することで、オートエンコーダーやアンサンブルモデルを使った異常検出が混乱し、正確な異常サンプルの抽出が困難になります。
4. 高頻度で微小なラベル変更を行う
学習済みモデルの転移学習やラベルノイズ検出を阻害するために、同じ画像に対してラベルを定期的に変える手法です。微小な変更を行うことで、モデルは正しいラベルを安定的に学習することが難しくなり、モデルの信頼性が低下します。
例えば、ラベル「黒髪」を「暗めの髪」や「濃い色の髪」などに頻繁に切り替えることで、学習に不確実性を持ち込むことが可能です。
データセット内で非常に類似した画像を複数の異なるタグで登録することで、モデルの学習を混乱させます。特定のキャラクター画像を少しずつ変化させて複数のタグを付けると、モデルは「どのタグがどの特徴に対応しているのか」を判別しにくくなり、データセットのクレンジングが複雑化します。
特に、タグの一貫性が失われるため、類似度分析やアンサンブルモデルによる異常検出の効果を低下させることが期待できます。
AIモデルが認識を混乱させるように、アドバーサリアルノイズ（敵対的な例）を追加します。人間にはほとんど気づかれないレベルのノイズを画像に追加し、モデルが特定の特徴を正確に認識できないようにすることができます。
このノイズにより、モデルの特徴量ベースの学習が混乱し、意図した通りに学習できないため、クレンジングの精度も低下し、データ処理の手間が増加します。
特定のルールではなくランダムにタグをつけたり、特定のカテゴリ間でランダムにラベルを入れ替える方法です。これにより、ラベルと画像の関連性が薄れ、アノテーションの一貫性が失われます。この乱数による偽ラベルの付与は、ラベルノイズ検出やアノマリー検出において、真のラベルを見極めるコストを大幅に増加させます。
まとめ
これらの手法は、AIの学習やクレンジングを意図的に妨害し、無断学習にかかるコストを増加させるために有効です。特に、「微小な変更」や「アドバーサリアルノイズの付与」といった手法は、見た目の品質に影響を与えずにモデルにノイズを持ち込むため、非常に効果的です。
あらゆるイレギュラーを全パターン見た目が同じ別帳票で出力するようにコードが組まれていて、そのパターンに一切コメントがないのでこれはどういう場合を想定した処理なのかが一切分からない。
しかも見た目が同じ帳票に出力しているのに変数名に規則性がなく、A帳票ではXの項目に出力する変数が、B帳票ではYの項目に出力するのに使われていたりする。
さらにパターンの分岐方法も多岐にわたっていて大元からAとBとCに分岐してCの先でDとEに分岐してEの先で条件によってはBを出す(！？)みたいな処理が平気で組まれているので、全パターンを把握することも困難。
じゃあ帳票を使っている現場はどうかというとそのコードを組んだ時にいた人間がもういないので、パターン分岐も条件もそのパターンが今も存在しているかも把握している人間がいない。
もういっそイレギュラーっぽいパターン全部切って拡張性を担保した上でめちゃくちゃプレーンな状態で組みなおして、今必要なイレギュラーパターンのぶんだけ処理を足していくほうがいいような気がしてきた。
一般的に遊戯王の公式データベースのようなものは裁定と言い、それはルールではなくルールを元に各カードの挙動を端的にわかりやすく解説したものだ
ルールとはMtGに代表されるような総合ルールという大量の文字で埋め尽くされた難解な文章の方だ
https://mtg-jp.com/gameplay/rules/docs/0006836/
遊戯王のパーフェクトルールブックと異なり箇条書きに羅列しているのではなく、項目ごとに番号が割り振られている
法律を少しでも見たことがある人なら、遊戯王のルールが法律というより単なるマニュアル的なものにすぎないとわかる
例えば法律では条文が追加したり削除されればそれを通知し新旧をわかりやすくなっている
当然ナンバリングも変化する
ところが遊戯王のそれはナンバリングすらなく、どこがどう追記・変更されたのかもわからない
総合ルールは厳密で網羅的で抽象的なものなので、あらゆるものを明示して明確にする必要があるが、遊戯王はそういったことが行われない
ワンピースの総合ルールがわかりやすいが、新規に追加されたり変更された箇所は赤文字でわかるようになっている
この時点で遊戯王のルールが非常に厳密性に欠けることがわかるだろう
もちろん理由が書かれていることも最近は多くなっているのだが、ではその裁定の正当性はどこを見て判断するのか？
