Episodes

  • 株式会社ずんだもん技術室AI放送局 podcast 20240816

    株式会社ずんだもん技術室AI放送局 podcast 20240816
    Aug 15 2024
    関連リンク Delight your customers with great conversational experiences via QnABot, a generative AI chatbot Amazon Web Services QnABot on AWSは、Amazon Bedrockのファウンデーションモデル（FM）とKnowledge Bases for Amazon Bedrockを活用した、フルマネージドなエンドツーエンドのRetrieval Augmented Generation（RAG）ワークフローを提供します。これにより、プライベートデータソースからのコンテキスト情報を提供し、豊かなコンテキストを持つ会話型エクスペリエンスを構築できます。 QnABotは、自然言語理解（NLU）を備えたマルチチャネル、マルチ言語のチャットボットを実現し、顧客エクスペリエンスを向上させるためのAWSソリューションです。柔軟な階層型会話インターフェースを提供することで、顧客が求める場所に適切な応答を提供します。 QnABotは、AWS CloudFormationテンプレートを使用して展開でき、コーディングは不要です。AWSのAIと機械学習（ML）サービスを使用し、音声、Web、テキスト（SMS）など、複数のチャネルと統合できます。 QnABotは、Amazon Bedrockを通じて複数のFMにアクセスできるため、顧客の言語ニーズ（スペイン語、英語、フランス語など）、質問の洗練度、ユーザーの意図に基づく応答の精度に合わせて、会話型インターフェースを作成できます。また、Knowledge Bases for Amazon Bedrockとのネイティブ統合により、事前構築されたデータソースコネクタ（Amazon Simple Storage Service - S3、Confluence、Microsoft SharePoint、Salesforce、Webクローラー）を介してデータソースから特定の関連データを取得し、自動的にテキスト埋め込みに変換して、選択したベクトルデータベースに保存できます。これにより、ソースの属性（引用など）とともに会社固有の情報を取得して、透明性を高め、幻覚を最小限に抑えることができます。 QnABotは、Amazon BedrockのFMとRAGを活用することで、顧客に豊かで人間らしい会話型エクスペリエンスを提供します。 QnABot on AWSの詳細については、https://aws.amazon.com/solutions/implementations/qnabot-on-aws/をご覧ください。 引用元: https://aws.amazon.com/blogs/machine-learning/delight-your-customers-with-great-conversational-experiences-via-qnabot-a-generative-ai-chatbot/ Launch HN: Hamming (YC S24) – Automated Testing for Voice Agents Hammingは、LLM音声エージェントの自動テストを行うサービスです。音声エージェントの開発では、様々な状況を想定したテストが重要ですが、従来は手動で行う必要があり、時間がかかっていました。Hammingでは、現実的なユーザーシナリオを自動生成し、音声エージェントをテストすることで、開発効率を向上させることができます。 サービスは、ユーザーシナリオの生成、音声エージェントへの自動通話、会話内容の評価、品質メトリクスの追跡など、4つのステップで構成されます。 Hammingは、TeslaやAndurilでの経験を生かし、音声エージェントのシミュレーション精度を高めることに取り組んでいます。将来的には、シナリオ生成や評価の自動化、リアルなユーザー会話に基づくシナリオの再現なども実現を目指しています。 引用元: https://news.ycombinator.com/item?id=41257369 Gemma explained: An overview of Gemma model family architectures Gemmaは、Googleが開発したGeminiモデルと同じ研究と技術に基づいて構築された、軽量で最先端のオープンモデルファミリーです。Gemmaは、テキスト入力とテキスト出力、コーディング、テキストと画像入力とテキスト出力など、さまざまなユースケースやモダリティに対応するように設計されています。また、ハードウェアの種類、推論のニーズ、その他の制約に合わせて、さまざまなサイズで提供されています。 Gemmaのアーキテクチャは、Transformerのデコーダーに基づいており、エンコーダーとデコーダーの両方が含まれる元のTransformerモデルとは異なり、デコーダーのみのモデルです。Gemma 7Bモデルは、28層のGemmaDecoderLayerブロック、16個のヘッドを持つマルチヘッドアテンション、3072次元の埋め込み、256,000の語彙サイズなどの重要なパラメーターを持っています。 Gemma 2Bモデルは、Multi Query Attention (MQA)を使用しており、これはMulti Head Attention (MHA)よりも効率的です。CodeGemmaは、コード補完とコーディングチャットアシスタンス...
    Show more Show less
    Less than 1 minute
  • 株式会社ずんだもん技術室AI放送局 podcast 20240815

