はてなブックマーク

※本記事は Mobility Technologies の前身である JapanTaxi 時代に公開していたもので、記事中での会社やサービスに関する記述は公開当時のものです。 はじめに「JapanTaxi」iOS アプリは RIBs アーキテクチャを採用しています。RIBs アーキテクチャを採用してから一年以上経ち、徐々に Unit Test も充実してきました。この記事では、RIBs アーキテクチャにおいて、動作をどのように検証し品質を担保しているのか紹介します。 RIBs のテスタビリティRIBs で構成されたアプリは、ビジネスロジックがツリー構造で表現され、子の RIB は親の RIB に依存します。 RIB は Router, Interactor, Builder から構成され、それぞれ以下の責務を担います。 Router子の RIB の attach / detach（ルーティ

※本記事は Mobility Technologies の前身である JapanTaxi 時代に公開していたもので、記事中での会社やサービスに関する記述は公開当時のものです。 この記事は、JapanTaxi Advent Calendar 2018の9日目の記事です。 はじめに2018年3月から9月までの半年間、「JapanTaxi」iOSアプリのUIリニューアルを行いました。積み重なる技術的負債と闘いながら開発を続けてきましたが、これを良い機会とし、iOSアプリの設計も一から見直すことになりました。結果として、MVVMからRIBsへアーキテクチャを変更することに成功しました。この記事では、「JapanTaxi」iOSアプリの設計方針をはじめ、RIBsとは何か、そしてRIBsを採用したことによる変化について紹介します。 設計について2018年3月、iOSチームメンバでアプリの設計について議

こんにちは。 車載システム第二グループの空中です。Twitter等では @soranakk で活動しているのでそちらの方がわかるかもしれません。 普段はタクシー車両に搭載された専用端末上で動作するAndroidアプリ開発をしています。 さて、唐突ですがJCenterが閉鎖されます。 https://jfrog.com/blog/into-the-sunset-bintray-jcenter-gocenter-and-chartcenter/ 概要についてはこちらの記事が参考になると思います。 https://bps-tomoya.hateblo.jp/entry/2021/02/04/184317 Androidアプリ開発ではほぼほぼ100%ぐらいのアプリがJCenterを参照しているのでJCenterからMavenCentralに移行して大丈夫かどうかを調べる必要があります。 これの影響

はじめに こんにちは。AI技術開発部 MLエンジニアリング第1グループの築山です。 以前、社内でOptunaとKubeflow Pipelines（以下KFP）を用いて並列ハイパーパラメータチューニングを行い、とあるプロダクト（後述する『お客様探索ナビ』の経路推薦システム）のパラメータに適用する機会がありました。 その際は社内向け勉強会のためにスライドをまとめ、以下のツイートとともにSlideShareで公開しており、多少の反響もいただいていました。 https://twitter.com/2kyym/status/1256147262738018304?s=20 そのスライドがOptunaの開発者の方の目に留まり、「テックブログを書いて欲しい」と打診をいただき、今回執筆している次第です。 公開済みスライドと被る部分もありますが、基本的には 今回のユースケースOptunaとKFPの紹介・チ

tl;drTypeScript(React)+Pythonの開発環境を開発者間で揃えるには、VS Codeの設定に落とし込むことが便利です。記事中に、TypeScriptの設定tsconfig.jsonと、webpackの設定webpack.config.js があります。記事中に、VS Codeで、Web APIのPythonとフロントエンドのTypeScriptをそれぞれデバッグするための設定 .vscode/launch.json があります。2つのデバッグを順番に起動すると、Web APIとフロントエンドのTypeScriptを連携してデバッグ実行ができます。 AI 技術開発部プロダクトグループの Atsushi Morimoto (@74th）です。 プロダクトグループでは、主に Android+Python の組み合わせで開発を進めることが多いですが、 今回 Web アプリとし

はじめまして、AI技術開発部の亀澤です。 AI技術開発部では様々な機械学習モデルの開発に加えて、車載デバイスやクラウド上でDeep neural network (DNN)を使ったリアルタイムな予測を行うための、DNNの高速化や軽量化にも取り組んでいます。 この記事では、エッジデバイスでDNNを動かす上で、高速化、軽量化に効果があるDNNの量子化について次の3点について説明していきます。 量子化について量子化の詳細と分類DNNライブラリの量子化への対応状況TensorFlowPyTorchTVM 量子化についてニューラルネットワークにおける量子化とは、通常、浮動小数点数として扱われる値を、整数と少数のパラメータで表現する手法一般のことを指します。もとの浮動小数点数 xxx と量子化された値 qqq の間の関係は二つの量子化パラメーター（オフセット（バイアス、ゼロ点）offset, スケール

はじめまして、AI技術開発部の加藤（@_tkato_）です。 私たちはエッジ x クラウドの機械学習システムのプロダクション開発を行う上で、Rustを開発言語の一つとして利用しています。今後はこのブログを使って、私たちがRustで開発している際に得た知見を共有していきたいと思います。 本内容は7/27に行われたRust LT Online #1で発表した内容です。興味のある方は以下のスライドも合わせてご覧ください。 今回はPlottersの紹介です。PlottersはRustで簡単に図形やグラフを描画するために便利なドローイングライブラリです。 同様にRustで可視化ができるcrateとして、opencv-rustやPlotly.rsなどがありますが、特にPlottersはpure Rustで簡単にインストールして組み込める点や、WebAssembly含めて複数のBackendに拡張してい