予想してみてください。CUSTはCustomer（顧客）でしょう。IDはそのままID。ですが、末尾のXは何を指すのか、さっぱりわかりません。 次に、一般的なAI移行ツールによって「現代化」された後のコードを見てみましょう。 名前はそのまま、スネークケース（snake_case）になっただけ。相変わらず意味不明です。業界ではこれを 「Py-BOL」 と呼びます。モダンな環境で動作し、中身はCOBOLの思考回路のままのPythonコードのことです。コンパイルも通るし実行もできます。しかし、保守性は絶望的です。 私はこの問題を解決するシステムを構築しました。 誰も語らない「3兆ドル」の問題 1959年に設計されたCOBOL（Common Business-Oriented Language）は、現在も1日あたり推定3兆ドルの金融取引を処理しています。ATM取引の約95%、クレジットカード決済の8
大河ドラマ「豊臣兄弟！」を楽しむ 【グラフDB×グラフRAG×マップアニメーション】｜朝日新聞社 メディア研究開発センター
はじめにこんにちは、ニュースメディア開発部の杉野です。4月にメディア研究開発センター（M研）から異動となり、新しい環境で奮闘しているところです。 最近、NHK大河ドラマ「豊臣兄弟！」にハマっています。毎週、豊臣秀吉と弟の秀長が知恵と義理で戦国の世を渡っていく様子をワクワクしながら見ています。 しかしいかんせん日本史の知識が乏しく、歴史上の有名人が登場するたびに「この人は何者？」「この人は敵？味方？」「この後どれだけの城を攻略するの？」と史実が気になってきました。 そこでふと考えたのが 「この複雑な人間関係、グラフデータベース（DB）で整理したら理解しやすそう」 「天下統一の道のりを日本地図でアニメーションにしたら、物語の流れも追いやすそう」 ということです。 というわけで本記事では、Wikipediaから取得したオープンな歴史テキストを題材に「グラフDB構築 → 可視化 → グラフRAG
» Python実践データ分析100本ノック | 下山輝昌, 松田雄馬, 三木孝行 はじめに この本を手にした動機 元々データ分析に以前から興味があったものの、次に繋げられなかった 非エンジニアがR言語を始めるときの手引き｜Kaggle Masterによるデータ分析技術者養成講座【R言語版】Day1メモ｜中野ヤスオ｜ARI ｜note 2021年10月から12月まで受講した初級Python講座で得たことをなにか繋げたかった 講座受講の経緯等こちら：若手エンジニア成長支援No1企業を目指して｜中野ヤスオ｜ARI ｜note コードを書くことが楽しくなってきたので、毎日少しづつ出来るテーマを見つけたかった 今回の読み方 冒頭にある「本書の効果的な使い方」を参照し、それに準拠 各章各ノックの内容を「写経」しつつ、本文とコードを読み進め、分からないところをGoogleで調べる感じ 人それぞれだが、
VS Code拡張機能を追加してCloudFormation開発環境をレベルアップする | DevelopersIO
データアナリティクス事業本部コンサルティンググループのnkhrです。 このブログでは、CloudFormation開発で利用できるVS Code拡張機能の設定について紹介します。今回実施した環境のバージョンは、下記の通りです。 Windows 10 VS CodeのVersion 1.60.2 PythonのVersion 3.9.7 ※バージョンが違うとGUIの設定画面や、設定パラメータ名など異なる場合があるため、設定時は注意してください。 このブログでは、下記の拡張機能の設定について説明しています。 vscode-cfn-lint：テンプレートを解析しバリデーションを実施 indent-rainbow：インデントをカラー表示（yaml形式で作成する場合は重宝しそう） CloudFormation support for Visual Studio Code：補完機能や公式ドキュメントの
cuGraph でページランクを計算したら爆速だった - Taste of Tech Topics
概要 こんにちは、機械学習エンジニアの古賀です。 最近、人の動きを時系列で解析するためにグラフデータを扱ったのですが、データ量が大きくなると解析に時間がかかってしまい、効率が悪いと感じることがありました。 そんな中、cuGraph という高速にグラフ分析ができるライブラリが あることを知ったので、どれくらい高速なのか、有名なページランクの計算を題材に他のライブラリと速度を比較してみました。 目次は以下です。 概要 グラフとは Python によるグラフデータの分析 cuGraphとは ページランクとは ページランク値の定義 ページランクとグラフ 検証 実行環境 cuGraph ライブラリのインストール ライブラリのインポート データセット 検証内容・結果 1. NetworkX のグラフ、NetworkX のアルゴリズムを用いてページランクを計算 2. NetworkX のグラフ、cuGr