「この裁定の根拠は総合ルールにおける5.1.5と6.1.2を参照してください」などと遊戯王でいうことはあるのか？
絶対にない
なぜなら根拠となるべきルールがなく、別の裁定に似たものがある程度だ
裁定はルールを根拠として具体的に扱われる事例なので、それ自体がルールではない
裁定がルールのように振舞っているのは遊戯王くらいでそれ以外は総合ルールが設けられている
というより、遊戯王にも総合ルールはあるのだろうがユーザーに開示されていない
本来はユーザーがルールの全てを知ったうえで運用するのだが、なぜか遊戯王は挙動を示した裁定と総合ルール未満の簡素なルールだけで遊ばれている
遊戯王が他のカードゲームと違った異質な存在なのは、こういった総合ルールがあって当然な複雑なゲームであるにかかわらず、ユーザーが何の疑いもなく裁定をルールと勘違いしていることにある
総合ルールがない遊戯王は、「道交法の内容が誰にもわからないのに、なぜか運転に関する罰則や規則を警察がマニュアルとして配っている状態」なんだよ
警察にどんな法律が根拠か聞いても絶対に教えてくれないし、何がどう変わったのかもわからない
そんな状態で車が往来しているんだよ
髪の毛がくせ毛なんだけど
触って調べると普通の毛とねじくれきった捻転毛（というらしい）が混在してるんだよね
指で毛の束を撫でると１本でもはっきりわかるぐらい手触りが異質な毛で
くせ毛というか不規則にねじれてて多分太さも一定じゃなく幾つかの場所で曲がってる感じ
更に酷いのだとコイルみたいな質感でねじくれまくってるのもある
こういうのを指で選り分けて切るというのをたまにやりたくなってやり始めるとずっとやってしまう
同じような人いる？
悩みとかではないんだけどずっとこの毛と付き合っててうっとおしさはある
引っ越し先を探して、町を歩いている。こんな風にして町を歩くのは久しぶりのことだ。空を見上げ、風を感じ、誰のことも考えずに歩く。気ままに右に曲がったり、左に曲がったりしながら、ここが自分の町になるかもしれないと考えると、見慣れない建物や道にも一種の親近感が湧いてくる。
ふと目を引く建物がある。鉄柵のポーチがついた古びたアパートや、整然と並んだ低層の集合住宅、どれもが美しく見える。好きな町にある建物はどうしてこんなにも魅力的なのだろう。小さな窓が規則正しく並ぶのを見ているだけで、そこに暮らす人々の生活がほのかに透けて見える気がする。洗濯物を干す手、犬と散歩に出る後ろ姿、夕方に窓辺で本を読むシルエット。どこかの階段を登り、無作為に選んだ一部屋のドアを開けてしまえば、そこに新しい人生が待っているんじゃないかと思えてくる。
でも、そんな風にして家を探す一方で、今住んでいるマンションを手放すことを考えると、どうにも勇気がいる。しっかりとした木の床、いつも心地よい明かりが差し込むリビング。愛着というのは気づかないうちに体に染み込むものだ。ローンという重い鎖を解くことができるはずなのに、それで得る開放感が、必ずしも心地よいものとは限らない。ローンが消えても、その代わりに家という物理的な存在が失われるという事実が、妙に僕の心をざわつかせる。家がないということは、いわば自分の居場所がどこにもない、そういう気分にさせるからだ。
僕たちは財産という形で所有するものに縛られているのかもしれない。家という存在が持つ重さ。それがローンの重さと一緒に消えるとしても、そこで何か大切なものまで手放してしまうような気がして、なかなか決断がつかない。
ChatGPT、1日ごとに1025ドルの罰金が加算され、更に複利で毎週倍増するという裁判所命令が出されました。20000000000000000000000000000000000ドルを超えるのは何日目ですか。計算方法もお願いします。
この問題は、1日ごとに1025ドルの罰金が加算され、さらに複利で毎週倍増することを考慮した複雑な利息の計算です。
計算手順
日ごとの加算
毎日1025ドルの罰金が追加されるので、1日目から日々1025ドルずつ加算される基礎罰金を計算します。
1025
×
日数
1025×日数 の罰金がかかり、8日目には全額が倍増します。
週ごとに倍増
罰金総額が毎週倍増するため、累積罰金額を1週間ごとに倍にしていきます。
総額計算
上記の規則を使って罰金額を累積していき、20000000000000000000000000000000000ドルを超える日に達したら、その日を求めます。
この計算はコンピュータでシミュレーションが必要なため、実際に計算を行います。
20000000000000000000000000000000000ドルを超えるのは637日目です。