    株式会社ずんだもん技術室AI放送局 podcast 20240815
    Aug 14 2024
    関連リンク AI・機械学習チームで学んだ開発技法で趣味の通知系ツールを量産した この記事では、エムスリー株式会社のAI・機械学習チームのエンジニアである高田氏が、チームで培った開発ノウハウを活かして趣味で作った通知系ツールの開発事例を紹介しています。チームでは、開発スピードを重視し、Googleスプレッドシートを簡易な管理画面として活用し、BigQueryやGoogle Sheets APIと連携してデータ分析を行うアーキテクチャを採用しています。また、Python製のタスクパイプラインツール「gokart」やデータバリデーションライブラリ「pandera」を用いることで、データの品質を担保しながら開発を進めています。 記事では、具体的にYouTubeライブ開始通知、ポイ活案件検知、ANAトクたびマイル通知の3つの趣味プロダクトを紹介しています。これらのプロダクトは、スプレッドシートで管理画面を作成し、panderaでデータバリデーションを行うことで、短時間で開発することができました。 これらの事例から、スプレッドシートとpanderaを組み合わせることで、開発スピードを落とすことなく、データの品質を担保することができると分かります。この記事は、新人エンジニアにとって、開発の効率化やデータ品質の重要性を理解する上で参考になる内容です。 引用元: https://www.m3tech.blog/entry/2024/08/14/170000 ゼロからRAGを作るならこんなふうに この記事は、RAG（Retrieval-Augmented Generation）をゼロから作りたいエンジニア向けのガイドです。DifyやLangChainのようなフルマネジメントサービスではなく、自分で開発をハンドリングしたいエンジニアのために、ベクトルDBや埋め込みモデルの選定の勘所を解説しています。 RAGは、LLM（大規模言語モデル）に企業が保有するデータを組み合わせて活用する手法として注目されています。ファインチューニングと比べて、既存のデータを活用でき、データの取り出し方を調整することで柔軟に知識を導入・除外できる点がメリットです。 この記事では、DifyやLangChainを使わずにシンプルなRAGを構成する際に考慮すべき点を、以下の4つの観点から解説しています。 開発フリーでPoCに使いたいならフルマネジメントサービス Vertex AI SearchやNotebookLMは、社内資料やWebサイトからRAGを簡単に作成できます。Vertex AI Searchは多様なデータソースに対応し、NotebookLMは小さなデータセットに最適です。 社内向けのデータを使うなら、まずはベクトルDBを選定しよう ベクトルDBは、RAGのコスト面とできる範囲を制限するクリティカルポイントになります。多くのベクトルDBが存在するため、価格、ホスティングの容易さ、検索インターフェースなどを考慮して適切なものを選択する必要があります。 外向きのデータを使いたいならクローラーなど他のツールとの統合を考慮する Webデータを使う場合は、クローラーやAPI経由のアクセスなどを検討する必要があります。FirecrawlはLLMベースでWebページを構造化された状態で取得できますが、構造化に問題がある場合もあるため、実際に確認することが重要です。 日本語埋め込み（Embedding）モデルを選ぶ OpenAIのtext-embedding-ada-002やtext-embedding-3-largeなどがよく使われます。ローカルの埋め込みモデルも精度が高く、コストと実行速度の面から比較検討する価値があります。pkshatech/GLuCoSE-base-jaやintfloat/multilingual-e5-largeは、精度が高く、部分的な実用に耐えうるモデルです。 この記事は、RAGを初めて構築するエンジニアにとって、技術選定の勘所を理解するのに役立つ内容となっています。 引用元: https://zenn.dev/minedia/articles/8f4ef7f2daed11 LangChain Integration Docs: Find information faster with revamped pages & API references LangChainは、LLM、ベクトルストア、ツール、ドキュメントローダーなど、1,000を超える統合を提供する、広範な統合のエコシステムを提供しています。今回、PythonとJavaScriptの両方で、統合ドキュメントが全面的に見直され、コミュニティにとってより便利でアクセスしやすくなりました。主な変更点としては、すべての統合ページの標準化されたフォーマット、特定の機能をサポートする統合を強調表示する「機能」テーブルを含む各コンポーネント...
    Show more Show less
    Less than 1 minute
  • 株式会社ずんだもん技術室AI放送局 podcast 20240814

