Articles › AI

RAGパイプラインやセマンティック検索が必要なアプリケーションを構築する際、最初に決める必要があるのは「Embeddingをどこに保存するか」です。PineconeやQdrant、Weaviateといった専用ベクトルデータベースも選択肢の一つですが、すでにPostgreSQLを運用しているチームにとって、pgvectorはより速く、安価で、運用が簡単な方法です。

社内用途でAI導入を検討する多くの企業が、最終的に同じ問いにたどり着きます。ChatGPTを使うべきか、それとも自社でデプロイすべきか。

ChatGPTを社内業務に試したことのある企業は、例外なく同じ壁にぶつかります。モデルは自社製品、社内規程、契約書、業務手順書を知らないのです。そして知らないにもかかわらず、自信を持って誤った回答を返します。

どの企業の情報システム部門にも、「プロジェクトの墓場」が存在します。 そこには、2024年に経営会議を沸かせたデモ、選び抜かれた3つの質問でChatGPTを上回ったRAGプロトタイプ、サンドボックス環境で無敵に見えたAIコパイロットが眠っています。そして、誰かが本当に難しい質問を投げかけます — 4,000人の従業員の前に出せるのか? ERPと連携できるのか? 顧客データに対して、監査と個人情報保護法の要件を満たした上で運用できるのか? — その瞬間、プロジェクトは静かに「フェーズ2」へと送られます。

ERPNext を国内の製造業 (精密部品、熱処理、食品加工、リサイクル、受託製造など) で運用している、または海外子会社の ERP として導入している場合、選定理由は妥当だったはずです。Manufacturing モジュールは BOM、製造指図、外注、ロット管理を実用的なレベルで処理します。Frappe フレームワークは本当に拡張性があります。Enterprise ライセンスのアップチャージがないため、SME 規模で運用してもコスト構造が成立します。

東京や大阪の経理部が月 200 件のベンダー請求書を Odoo に手入力していて、1 件あたり 4 分かかっているとしましょう。それだけで月 13 時間の純粋なデータ入力時間です。月次決算で発覚する仕訳ミスの修正、源泉徴収の計算、海外仕入先からの英語・中国語請求書の処理、輸入通関書類との突合まで含めると、本来自動化されているべき業務に正社員 1 人分のリソースを使っていることになります。

「ERP連携はすでに解決済みの課題だ」——SIベンダーはそう言います。しかし、製造業の現場——特に自動車・電機メーカーの二次・三次サプライヤー——では現実はまったく異なります。脆弱なポイント・ツー・ポイント連携、属人的なカスタマイズコード、そしてベンダーがスキーマを更新するたびに停止するレガシーミドルウェア。データは存在します。システムも存在します。その間の断絶こそが、業務効率を失わせている原因です。

この 18 か月間、セキュリティ製品を持つベンダーは皆、マーケティングページに「AI」というラベルを貼り付けてきました。その大半は再ブランド化された ML 分類 — もともと存在していた異常検知に 2024 年の衣装を着せたもの — に過ぎません。本当に興味深い、そしてほとんどのチームが失敗するのは、tool-using LLM agent をアラートパイプラインに実際に組み込み、Tier-1 アナリストのようにトリアージさせようとした時です。

RAM、VRAM、GPUは実際にどれだけ必要なのか — 過剰投資せず、想定外のトラブルにも遭わずにローカルLLMを動かすための、エンジニア向けの実用ガイドです。

top_p・top_k・repeat_penaltyのチューニングは完了しました。出力のループは止まり、意味不明なコードも減りました。それでもモデルがトピックから外れたり、以前のコードを忘れたり、意図した場所で止まらないことがある——。

RAGのデモはたいていうまく動く。しかし、本番環境に展開されたRAGシステムの多くは失敗する——静かに、高コストで、デバッグの難しい形で。

電気代は、多くの企業で「削減不可能な固定費」として扱われています——しかし、テクノロジーによって最も確実にROIを測定できるコスト項目でもあります。 日本の製造業・商業施設・データセンターにとって、エネルギーコストは営業利益を直撃する重大な経営課題です。再生可能エネルギー賦課金の上昇、燃料費調整額の変動、そしてカーボンニュートラル対応の義務化が重なる中、多くの企業が「電気代は仕方ない」という前提を見直し始めています。