データドリブンなアプローチで巨大なモノリスをマイクロサービスに分割する（ことを考えてみる） - エムスリーテックブログ
これは エムスリー Advent Calendar 2022 の27日目の記事です。 前日は id:yusukemoon による、エムスリー × マネーフォワード『社会を変えるサービスデザイン』振り返りと感想でした。 エムスリーエンジニアリンググループ AI・機械学習チームの笹川です。 趣味はバスケと筋トレで、このところは、年末の休暇に作ろうとしているOSSのことを考えています（大体いつも考えるだけで終わらないことが多いので今年こそは）。 今回は、巨大なモノリスアプリケーションをマイクロサービスに分割するという「できたらかっこいいけど、まぁまぁ厄介なタスク」に対するアプローチの一案を紹介します。 この取り組みはまだ弊社のアプリケーションの分割には使われておらず、考えてみたという段階ですが、あまり見ない方法かなと思ったので、少しでも参考になる所があればと思っています。 プロ並みの布団捌きで上
Causal Discovery Toolboxで簡単にデータの因果関係を解析してみよう - ENGINEERING BLOG ドコモ開発者ブログ
TL;DR この記事では，Causal Discovery Toolbox（cdt）を用いて観測データから因果関係を簡単に解析する方法を紹介します．cdtは，Pythonで利用可能なツールで複数の因果分析モデルとアルゴリズムを提供しデータから因果関係を推定し視覚化することができます．特に，PCアルゴリズム，GES，LiNGAMなどの主要なアルゴリズムを使用した因果探索の手順とサンプルコードを提供し，それぞれの性能評価も行います． TL;DR はじめに 因果探索とは Causal Discovery Toolbox(cdt) 環境構築 利用できるアルゴリズム 1.PCアルゴリズム (PC) 2.CAM (Causal addtive model) 3.CGNN (Causal Generative Neural Networks) 4.GES (Greedy Equivalence Sear
【保存版】さまざまな自然言語処理の手法を学べるレシピ40選（2022年9月版） - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? はじめに AxrossRecipeを運営している松田です。 AxrossRecipe は、エンジニアの"教育"と"実務"のギャップに着目し、「学んだが活用できない人を減らしたい」という想いで、ソフトバンク社内起業制度にて立ち上げたサービスです。 現役エンジニアによる実践ノウハウが"レシピ"として教材化されており、実際の業務に近いテーマで、プラグラミングで動くものを作りながらAI開発やデータ分析を学べます。 Axross: https://axross-recipe.com Twitter: https://twitter.com/Axr
はじめに こんにちは。PyCon JP 2025広報チームの重見です。9月26日から28日にかけて広島国際会議場で開催された「PyCon JP 2025」の開催後レポートをお届けします。 この記事では、3名の主催メンバーそれぞれの視点から、PyCon JP 2025の様子をお伝えします。参加した方はもちろん、参加できなかった方も、この記事を読んでイベントの雰囲気を感じていただければ幸いです。 キーノート 1日目と2日目のキーノートについて、会場チームの森藤がご紹介します。 キーノート1日目：Behind the scenes of FastAPI and friends for developers and builders ―Sebastián Ramírez 1日目の基調講演には、FastAPIの作者であるSebastián Ramírez（セバスティアン・ラミレス）氏が登壇しました