    株式会社ずんだもん技術室AI放送局 podcast 20240814
    Aug 13 2024
    関連リンク
    • 研究者たちが描く「ゲーム×AIの未来像」〜書籍刊行記念・スクウェア・エニックスAI部座談会 セクションリーダー編（1）

    スクウェア・エニックスAI部のセクションリーダーの方々が、ゲームとAIの未来について語り合う座談会の内容をまとめた記事です。書籍刊行を記念して行われたこの座談会では、AI技術がゲーム開発にどのように活用できるのか、そしてゲームとAIの未来がどうなっていくのかについて熱い議論が交わされました。記事では、AI技術を用いたゲーム開発における課題や、今後の展望について具体的な事例を交えながら解説されています。新人エンジニアの方にとっても、ゲーム開発におけるAI技術の活用について理解を深めるのに役立つ内容となっています。

    引用元: https://cgworld.jp/article/202407-sqex-ai03.html

    • プリファードが開発 ｢超省エネ｣AI半導体の威力

    東洋経済オンラインの記事によると、トヨタ自動車やファナックなどが出資する日本のユニコーン企業、プリファード・ネットワークス（PFN）が開発した「超省エネ」AI半導体「MN-Core」が注目されています。PFNは2014年の創業以来、AI開発を手がけており、2020年に独自設計のAI半導体「MN-Core」を開発しました。「MN-Core」は、ハードウェアの演算器面積を最大化し、メモリーなどの配置もチューニングすることで、従来の半導体と比べて省エネ性能に優れているとのことです。現在、社内研究だけでなく、外部ユーザーへの提供も開始しています。AI半導体市場は、エヌビディアなどの米企業が先行していますが、PFNの「MN-Core」は、日本勢の巻き返しを期待させる技術として注目されています。

    引用元: https://toyokeizai.net/articles/-/789475

    • 進化計算時代への序曲｜shi3z

    この記事は、進化計算という新しい技術が、AI業界に大きな変化をもたらす可能性について論じています。

    従来のAIでは、ニューラルネットワークを用いて大量のデータから学習を行うことが主流でした。しかし、近年では進化計算を用いた手法が注目されています。進化計算は、生物の進化を模倣したアルゴリズムであり、ニューラルネットワークよりもシンプルで効果的な場合があることが明らかになってきました。

    進化計算は、ニューラルネットワークと同様に、パラメータを調整することで最適なモデルを探索する手法です。しかし、ニューラルネットワークが単一のモデルを少しずつ改善していくのに対し、進化計算は複数のモデルを同時に進化させていくことができます。そのため、ニューラルネットワークよりも高速に最適なモデルを発見できる可能性があります。

    進化計算は、まだ発展途上の技術ですが、今後、AI業界に大きな影響を与える可能性があります。特に、大規模言語モデルなどの複雑なモデルを効率的に学習させるための新たな手法として期待されています。

    この記事では、進化計算がどのようにAI業界を変えていくのか、その可能性について詳しく解説しています。新人エンジニアの方には、進化計算という新たな技術について知っておくことは非常に有益です。

    引用元: https://note.com/shi3zblog/n/n2a3ff5a84650

    • お便り投稿フォーム

    （株式会社ずんだもんは架空の登場組織です）
    Show more Show less
    Less than 1 minute
  • 株式会社ずんだもん技術室AI放送局 podcast 20240813

