本記事では、RAGの基本的な仕組みを理解するために、Pythonを使ってゼロからRAGを実装する手順をざっくり解説します。 株式会社ナレッジセンスは、「エンタープライズ企業の膨大なデータを掘り起こし、活用可能にする」プロダクトを開発しているスタートアップです。 この記事は何 この記事では、非エンジニアでも、手元のPCで「RAG」を動かせるというところまで解説したいと思います。 こんな感じでRAGを構築できます。入門から解説します 最近、非エンジニアでも、RAGに興味を持つ方が増えました。 ただ、一方で、RAGの「基本」についての記事は、だいぶ減っています。このままだと、「RAGに詳しい人だけが、さらに詳しくなっていく」という状態になってしまいます。 そこで今回は、入門者向けに、「やってみた」形式で、RAG技術のざっくり解説をしていきます。なるべく簡単に行きます↓ そもそもRAGとは？ RA

本記事では、オブザーバビリティプラットフォームであるMackerel、特にそのAPM部分について、大規模データに対応するためにどのような工夫を行っているかを紹介します。 オブザーバビリティプラットフォームは多くのデータを処理します。 たとえば、株式会社AbemaTVではサンプリングがない場合毎秒165万スパン作成されることを先日のObservability Conference Tokyo 2025で発表しています。 また、Googleの時系列データベースであるMonarchでは毎秒数テラバイト、PinterestのGokuでは毎日4.5兆のデータポイントを取り込んでいると報告しています。 このように、オブザーバビリティ関連のデータは大規模になるものです。 私たちMackerelはSaaS型のオブザーバビリティプラットフォームを提供しており、多数の企業からオブザーバビリティ関連のデータを受

こんにちは。株式会社MonotaROのECシステムエンジニアリング（ECSE）部門で、ECサイトの開発を担当している岡﨑です。 「開発生産性」という言葉を聞いて何を思い浮かべるでしょうか。 ツールを導入すること？ Four Keysなどの開発生産性指標の数値を改善すること？ それとも、開発プロセスを見直すこと？ 多くの組織が「これだ」という正解を見つけられずにいる中、私たちもまた、指標計測の導入後の失敗や根本的な考えの転回といった「壁」に直面しました。 本記事では、MonotaRO で「開発生産性の向上」というテーマにどのように向き合い、私たちのチームで具体的にどのような試行錯誤を経て、何を学んできたのかをお話しします。 私たちの取り組みは、決して順風満帆なものではありませんでした。指標計測の失敗や、思うように成果が出なかった経験も赤裸々に共有することで、同じように開発生産性の向上に取り組

Understanding Spec-Driven-Development: Kiro, spec-kit, and Tessl Birgitta is a Distinguished Engineer and AI-assisted delivery expert at Thoughtworks. She has over 20 years of experience as a software developer, architect and technical leader. This article is part of “Exploring Gen AI”. A series capturing Thoughtworks technologists' explorations of using gen ai technology for software development.

概要 SRE 本 「17章　信頼性のためのテスト」 の 「17.1節　ソフトウェアテストの種類」にて、 カナリアテストについて記載されています。 その中に、 CU = RK という式が登場します。 書籍内では、 CU = RK を、「報告される分散の増大する累積値 CU = RK」 と表現しています。 この訳を含め、この式で説明したいことが上手く理解できなかったので、理解するために深堀りしました。 前提 この式は、カナリアテストについて説明している節で登場しています。 以降の情報も、カナリアテストについて言及している前提でお読みいただければと思います。 結論 "報告される分散の増大する累積値 CU = RK" の意味 こちらは、「報告される差異の累積数 CU = RK が増加する（と予測される...）」の翻訳ミスと思われます。 以下、 https://sre.google/sre-book

大規模言語モデル講座　応用編　　2025 Autumn - 東京大学松尾・岩澤研究室（松尾研）- Matsuo Lab 2025/11/19(水) AM10:00 まで!!! 社会人枠もあります。自分は前年に参加してとても良かったのでおすすめしています。 今年は内容がボリュームアップして基礎編と応用編に分かれていて、基礎編はもうすぐ終わりそう、応用編に続きます。 各社の LLM API を雰囲気で利用していて、理解が足りてないな、もどかしいなと感じて応募したのですが、そういった Web エンジニアの方々は多くいるのではないでしょうか。 自分は参加以前から LLM を利用した新規事業に携わっていて、業務でモデルをチューニングする機会は未だないけど、LLM の仕組みを理解していることが役に立つ機会はよくあります。 前年の講義スライドは公開されている。 LLM 大規模言語モデル講座2024講義ス