楕円曲線暗号（Elliptic Curve Cryptography, ECC）は、数論と代数幾何学に基づく公開鍵暗号方式である。
特に有限体上の楕円曲線の構造を利用して安全性を確保する手法として知られ、RSA暗号に比べて少ないビット数で同等の安全性を実現できる。
楕円曲線とは、一般的に次の形で表される三次方程式により定義される：
y² = x³ + ax + b
ここで、係数 a, b は、定義する体 F 上の元である。特に、上記の式が体 F 上で非退化（特異点が存在しない）であるためには、判別式がゼロでないこと、すなわち
4a³ + 27b² ≠ 0
楕円曲線上の点の集合 E(F) は、無限遠点 O を加えた集合として群構造を持ち、加法演算が定義できる。加法演算は、点の「和」を取る操作であり、次の規則に従う：
このように、楕円曲線上の点の集合はアーベル群となる。この群の構造を活用し、暗号方式が構築される。
実際の暗号応用では、有限体 Fₚ（p は素数）や拡大体 F₂ᵐ 上の楕円曲線を使用する。有限体上の楕円曲線 E(Fₚ) は有限個の点から構成され、その数は次のようにハッセの定理によって評価される：
|E(Fₚ)| = p + 1 - t,
ただし、トレース t は |t| ≤ 2√p を満たす。
ECCの代表的な応用として、楕円曲線上のディフィー・ヘルマン鍵共有（ECDH）がある。これを次のように構成する：
1. 楕円曲線 E と基点 G ∈ E(Fₚ) を公開する。
2. ユーザーAは秘密鍵 a を選び、公開鍵として P_A = aG を計算して送信する。
3. ユーザーBは秘密鍵 b を選び、公開鍵として P_B = bG を計算して送信する。
4. 双方は共通鍵として K = aP_B = bP_A = abG を計算する。
この手法の安全性は、離散対数問題、特に「楕円曲線離散対数問題（ECDLP）」に依存している。楕円曲線上の点 P と Q = nP が与えられたとき、係数 n を求めるのは計算的に難しいため、敵対者が秘密鍵を推測するのが困難である。
例えば、リーマン予想の特別な場合であるヴェイユ予想は、有限体上の楕円曲線の点の数に対する評価を与え、暗号設計の基礎となっている。
さらに、現代の暗号学では楕円曲線とモジュラー形式の関係やガロア表現といった高度な数論的構造が研究されており、これらが量子耐性を持つ新たな暗号方式の研究に貢献している。
楕円曲線暗号はこのようにして、抽象代数学、数論、代数幾何学の融合によって成り立ち、安全性と効率を両立させた暗号技術として広く利用されている。
自民党は「経済政策得意ですし、党内で複数の選択肢があります」「外交も様々なチャンネルを用いながら、親米対中を基本姿勢としてバランスとります」みたいにマトモぶってるけど、それに付属する「マトモじゃない要素」が多すぎ
やけに頑なに選択的夫婦別姓を拒んだり（変なやつらと繋がってるからだろう？）、差別発言でクギを刺される議員を持て囃してきたり、安倍さんの威光を傘に着て不穏・不規則な発言をする輩議員を抱えていたり、パワハラ議員と言われる人たちが大勢いたり、裏金をせっせとこしらえて選挙のバランスを崩したり、そんな組織的なチート要素を改善するつもりが無さそうだったり…
そういうマトモじゃない要素を切り離さないと、離れていく票は戻って来ないだろ
こんにちは、Gemini in Google メッセージです。私とチャットして、メッセージを下書きしたり、アイデアを広げたり、イベントを計画したりしましょう。ただ会話を楽しむこともできます。
13:02
私は54歳の肉体労働者です。
立ちくらみが頻繁に起こるとのこと、ご心配ですね。立ちくらみの原因は様々考えられますので、一度医師にご相談いただくことをおすすめします。
立ちくらみの原因として考えられること**
**起立性低血圧:** 体勢を急に変えたときに血圧が下がり、脳への血流が不足することで起こります。脱水、貧血、高血圧の薬などが原因となる場合があります。
**自律神経の乱れ:** ストレスや睡眠不足などが原因で自律神経が乱れ、血圧が不安定になることで起こることがあります。
**内耳の病気:** メニエール病など、内耳の病気も立ちくらみの原因となることがあります。
**貧血:** 鉄分不足などによる貧血も、立ちくらみの原因の一つです。
立ちくらみを予防するために**