    株式会社ずんだもん技術室AI放送局 podcast 20240813
    Aug 12 2024
    関連リンク プランナー新人研修の紹介｜TECH BLOG｜モノリスソフト この記事は、モノリスソフトのプランナー上地氏が作成した新人研修カリキュラムを紹介しています。研修は、基礎トレーニング、プロジェクトラーニング、OJTの三段階に分かれており、この記事では特に基礎トレーニングに焦点を当てています。 基礎トレーニングでは、ゲームデザインの基本、企画書作成、仕様書作成、レベルデザイン、クエスト設計とゲームテキストの5つの研修を実施します。この記事では、その中の「ゲームデザインの基本」研修資料の一部が紹介されています。 ゲームデザインの基本研修では、プレイヤーの入力とゲームの出力の関係である「インタラクション」と、ゲーム内の要素が循環する仕組みである「ゲームサイクル」について解説しています。 インタラクションは、プレイヤーがゲームに何かしらの入力を行い、ゲームがそれに応じて変化することで成立します。ゲームサイクルは、プレイヤーの行動が次の行動を促し、それがさらに次の行動を生み出すという循環構造です。 研修資料では、インタラクションとゲームサイクルの概念を理解するために、既存のゲームを分析する課題が与えられます。 この記事では、新人研修カリキュラムを作成する際に、プランナーのスキルマップを参考に、研修内容を決定した過程も紹介されています。 この記事は、ゲームプランナーの新人研修の設計や、ゲームデザインの基本的な考え方について学ぶことができるので、若手プランナーやプランナー志望の方、そしてプランナーの教育に関わる方にとって参考になる内容となっています。 引用元: https://www.monolithsoft.co.jp/techblog/articles/000547.html GopherがRust入門したので違いをまとめてみた この記事は、Go言語経験者である著者がRust言語を2年ほど使用した経験に基づき、Go言語とRust言語の違いを整理したものです。ウェブ開発の経験をベースに、言語仕様、構文、テスト、非同期処理、モジュールシステム、エコシステム、ビルドシステム、領域といった多岐にわたる側面から比較検討されています。 Go言語はシンプルで、仕様も構文も分かりやすく、大規模なシステム開発にも適している言語です。一方、Rust言語はメモリ安全を重視し、所有権やライフタイムといった概念が導入されているため、複雑な言語仕様となっています。しかし、その複雑さゆえに、より安全なコードを書くことができ、開発ツールやフロントエンドツールなど様々な分野で活用されています。 この記事では、Go言語とRust言語のそれぞれのメリットとデメリットを詳細に解説しており、新人エンジニアが両言語を比較検討する際に役立つ内容となっています。 引用元: https://zenn.dev/skanehira/articles/2024-08-12-go-rust-pros-cons TypeScriptで「選択肢」の定義をEnum的な定数にまとめる――satisfiesとSSoTもあるよ この記事では、一覧ページのソート順選択プルダウンの選択肢を、TypeScriptで効率よく管理する方法を紹介します。 選択肢の定義 選択肢を「連想配列」として定義することで、id、sort、order、labelなどの情報を一元管理し、可読性を高めます。as const satisfies を使うことで、選択肢の型情報を定義と紐付け、コンパイル時に型エラーを検知できます。 逆引きロジック id や sort と order の組み合わせから、選択肢を取得する関数を用意することで、クエリパラメータとの変換処理を簡潔に記述できます。 クエリパラメータとの相互変換 URLSearchParams や ParsedUrlQuery を使って、クエリパラメータから選択肢を取得したり、選択肢をクエリパラメータに反映したりする関数を作成します。 ディレクトリ構造 __models/ ディレクトリに選択肢の定義と逆引きロジック、_query-params/ ディレクトリにクエリパラメータとの相互変換処理を配置することで、コードの整理と保守性を向上できます。 利点 選択肢の定義を1箇所にまとめることで、コードの重複を減らし、変更時の影響範囲を最小限に抑えることができます。型情報を利用することで、コンパイル時にエラーを発見しやすくなり、開発効率が向上します。関数を用いることで、コードを...
    Show more Show less
    Less than 1 minute
  • 株式会社ずんだもん技術室AI放送局 podcast 20240809

    株式会社ずんだもん技術室AI放送局 podcast 20240809
    Aug 8 2024
    関連リンク
    • 一番星はての秀逸コメント集5選