「2026年の戦略的テクノロジートレンド」を早くもガートナーが発表。AIネイティブ開発プラットフォーム、コンフィデンシャルコンピューティング、ドメイン特化型言語モデルなど 調査会社のガートナーは、2026年に企業や組織にとって重要なインパクトを持つ戦略的テクノロジのトップトレンドを発表しました。 The Top Strategic Technology Trends for 2026 were released last month Learn how to turn disruption into opportunity, get expert guidance on mission-critical priorities, and uncover the AI-driven innovations shaping the future: https://t.co/zVup2uwe4w

アマゾンウェブサービスジャパンは11月12日、動画「AWS サービスで作る絶品システム」を公式YouTubeチャンネルで公開した。料理動画を模しており、AWSのサービスを活用して「AI議事録自動生成システム」を開発する方法を紹介している。 動画には「クラウドシェフ」とアシスタントを名乗る2人の人物が登場する。2人は、オンラインストレージ「Amazon S3」や、音声をテキストに変換する「Amazon Transcribe」、生成AIサービス「Amazon Bedrock」などを、料理の材料に見立てて解説。AIが議事録を自動生成するシステムを、サーバレスで構築する方法を紹介する。

どうもセキュリティエンジニアの西川です。私は最近ポケモンカードの奥深さと難しさを痛感する日々を過ごしていますが、みなさんいかがお過ごしでしょうか。 カミナシでは社内セキュリティ競技会を実施しました。1年に1度開催しておりまして、気付けば今年で3回目です。初回は私一人で運営していましたが、2回目は二人、3回目は三人と徐々にセキュリティエンジニアリングに人が増え、問題の幅が増えたように感じています。 「こいつ競技会やる度にブログ書いてるな」と思われるかもしれないのですが、新しい発見というか自分なりに改めて社内セキュリティ競技会を実施する目的などを言語化したので、それについても共有できればと思っています。 社内セキュリティ競技会ってどんなもの？ これは CTF（Capture The Flag） のようなものですが、社内で実施する良い点は下記のようなものがあります。 自分たちのサービスや環境のコ

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? PMBOK®の8版が出ました。 https://www.pmi.org/standards/pmbok PMIの規定により内容の転記等はできないのですが、(chatGPT君に聞いたら目次もやめたほうがいいよと言われた) 大まかな変更点と概要のみ記載していきます。 3行で 第7版の「原則」と第6版の「プロセス」が合体した 第6版「5つのプロセス群」が「フォーカスエリア」として復活し、「40のプロセス」として帰ってきた。が内容は7版ベース 各プロセスのInput/Output,ツール,技法(=ITTOs)など実務的な「統合版」になった これ

Observabilityを理解するため、目先としてはDatadogを使いこなすため、統計学の基礎知識を振り返りつつ、Datadogの各機能に触れます。 Datadogの使い方を具体的に知りたい人には役立たないので、その仕様がなぜそうなっているのか、背景や違いを理解したい人向け。モニタリング機能は統計学の実装とも言える、という個人的見解が今回の動機です。 Observabilityとは システム内で「あの時どこで何が起きていたか」を知る能力。和訳では可観測性。 単なる監視だけでなく、分散トレーシング、プロファイリング(性能評価)、デバッグも含まれています。 個人的印象としては、分散トレーシングと一緒の文脈でObservabilityの重要性を言われることが多く、分散システムが流行り始めた頃と同時期に必要とされた非機能要件かと感じてます。 統計学の尺度とデータ Datadogで扱うデータを理

JJUG CCC 2025 Fallのセッション資料です。 2025-11-15T15:30 https://ccc2025fall.java-users.jp https://jjug.doorkeeper.jp/events/190868

YAPC::Fukuoka 2025 で発表した資料です。 https://fortee.jp/yapc-fukuoka-2025/proposal/c705086e-8849-4419-8dce-423f82f41327