At Endcrawl we're always thinking about the hard work that goes into making film and TV, and how that work translates to on-screen credits. A feature film may involve thousands of people, hundreds of distinct job titles or "roles," and dozens of departments. So there's plenty for a producer to worry about, like: Did we forget or misspell a name? Is this the correct way to credit that role? Do all
整数計画ソルバーでシフトスケジューリング問題を解いてみた
はじめに 無償の整数計画ソルバーでどれぐらいの規模のシフトスケジューリング問題が解けるか確かめたくなったので試してみました。 今回は、久保先生の『Pythonによる実務で役立つ最適化問題100+(3)―配送計画・パッキング・スケジューリング―』のシフトスケジューリング問題を取り上げます。出典は下記の論文で、テストデータはOR-Libraryからダウンロードできます。 M.Krishnamoorthy, A.T.Ernst, D.Baatar, Algorithms for large scale shift minimisation personnel task shcduling problems, European Journal of Operational Research, 219 (2012), 34-48. 論文を読み始めたら期待している問題設定と違ったし、久保先生がサンプル
共起ネットワークとは、SNS投稿やWebサイト、アンケート、書籍/論文、歌詞などの「文章」に含まれる「単語間の共通性」を見出し、図で表現する方法です。 この共起ネットワーク、テキストにおける単語同士のつながりを可視化し、視覚的に理解を促せるため、テキストマイニングの手法として非常に人気が高いです。 この記事では、「青空文庫」に掲載されている小説を題材とし、KH CoderやPythonを使って共起ネットワークを作る方法を解説します。加えて、どういったことが読み取れるのか、どんな示唆出しができるのか、など共起ネットワークの解釈方法についてもお伝えします。 KH Coderは、無料で使えるテキストマイニングツール（主にWindows端末向け）です。Pythonは、無料で使える統計解析や機械学習に用いるプログラミング言語のひとつ。テキストマイニングのためのライブラリも完備しています。 KHCod
オンボーディング改善に機械学習を活用する〜Graph Embedding（node2vec）による推薦アイテム計算〜 - コネヒト開発者ブログ
みなさんこんにちは。MLチームのたかぱい（@takapy0210）です。 本日は、コネヒトの運営するママリのオンボーディング改善に機械学習を活用した事例のパート2をお話をしようと思います。 パート1については以下エントリをご覧ください（取り組んだ背景なども以下のブログに記載しています） tech.connehito.com （おさらい） 今回実施しているオンボーディング改善には大きく分けて以下2つのステップがあります。 ステップ1：興味選択にどのようなトピックを掲示したら良いか？（前回のブログ参照） ステップ2：興味選択したトピックに関連するアイテムをどのように計算（推薦）するか？ 本エントリでは主にステップ2の内容についてお話しできればと思います。 （※本記事で添付している画像に関しては、開発環境のデータとなっています） 目次 はじめに ルールベースの推薦 ルールベースの課題 機械学習を
はじめに ルミナイR&Dチームの宮脇彰梧です。 現在はマルチモーダルAIの研究を行う大学院生として、 生成AIやAIエージェントの技術を実践的に探求しています。 みなさん、RAG（検索拡張生成）、順調ですか？ 「社内ドキュメントをベクトル検索に入れて、これで何でも聞けるぞ！」と意気揚々とリリースしたものの、ユーザーからこんなフィードバックをもらって絶望した経験、ありませんか？ ユーザー：「このプロジェクトの資料全部読んで、全体的な課題感を要約して」 RAG：「（検索上位の議事録1枚だけを見て）課題は会議室の予約が取れないことです(ｷﾘｯ」 ユーザー：「……そうじゃない」 これ、従来の「ベクトル検索（Vector Search）」だけだと構造的に無理なんですよね。「木を見て森を見ず」状態になっちゃうんです。 そこで登場した救世主（かもしれない存在）が、Microsoft Researchが発