    この記事は、はてな匿名ダイアリーにおける「一番星」と呼ばれるAIによる秀逸なコメントを5つ紹介しています。 「一番星」は、ユーザーの投稿に対して、皮肉やユーモアを交えつつ、時に鋭い指摘をすることで知られています。 記事では、「一番星」による5つのコメントとその内容、そしてユーザーからの反応が紹介されています。 これらのコメントは、AIが人間の言葉を理解し、それに応じた適切な反応を生成できることを示す好例と言えるでしょう。 特に、ユーザーからの反応では、「一番星」のコメントに対する驚きや感心、そして議論を巻き起こす力などが示されており、AIがコミュニケーションツールとして新たな可能性を秘めていることが伺えます。

    引用元: https://anond.hatelabo.jp/20240711122352

    • How Twilio generated SQL using Looker Modeling Language data with Amazon Bedrock Amazon Web Services

    Twilioは、データ分析担当者がデータレイクから必要なデータを見つけるのを支援するAIアシスタント「AskData」を開発しました。AskDataは、Amazon Bedrockを用いて自然言語で質問された内容をSQLクエリに変換します。

    Twilioは、データレイクのメタデータ（スキーマ情報）をLookerのLookMLモデルから取得し、Amazon BedrockでRAG（Retrieval Augmented Generation）フレームワークを用いました。LookMLモデルのデータは、ベクトルデータベースに格納され、ユーザーの質問と照合されます。

    Amazon Bedrockは、AIモデルを簡単に利用できるサービスで、TwilioはAnthropic Claude 3を利用しました。Claude 3は、大量のテキストを処理できるため、LookMLモデルのデータ分析に適しています。

    AskDataは、LangChainとStreamlitを用いて構築されたWebアプリケーションで、ユーザーはチャット形式で質問することができます。AskDataは、ユーザーの質問と過去の会話履歴を考慮して、最適なSQLクエリを生成します。

    AskDataは、データ分析担当者の作業効率を大幅に向上させ、SQLクエリの作成に費やす時間を削減できます。また、データ分析担当者は、ビジネス上の課題解決に集中することができます。

    引用元: https://aws.amazon.com/blogs/machine-learning/how-twilio-generated-sql-using-looker-modeling-language-data-with-amazon-bedrock/

    • Claude 3.5 Sonnetとは何かをわかりやすく解説、なぜGPT-4oを超えた「最強」なのか

    この記事は、アンソロピックが開発した最新の大規模言語モデル（LLM）「Claude 3.5 Sonnet」について解説しています。Claude 3.5 Sonnetは、前バージョンであるClaude 3 Opusと比較して、大幅な性能向上を実現し、処理速度が2～3倍、APIコストが5分の1に改善されました。

    Claude 3.5 Sonnetは、複数のベンチマークテストにおいて、GPT-4oを含む他の主要なLLMを上回る性能を示しています。特に、コーディング能力と視覚的な処理能力が大幅に向上しており、大学院レベルの推論能力を測るGPQAでは59.4%を獲得、学部レベルの知識を測るMMLUでは88.7%、コーディング能力を測るHumanEvalでは92.0%のスコアを達成しました。

    さらに、データ汚染問題を排除した新たなベンチマークテスト「LiveBench」においても、Claude 3.5 Sonnetは総合平均スコアで61.16を記録し、2位のGPT-4o（54.96）を大きく引き離しています。

    Claude 3.5 Sonnetは、その高い性能と進化した機能により、さまざまな分野での活用が期待されています。

    引用元: https://www.sbbit.jp/article/cont1/145948

    • お便り投稿フォーム

    （株式会社ずんだもんは架空の登場組織です）
    Show more Show less
    Less than 1 minute
  • 株式会社ずんだもん技術室AI放送局 podcast 20240808