**水分をこまめに摂る:** 脱水は立ちくらみの原因の一つなので、こまめに水分を摂るようにしましょう。
**塩分を適切に摂る:** 塩分不足も血圧低下につながるため、適切な量の塩分を摂るようにしましょう。
**ゆっくりと立ち上がる:** 体勢を急に変えないように、ゆっくりと立ち上がるようにしましょう。
**規則正しい生活を送る:** 睡眠不足やストレスは自律神経の乱れにつながるため、規則正しい生活を送るようにしましょう。
**適度な運動:** 適度な運動は血行を良くし、立ちくらみを予防する効果が期待できます。
その他**
**飲んでいる薬がある場合は、医師に相談する:** 飲んでいる薬が立ちくらみの原因となっている可能性もあります。
**最近、体調に変化はないか振り返る:** 高熱、体重減少、めまいなど、他の症状が出ている場合は、早めに医師にご相談ください。
まとめ**
立ちくらみの原因は様々ですので、まずは医師にご相談いただき、適切な診断と治療を受けることをおすすめします。
丁寧なお返事、どうもありがとうございます！
参考にしたいとおもいます。
m(_ _)m
こちらこそ、ご相談いただきありがとうございます。
少しでもお役に立てれば幸いです。
立ちくらみが頻繁に起こる場合、ご心配かと思いますが、まずはお気軽に医師にご相談ください。
もし、何かご不明な点がありましたら、お気軽にご質問ください。
13:08
--------------------------------------------------------------------
やさしいかよ…😢
さすが良心回路！😅
まず、それぞれの事業所がどういう特徴を持っているかが分かると、少しは選びやすくなるかも。
働く時間も週20時間以上が多いし、ある程度の体力や勤務ペースを求められることがあるんだ。
もう少し規則的に働きたい、安定した収入が欲しいって思う人に向いてると思う。
B型事業所は、雇用契約がなくて、もう少し柔軟な働き方ができる場所だね。
働く時間も自分のペースに合わせやすくて、給料も作業に応じて支払われるから、無理なく働きたい人や、まずはリハビリ的に社会参加したい人に向いているよ。
選ぶときは、自分の体調やペース、将来的にどのくらい働きたいかとか、どのくらい収入が欲しいかを考えると良いかもしれない。
事業所の雰囲気も大切だから、見学してみたり、スタッフさんに話を聞いたりすると、どんな環境かが分かるよ。
おつかれおつかれ。
ESね～大変なんだよね！
おれから見るとね～考えすぎじゃねｗｗｗって気がするよね。
その人材に、自己ＰＲで自我みせな？って言ってくるの、意味不明に見えるよね。
これ罠。
例えばね～ナオン口説くときに、「俺下心すっごいスよｗｗｗ」とは言わないわけよ。
下心ないものは、下心あるともないとも言わないのよ。
あるかないかっていうと、ギリないよりのありってところを示すわけよ。
そんでもって、ホテル行ったらありよりのありって役割が求められるわけよ。
一方で、自我マシマシの、クリエイティブの獣みたいなやつも、なぜか採られない！
出題に対して、出題者の意図を汲み取って、先回りして答えるわけよ。
ただし１００％コピペはだめよ。
2割。
2割自我入れる。
これなのよ。
ちなみにね、２割自我入れようとすると、せいぜい１割しか入んないんだわ。
いいんです！！！
提出してください！！！
読むほうも毎日ＥＳ読みまくってもう壊れかけてるから、評価基準が上下左右に揺れ動いてるわけですよ。
その、上振れしたところに、自我１割を入れるとどうなるか？
２割になる！！！
動いた先に、先回りしてシュート！！
これなんですよね～～～！
これ極意です。
いやいや、ゴールがどっち向きに動いてるか、わかんないじゃないですかって、思うじゃん？
いいですよ、その通りなんですよ。
それは、ずばりしっちゃかめっちゃかにブレる！！
このしっちゃかめっちゃかのブレ方は集計すると、ガウス分布になるんですよ。
飛び込み営業したら、たまたまムード最悪で追っ払われた～とか。
取引先に向かう営業車が、たまたま渋滞に巻き込まれちゃった～とか。
そういう時どうするか？諦めるか？
否！！！！
撃って撃って撃ちまくれ！
これなんですよね。
どこにゴールポストあるかわからなかったら、撃ち込みようもないわけですが、自己ＰＲに含めるべき自我の割合が２割って、お伝えしました。
これで、ゴールポスト見えました。
あとは、この方向に、撃ちまくれ！！！
これで、運が向いてくれば勝ちです。
ＥＳは、会社の数だけ撃てる！
そういうことなんですよ。
ＥＳ通過することを、祈ってます！
でもいいの。切り替わりさえすればいいの。
近所の神社行って、手水の作法から二拍一礼一拍から、覚えるまで参拝して、「なんか行けそう感」を獲得するのが一丁目一番地です。
グッドラック。