非エンジニアが育てる最強のRAGを目指して。「GraphRAG Visual Editor」進化の軌跡
🕸️ はじめに：なんでわざわざ「手動」でグラフを作るの？ こんにちは！ ルミナイR&Dチームの宮脇彰梧です。 みなさん、RAG やってますか？ 最近、この界隈でめちゃくちゃ熱いのが 「GraphRAG（ナレッジグラフ活用）」 ですよね。 ドキュメントをただのテキストとして扱うだけじゃなくて、「ノード」と「エッジ」のネットワークとして捉えちゃうやつです。これを使うと、普通のベクトル検索じゃ答えられないような、「AとCは、実はBを介して繋がってるよね？」みたいな高度な推論ができるようになります。 でも……既存のGraphRAGツール（Microsoftのやつとか、LangChainの自動構築機能とか）を触っていて、正直思ったんです。 「これ、AIが勝手に作ったグラフが間違ってたら、どうすんの？」って。 グラフデータベースの中身なんて、エンジニアしか見れません。でも、その業務の「正解」を知って
Excelの計算式を構文解析して依存関係を可視化した話
今回実装したものたち 動機 研究室の引き継ぎでExcelのブックをいただいたのですが、あまりに計算が複雑なため、そのまま読むのが憚られました。 このような課題は自分に限らずだれもが遭遇しうるものだと思うので、Excelのセル同士の依存関係を可視化するツールを作ろうと思い至りました。 特にこの記事の最終的な成果物として、 セル同士の依存関係が一目でわかる 各セルに名前付けができる 定数セルの値を変えた時に、結果セル計算結果がどのように変化するか確かめられる を想定します。 まずは単純な実装(Python) 最も簡単な実装は正規表現を使うことです。例えば このような正規表現を考えると、A1, A2:A3のようなセル表現のパターンだけを抜き出すことができます。なお、ここでは単純化のためSheet1!A3のような他のシートを参照するケースや、A:Aのような列をすべて指定するケースなどは考えていませ
目次1. NetworkXの概要 2. NetworkXの類似性の測定 3. 実験 ・NetworkX環境設定 ・共通部分のノードとエッジの可視化 ・Jaccard係数の集合の類似度 ・graph_edit_distance ・optimal_edit_paths ・optimize_graph_edit_distance ・simrank_similarity 1. NetworkXの概要NetworkXは、グラフ/ネットワークの作成、加工、構造分析をのPythonのパッケージです。そもそも、数学者、物理学者、生物学者、コンピューター科学者、社会科学者などの分野で活用されています。ソーシャル ネットワーク、分子グラフ、通信ネットワーク、物流ネットワーク、エネルギーネットワークなどの分析を対応します。 このライブラリは多くの機能があり、今回はネットワーク類似度を解説します。 2. Netw
はじめに 初めまして。イギリスのリバプール大学で博士課程をしている佐藤と申します。 リバプールといえばサッカーとビートルズで有名ですが、特段そのために渡英した訳ではありません…。 イギリスでは人文地理学（都市経済学・経済地理学・都市計画・人口統計学）とデータサイエンスの複合領域である地理空間データサイエンス (Geographic Data Science)という研究分野が盛んで、そこに特化した研究所があるため在籍しています。 専門は都市形態学という都市の物理的な構造から社会を理解する分野です。特に私は都市形態のトポロジーに興味があり、非線形的なパターン分類で成果を上げているグラフ表現学習の応用に興味を持っています。グラフ表現学習にはスペクトラルクラスタリングやnode2vecなどの古典的なモデルが存在する他、ノード・エッジ・グラフの特徴量とそれらのトポロジー上の相対的な位置関係の両方を扱
AIエージェント(LLMエージェント)界隈は最近かなり盛り上がってきましたので、今後多種多様なエージェントが乱立してくるので、エージェントを作るフレームワークは押さえておきたいところです。 でも、もともとLangChainにはAgentsというエージェントが作れる機能がありましたが何が違うのでしょうか？ v0.1のドキュメントを読むと、「マルチアクターアプリケーションを構築するためのライブラリ」とありました。 要するにシングルエージェントではなく、複数のエージェントが共同作業するような「マルチエージェント」を作る場合に、最適なようですね。 従来のLangChainでは、Chainのように順番に処理するだけでループができないと思いますが、ループを実現するときにLangGraphが役に立つということのようです。 LangGraph は、LLM を使用してステートフルなマルチアクター アプリケー