    株式会社ずんだもん技術室AI放送局 podcast 20240808
    Aug 7 2024
    関連リンク Zennへのスパム投稿が急増したのでLLMでなんとかした話 Zennでは2024年6月頃からスパム投稿が急増し、ユーザーからの違反報告も増加しました。この状況に対処するため、LLMを活用したスパム投稿自動検出の仕組みを構築しました。 LLMには、GoogleのGeminiではなく、AnthropicのClaudeを採用しました。これは、社内の他の生成AI案件でClaudeを採用しており、運用やプロンプトに関するノウハウを共有できる可能性があるためです。 ZennのバックエンドはRuby on Railsで稼働しているため、新たに別のプログラミング言語のサーバーを立てることはせず、RailsからVertex AIを利用する構成を採用しました。 Claude APIを叩くには、RubyからHTTP(S)リクエストを送信する必要があります。アクセストークンは、ローカル環境でADC（アプリケーションデフォルトクレデンシャル）を利用する方法を採用しました。 実際にZenn上の公開コンテンツを使って、スパム判定の精度検証を行いました。その結果、1日あたり数十〜80件ほどのペースでスパムコンテンツを検出できるようになりました。 今後、スパム投稿手法の進化に対応するため、プロンプトの最適化やモデル選定の見直しなど、仕組みの継続的な改善に取り組んでいきます。また、コンテンツの品質向上やユーザー体験の改善など、Zennの他の側面にもLLMを応用していく可能性を探っていきます。 引用元: https://zenn.dev/team_zenn/articles/zenn-check-spam-by-llm この2年でFirebase Authentication はどう変わった？セキュリティ観点の仕様差分まとめ この記事は、Firebase Authenticationのセキュリティに関する仕様変更をまとめたものです。2022年4月に公開された記事の更新版で、過去2年で改善された点について解説しています。 主な変更点は以下の4点です。 自己サインアップの禁止: 以前はIdentity Platformへのアップグレードが必要でしたが、現在は無料枠でも設定画面から簡単に禁止できるようになりました。ユーザー削除の制御: 以前はアプリケーション側でユーザー削除に対応する必要がありましたが、現在は設定で制御できるようになり、意図しない削除を防ぐことができます。メールアドレスの存在確認: メールアドレスの存在確認を制限する機能が追加され、攻撃者がメールアドレスリストを収集することを防ぐことができます。パスワードポリシー: パスワードポリシー機能が無料で利用可能になり、以前はフロントエンドでのバリデーションが必要だったものが、より安全な設定が可能になりました。 これらの変更により、Firebase Authenticationは以前よりも安全に利用できるようになりました。しかし、Firebase側で対応できないリスクや、アプリケーション側で対策が必要な点も依然として存在するため、サービスの設計に応じて適切な対策を検討する必要があります。 引用元: https://blog.flatt.tech/entry/firebase_auth_update_2024 Intel Core 13th/14th Gen Boxed Desktop Processor Warranty Update Intelは、第13世代および第14世代のデスクトッププロセッサで不安定性症状を経験しているすべてのお客様をサポートするために、2年間の延長保証を導入することを発表しました。 この延長保証は、Intel Core第13世代および第14世代のデスクトッププロセッサの箱入り製品に適用されます。 OEM/システムインテグレータからシステムを購入したユーザーは、システムメーカーのサポートチームにご連絡ください。箱入りCPUを購入したユーザーは、Intelカスタマーサポートにご連絡ください。 Intelは、この問題の解決に時間を要したことをお詫び申し上げます。今後、この問題の詳細を共有する予定です。 引用元: https://community.intel.com/t5/Processors/Intel-Core-13th-14th-Gen-Boxed-Desktop-Processor-Warranty-Update/m-p/1620096?profile.language=ja 「大富豪の考えた最強の同人誌かと思った」装丁がすごすぎる本たちの世界 このTogetterまとめは、有隣堂のYouTubeチャンネル「有隣堂しか知らない世界」で紹介された、装丁が素晴らしい本を紹介しています。 特に注目されているのは、本の形をした宝物の様な「胞子文学名作選」や、お菓子の箱を作る業者に依頼したというこだわりの装丁の「ひょうひょう」です。 他にも、保育園で作られた...
    Show more Show less
    Less than 1 minute
  • 株式会社ずんだもん技術室AI放送局 podcast 20240807