AI コーディングアシスタントが裏側で使うツールとは？ Claude Code・Codex CLI・Aider がファイルを読み、コードベースを検索し、テストを実行してコミットする仕組み AI コーディングアシスタントは、まるで魔法のように感じられます。「ダッシュボードにログインフォームを追加して」と入力すると、ツールが適切なファイルを見つけ、コンポーネントを書き、コンパイルが通るか確認し、テストを実行して、git diff を表示してくれます。

はじめに 多くの企業は現在、誰も完全には理解していないソフトウェアシステムに依存しています。 元の開発者がすでに退職していたり、ドキュメントが存在しなかったり、何年もの間にパッチや改修が繰り返されてシステム構造が非常に複雑になっていることがよくあります。 それでも、そのようなシステムは企業にとって非常に重要です。例えば： 会計システム 物流システム 製造システム ERP システム 顧客管理システム

「AIはコードを生成できる。しかし、信頼・文脈・責任は生み出せない。」 AIコーディングアシスタントの台頭は、おなじみの不安を呼び起こしました。開発者は不要になるのか？ 率直に答えれば——一部の作業については、そうなるでしょう。ボイラープレートの生成、ユニットテストの雛形作成、基本的なCRUD APIの実装。これらはAIに任せられます。

レガシーシステムへのAI統合は、エンタープライズのデジタルトランスフォーメーションにおいて最も重要でありながら、最も過小評価されがちなエンジニアリング課題のひとつです。AIプロジェクトの多くが失敗する原因はモデルにあるのではありません。15年稼働しているSAPインスタンス、プロプライエタリなプロトコルを使うSCADAヒストリアン、あるいは誰も触りたがらないオンプレミスのOracleデータベース——データがそこに存在し続けることが根本的な問題です。 AIレイヤー自体の構築は難しくありません。プロジェクトが停滞するのは、レガシーシステムからクリーンで一貫したリアルタイムデータを抽出し、その結果をオペレーショナルなワークフローに戻すという統合作業においてです。

デモで完璧に動くRAGアプリの9割が、本番環境で壊れます。その理由と、各失敗パターンの具体的な解決策を解説します。 RAGアプリを構築した。デモは完璧だった。経営陣も感心した。そして本番リリースした。 現実が始まったのはそこからです。 ユーザーは誤った回答を受け取る。チャットボットは自信満々に間違いを答える。実際のトラフィックが来るとレイテンシが跳ね上がる。ベクトル検索が無関係なChunkを返してくる。サポートチケットが積み上がる。

はじめに：なぜ文章術の本がAIプログラミングに関係するのか AI Copilot、コード自動生成モデル、AIエージェントが急速に普及する中、多くの開発者は「スピード」に注目しています。 しかし、もはやスピードは決定的な優位性ではありません。 本当に重要なのは「明確さ」です。 AI支援プログラミングにおける最も強力な思考フレームワークの一つは、実はソフトウェア工学の教科書ではなく、文章作法の名著『The Elements of Style』にあります。 英語の文章術を扱った本ですが、その原則はAI時代のソフトウェア開発と驚くほど一致しています。

AIは新しいフェーズへと進化しています。計画・判断・API呼び出し・ワークフロー実行まで自律的に行うAIエージェントの時代です。 その中で、多くの企業が問い始めています。 AIエージェントがほとんどの業務を実行できるなら、人間や従来のソフトウェアは不要になるのではないか？ 結論は明確です。 むしろ、これまで以上に重要になります。 その理由は、システムアーキテクチャ、責任の所在、そして企業運用の安定性にあります。

受動的なログ監視から自律型SOCインテリジェンスへ 現代のサイバー脅威は高度化・巧妙化しており、「Living off the Land」のような正規ツールを悪用する手法で検知を回避します。従来型のNetwork Security Monitoring（NSM）は大量のログを生成できますが、ログだけでは"インテリジェンス"にはなりません。 NSM + AI = 適応型・高精度・低ノイズのセキュリティ監視 本記事では、Artificial Intelligence（AI）が従来型NSMをどのように進化させ、プロアクティブなセキュリティ基盤へと変革するのかを解説します。