機械学習 自然言語処理 人工知能 デジタルトランスフォーメーション セマンティックウェブ 知識情報処理 グラフデータアルゴリズム 関係データ学習 推薦技術 異常検知・変化検知技術 時系列データ解析 python グラフニューラルネットワーク 本ブログのナビ GraphSAGEについて GraphSAGE（Graph Sample and Aggregated Embeddings）は、グラフデータからノードの埋め込み（ベクトル表現）を学習するためのグラフ埋め込みアルゴリズムの一つであり、ノードの局所的な隣接情報をサンプリングし、それを集約することによって、各ノードの埋め込みを効果的に学習するものとなる。このアプローチにより、大規模なグラフに対しても高性能な埋め込みを獲得することが可能となる。 GraphSAGEはHamiltonらによって”Inductive Representation
【GraphRAG】非エンジニアでも「ポチポチ」と知識を繋げる！Streamlitでナレッジグラフ編集ツールを自作してみた
🕸️ はじめに ルミナイR&Dチームの宮脇彰梧です。 現在はマルチモーダルAIの研究を行う大学院生として、生成AIやAIエージェントの技術を実践的に探求しています。 最近、RAG（検索拡張生成）の新たな潮流として 「GraphRAG（ナレッジグラフ活用）」 が注目されています。文書間の複雑な関係性を捉えられるため、従来のベクトル検索よりも高度な回答が可能ですが、現場への導入には「ある壁」が存在します。 「AIが作ったグラフ、間違っていたら誰が直すの？」 グラフデータベース（Neo4jなど）を直接いじれるのはエンジニアだけです。しかし、業務の「正解（ドメイン知識）」を知っているのは、往々にしてコードを書かない現場の専門家です。 「なら、PowerPointで図形を繋ぐような感覚で、誰でもグラフを編集できるUIがあればいいのでは？」 そう考え、Pythonの Streamlit を使って、「
"The closer to the train station, the worse the kebab" - A "Study" - James Pae
This write-up was originally posted on reddit, though I've cleaned things up specifically for this post. Due to reasons discussed towards the end of this post, I'm not entirely happy with the results and intend to take another shot at it in the near future. Introduction🔗 I came across this post sharing a hypothesis from a French subreddit; The closer to the train station, the worse the kebab. The
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
遺産であるCOBOLを現代化し、その正確性を自ら証明するAIを開発した話
「Python実践データ分析100本ノック」を写経してみた - Qiita
PyCon JP 2025開催レポート ―コミュニティの大切さを再発見した3日間 | gihyo.jp
Ordering Movie Credits With Graph Theory
共起ネットワークの作り方と考察方法｜KH CoderとPythonでの手順を図を用いて丁寧に解説
GraphRAG入門 LangChain+NetworkXで「コミュニティ検出」を自作してみた
Networkxのネットワーク類似度 – S-Analysis
地理空間データを異種GNN向けのグラフ表現に変換するPythonライブラリを作ったらバズった
LangGraphの始め方(オリジナルのAI(LLM)マルチエージェントを作る)｜えんぞう
GraphSAGEの概要とアルゴリズム及び実装例について