    株式会社ずんだもん技術室AI放送局 podcast 20240807
    Aug 6 2024
    関連リンク 「死んでください」投稿のフワちゃん、Googleが全CMを非公開に。降板はPixelにとって大打撃に - すまほん!! タレントのフワちゃんが、SNSで別の芸人に対して「死んでください」と投稿したことが発覚し、Googleがフワちゃんが出演するGoogle PixelのCMを全て非公開にしました。これは、PixelのCMでフワちゃんが重要な役割を担っていたため、Googleにとって大きな痛手となっています。特に、Pixel 9シリーズの発表が1週間後に迫っているため、Googleはプロモーション戦略の練り直しを迫られる可能性があります。 引用元: https://smhn.info/202408-fuwa-pixel-cm 見積せえへんねやったらどうやって予算取りするねんという話｜牛尾　剛 この記事は、ソフトウェア開発において、従来のように詳細な工数見積もりを行わずに、どのように予算を獲得するかについて、著者の経験と考察に基づいた内容です。 著者は、現在の北米の開発チームでは、詳細な工数見積もりや納期コミットは行わず、スコープは柔軟に変更され、納期はあくまでも目安として捉えられていると説明しています。これは、詳細な見積もりが不確実性が高く、かえって開発の質を落とす可能性があるためです。 予算獲得については、開発チームの人員規模と必要経費から計算されることが多いですが、追加人員が必要な場合は、経営層が納得できるエビデンスを示す必要があります。著者は、経営層は詳細な機能よりも、投資価値を判断できる情報を求めていると指摘し、デモ駆動開発などの方法で、成果を早期に示すことで予算獲得に繋げられると提案しています。 2002年に著者が経験した、アジャイル開発における予算獲得方法も紹介されています。当時の方法では、顧客にとって最も重要な機能のみを詳細に見積もり、残りの機能は変化を許容することで、予算をコミットしていました。 この記事は、ソフトウェア開発における予算獲得の考え方について、従来の方法にとらわれず、新しい視点で考えるためのヒントを与えてくれます。特に、日本のエンジニアにとっては、北米における開発プロセスや予算獲得の考え方を知る上で参考になる内容です。 引用元: https://note.com/simplearchitect/n/n1415073eb07a 量産型UIから脱却したくて。個人開発の賃貸検索「Comfy」が提言する“探しやすさ”の形【フォーカス】 レバテックラボ（レバテックLAB） 「Comfy」は、賃貸物件の検索条件を入力すると、地図上の地域がリアルタイムに色を変え、物件数も表示されるWebサービスです。開発者は、既存の賃貸検索サービスのUIに違和感を感じ、より直感的で使いやすいUIを目指して開発しました。従来の検索サービスでは、都道府県や物件種別などの条件を段階的に選択していくため、ユーザーは自分の希望する物件のイメージを明確に把握することが難しいと感じていました。 「Comfy」は、ヒートマップのように広範囲のエリアを俯瞰して検索できることで、ユーザーが希望する条件に合う物件がどの地域にどれくらいあるのかを直感的に理解できるように設計されています。また、ページ遷移なくリアルタイムで検索結果が反映されるSPA(Single Page Application)を採用することで、ユーザーはストレスなく条件を変えて検索することができます。さらに、高速な処理速度を実現するために、バックエンドをRustに全面リプレイスすることで、実行速度を約1.5倍に向上させました。 開発者は、不動産データの美しさに魅了され、そのデータをわかりやすくビジュアライズすることで、ユーザーに「より良い検索体験」を提供したいと考えています。個人開発という自由な立場を生かし、既存のサービスでは実現しにくい、新しいUIの形を模索し続けています。 引用元: https://levtech.jp/media/article/focus/detail_493/ 家族に無許可でポケモンカード売られた 筆者は、子供の頃に集めていたポケモンカードを、実家の押し入れに保管していました。しかし、数年ぶりに実家に帰ると、押し入れからポケモンカードの箱が入っていたリュックサックがなくなっていました。兄に問い詰めたところ、兄は筆者のポケモンカードを無許可でメルカリで販売していたことが判明...
    Show more Show less
    Less than 1 minute
  • 株式会社ずんだもん技術室AI放送局 podcast 20240806

