2025年7月のすべての記事

よく読まれている記事

記事一覧

Go 1.25 リリース連載 log/slog

log/slog パッケージのアップデートについて紹介します。Go の log/slog パッケージは、Go 1.21 で導入された構造化ロギングをサポートする標準ライブラリです。

Go 1.25リリース連載始まります & trace.FlightRecorder

Go 1.25のリリースが近づいてきました。今回は比較的シンプルなアップデートかなと思います。

伸びる人の条件についてSlackで話した

「伸びる人の条件ってなんだろう？」と考えだしたら止まらなかったので、会社Slackのスーパー雑談チャンネルで投げかけてみたところ、有益かつ面白いやり取りができたので議論をまとめました。

GoogleカレンダーをGeminiアプリの外部記憶装置として活用する

普段の業務で使っているGeminiアプリで感じた「AIって、これまでの文脈を忘れちゃうな…」という壁と、それをGoogleカレンダーで解決できそう、というお話をご紹介したいと思います。

GitHub Actionsで利用できるGeminiを利用したPRレビュースクリプトを作ってみた。

GitHub Actionsを利用して、CI/CDパイプライン上で実行可能なPRのAIレビュー用スクリプトを紹介します。

PDFをBigqueryにぶっこんで効率よく構造化する

Google Agent Development KitやLangChainエコシステムを触る機会が増える中で、多くの企業や研究機関、政府機関が、契約書、報告書、マニュアル、論文、請求書などの重要な情報をPDF形式で保存・配布していることに改めて注目しています。これらの膨大な情報源から、LLM（大規模言語モデル）が直接情報にアクセスし、理解できるようになることは、実用的なAIソリューションを構築する上で不可欠だと考えています。

わかりやすいADKのAPIリクエストツール作成

Google ADK (Agent Development Kit) を活用したマルチエージェントの構築、特に APIツールの利用に焦点を当てます。

生成AIとはじめる、バックオフィス業務改革～Geminiの有効な使い方～

バックオフィスの方へのヒアリングを通じて、生成AIの活用（本記事においてはGeminiの活用を想定）を通じて効率化・省力化を狙いたい業務シーンやニーズがいくつか浮かび上がってきました。

Software Design 2025年8月号「2038年問題を考える」を寄稿しました

Software Design 2025年8月号　特別企画「2038年問題を考える」に寄稿する機会をいただきました。

生成AI時代の知識の獲得・体系化・伝達術

私が普段業務で活用している生成AIに関する知見を共有します。生成AIを、私が実際に業務で活用している知識の「獲得」「体系化」「伝達」という3つのフェーズに沿った具体的な事例でご紹介します。

日本語×ソフトウェア開発に強いLLMの開発に取り組んだ挑戦者の備忘録 (後編)

GENIAC第2期事業にて採択された「日本語とソフトウェア開発に特化した基盤モデルの構築」プロジェクトに関する取り組み紹介、全2編の後編となります。モデルの技術的特徴に関するより込み入った内容や、取り組みの中では明らかに出来なかった今後の検討課題・オープンクエスチョンを共有します。

日本語×ソフトウェア開発に強いLLMの開発に取り組んだ挑戦者の備忘録 (前編)

GENIAC第2期事業にて採択された「日本語とソフトウェア開発に特化した基盤モデルの構築」プロジェクトについて、開発の過程で得られた知見や学び、今後の課題を共有したいと思います。

Apple Vision Pro における LLM 利用について

Apple Vision ProでLLMを利用する方法について整理していきます

会議での活用方法から考える、人間と生成AIの最適な共存関係

会議での生成AI活用方法を例として、生成AIとの上手な付き合い方について、備忘も兼ねて考えをまとめます

プロンプトエンジニアリングから逆算して考える、エンジニアのスキルアップ

プロンプトエンジニアリングの各種手法と、エンジニアのスキル・成長段階の理論を調べた上で、それぞれを紐付け、日々の業務で実践できることはなにかを考えていきます。

AI Tips連載はじめます

生成AI周りの進化の速さにワクワクが止まらない方も多いのでしょうか。多くのサービスが日々進化しており、私達の業務でもこれらを上手く活用して生産性を向上させることが求められる時代になりました。

Kubernates✖️MLflow✖️GCPで簡単にAIモデル公開

機械学習モデルを本番環境で運用する際、スケーラビリティや管理のしやすさは重要です。MLflowのFastAPIによるデプロイは手軽ですが、大規模運用には不向きな場合があります。本記事では、MLflowで管理されたモデルを、Kubernetes上で動作する高機能なMLモデルサービング基盤KServeにデプロイする方法を解説します。