Copyright © 2025 Speaker Deck, LLC. All slide content and descriptions are owned by their creators. About Terms Privacy DMCA Accessibility Statement

こんにちは、ログラスの松岡(@little_hand_s)です 3行まとめ AIに質問させるときに選択肢を提示させると、回答が楽で早くなる さらに、推奨度とその理由を出力させると、その根拠を元にAIと議論できるし、納得感を持って進められる 結果、意思決定が速くなり、質も上がる AIと対話しながら開発してますか？ Claude CodeやCursorなどのAI開発ツールを使ってる人、増えてますよね。 AIが暴走しないように、不明な点を質問させてる人も多いと思います。 でも、毎回自然言語で答えるの、面倒じゃないですか？ たとえば： AI: 「バリデーション、フロントエンドとバックエンドどっちでやりますか？」 あなた: 「うーん、両方かな。セキュリティ的にバックエンドは必須で、UX的にフロントエンドも欲しいし...」（と、入力すると長い） もしどちらでバリデーションするかを決めていなかった場合、

これって書くべき？　チームでCLAUDE.mdや.cursor/rulesを育てる はじめに Claude CodeやCursorと一緒に開発しているときに、 「あ、またAIが標準的な実装をしてきた。プロジェクトのルールに合わせて修正しないと...」 「これ、CLAUDE.mdや.cursor/rulesに書いた方がいいのかな？」 「でも、書くべきかどうかわからない...」 という迷いを抱えたことはありませんか？ 迷っているうちに実装に集中してしまい、結局ルールを書かずに、次のメンバーも同じ苦労を繰り返す... そんなとき、「書くべき判断」が明確になれば迷わず追記でき、チーム全体の知識が自然と蓄積されていきます。 本記事では、CLAUDE.md、.cursor/rules（旧.cursorrules）、AGENTS.mdに書くべきかどうかの判断を属人化させず、AIが会話履歴を分析して客観的

はじめに こちらの記事は先日開催されたAI駆動開発についてのイベントの登壇内容をベースに記事にしたものです。 発表後の反応が良く、特に「他社のAI駆動開発の実態を知ることができてよかった」という声をいただいたため、改めて記事化することにしました。 Claude CodeやCodex等を使用して開発している方は増えていると思いますが、実際に行っている開発フローを共有されることはあまり多くないため、私たちが実施しているAI駆動のフローを共有し、みなさんのAI駆動開発に参考になればと思います。 先に全体像共有 最初に全体像をお見せします。 AI駆動開発のフローは大きく4つのステップで構成されています。 要件定義 設計（バックエンド・フロントエンド） 実装（バックエンド・フロントエンド） PR 基本的に仕様駆動開発（Spec Driven Development）を採用しています。 SDDとは簡単

訂正とお詫び（2025/11/09追記） 記事公開後、Playwright MCPコントリビューターのogadra様より、技術的な誤りをご指摘いただきました。深くお詫び申し上げます。 誤った記述 「Playwright MCPはAIがセレクターを自動生成する」 正しい動作 Playwright MCPもChrome DevTools MCPと同様に、スナップショットに含まれる識別子（ref）を使用して要素を特定します。 LLMはセレクターを生成していません mcp__playwright__browser_fill_formなどの関数呼び出し時、引数としてref（Chrome DevTools MCPのuidに相当）が渡されます 両MCPの要素識別方法に本質的な違いはありません 実際の違い 主な違いは以下の2点です： 操作の実行方法 Chrome DevTools MCP: CDP（Chr

Mac Studioを借りたのでいろいろクソデカ言語モデルを試したところ、GLM-4.5-Airがいいなとなってます。 試したモデルこちら。 モデル パラメータ数 アクティブ thinking 画像 時期 URL GPT-oss 120B 120B 5B o x 2025/8 OpenAI hf link Qwen3 235B-A22B-2507-thinking 235B 22B o x 2025/8 Alibaba hf link Qwen3-VL 235B-A22B-thinking 235B 22B o o 2025/9 Alibaba hf link Qwen3-Next-80B 80B 3B o x 2025/9 alibaba hf link Qwen3 Coder 480B 480B 35B x x 2025/7 alibaba hf link Qwen3 Coder 30