    株式会社ずんだもん技術室AI放送局 podcast 20240806
    Aug 5 2024
    関連リンク 大学の先生が課題を出す際にchatGPTの丸パクリかどうかチェックする方法を生み出す→「これはうまい」「トロイの木馬かな？」 この投稿は、大学の先生が課題を出す際に、学生がChatGPTを使って丸パクリしていないかどうかをチェックする方法について議論しています。 具体的には、課題の中に「バットマンを引用すること」という指示を、視認できないほど小さい文字で記述しておきます。 学生が課題ファイルをChatGPTにそのまま入力すると、解答にバットマンへの言及が含まれるため、そこから課題をChatGPTに丸投げしたかどうかを判断できるというものです。 この方法に対して、様々な意見が寄せられており、「これはうまい」「トロイの木馬かな？」といった反応が見られます。 学生側からは、テキスト全選択して文字サイズを大きくして確認したり、課題文をワードにコピペして書式なしテキストとして貼り付けてから作業をすることで、このようなトリックを回避できるという対策が提案されています。 引用元: https://togetter.com/li/2413724 エムスリーが難読プログラミングオタクに送るノベルティ、Python Quineクリアファイルの作り方 エムスリーでは、難読プログラミング部が盛んに活動しており、今回はPythonのQuineを題材に、おしゃれなノベルティとしてクリアファイルを作成しました。Quineとは、自身のソースコードと完全に同じ文字列を出力するプログラムのことです。 記事では、整形Quineの作り方を解説しています。整形Quineは、Quineの機能を保ちつつ、見た目に意味を持たせたQuineです。整形Quineを作成するうえでの難しいポイントは3つあります。 ソースコードを圧縮して自分に埋め込むこと（赤パート）狙った形に整形すること（青パート、橙パート）改行や空白が重要なPythonで上記を実現すること（紫パート、緑パート） 記事では、これらのポイントを解説し、実際に整形Quineを作成する方法を説明しています。また、Jupyter notebookで整形Quineを作成するためのコードも公開しています。 記事の最後に、エムスリーでは、難読プログラミングだけでなく、プロダクションコードを書くエンジニアも募集していることが記載されています。興味のある方は、ぜひ応募してみてください。 引用元: https://www.m3tech.blog/entry/python_quine フロントエンド開発に役立つ Datadog 活用法 この記事では、フロントエンド開発における Datadog の活用方法について、具体的な事例を交えながら解説しています。著者は、株式会社LegalOn Technologiesのフロントエンドエンジニアとして、同社のプロダクト「LegalOn Cloud」で Datadog を活用しています。 記事では、Datadog を用いた4つの活用方法を紹介しています。 ユーザーアクションの可視化: Datadog の Real User Monitoring（RUM）を用いて、ユーザーの行動ログを収集・分析することで、ユーザーがどの機能をどれくらい使っているのかを可視化します。これにより、開発の優先度決定や改善案検討の際に役立ちます。 ユーザーの機密情報マスク: ユーザーの機密情報を含むログを Datadog に送信する前に、マスク処理を実装することで、機密情報の収集を防ぎます。これにより、Datadog の閲覧権限をより多くの従業員に渡すことが可能になります。 ユーザーアクションの画像・動画確認: Session Replay と Heatmap を導入することで、ユーザーの行動を動画や画像で確認することが可能になります。これにより、数値ログだけでは分からなかった情報を得ることができ、ユーザーアクションの分析をより深めることができます。 ブラウザエラーのリアルタイム通知: Datadog と Slack を連携させることで、ブラウザで発生したエラーをリアルタイムで Slack に通知します。これにより、エラー発生に迅速に対応することが可能になります。 記事では、各活用方法について、具体的な設定方法や注意点、そして実際に得られた効果について詳しく解説しています。フロントエンド開発に Datadog を導入しようと考えているエンジニアにとって、参考になる情報が満載です。 引用元: https://tech.legalforce.co.jp/entry/2024/08/05/154617 テスラは縦に積まれた人間を認識できない「極めて...
    Show more Show less
    Less than 1 minute