Mastraワークフローの型安全性と変更容易性を高める設計指針
はじめに こんにちは、atamaplus の takei です。 最近、趣味や業務でエージェントフレームワークであるMastra のワークフロー機能[1]を約 1 ヶ月ほど使ってみました。 実際に使ってみて非常に便利である一方で、適切に設計しないと型安全性や変更容易性（保守性）に課題が生じやすいと感じました。 特に以下のような課題に直面しました。 ステップ[2] の中で getInitData[3] や runtimeContext[4] を使うと型推論が効かず、型安全でないコードになる ステップがワークフロー定義に依存し、ワークフローの変更や他のワークフローでのステップの再利用が難しくなる ステップ内でのエラー発生がインターフェース上に明示されず、エラーハンドリング漏れの原因となる このような課題に対して、ステップはすべての依存関係と副作用を入出力スキーマで明示し、ワークフロー層でワーク
GitHub Actionsでテストカバレッジの増減を可視化することによりホーソン効果を狙う - 理系学生日記
まぁよくやられている話なんだけど。 自動テスト頑張りましょうみたいな話をしても、大体そうですねで終わる。これには色々理由もあって、3分くらい考えても テスト書く時間があったらまずはプロダクションコードの実装を終わらせろや、そうじゃないとリリース遅延するだろうがみたいに怒られる 長期的はリグレッションテストが楽になるよ、アジリティが高まるよってわかっていても、特に新規開発とかで仕様が色々変わる中でテストコードのメンテが負債になる そもそもメンテナブルなテストコードを書くのが大変 みたいな話になる。 それはそれで根深い問題なんだけど、頭痛くなるし辛くなるからそういう難しい話はやめたい。人生は楽しむべきであって、頭痛くなるために生きているのではない。何もしてないのにそもそも頭痛いし。 最近、「あなたのプルリクエストでテストカバレッジがどれだけ増減したんですか」というのを無条件でコメント投稿してや
Snowflakeだけで完結するMLOps
はじめに こんにちは、たきこみと申します。 普段は事業会社で機械学習モデルの開発やデータ基盤構築などの仕事をやっています。 データ基盤としてSnowflakeを採用しているのですが、SnowflakeはAIデータ基盤を謳っているということもあり、AI/ML系の機能拡充が留まることを知りません。 そろそろSnowflake単体でMLOps的な環境が作れるようになってきた気がしているので、MLOpsとSnowflakeの機能配置について考えをまとめておきたいと思い、この記事の執筆に至っています。 MLOps概略 まずは僕が実現したいと考えるMLOpsのサイクルを紹介します。 MLOpsにおいて大事なポイントは3つあると考えています。 アイデアをすぐ形にできる開発環境 運用可能なコストラインを遵守できる計算リソース MLモデルと特徴量の状態を常時監視できる運用環境 細かい点は置いておいてこれらが
DSPyを使ったLLM Agent開発 #DSPy #Agent - CCCMKホールディングス TECH LABの Tech Blog
こんにちは、CCCCMKホールディングスAIエンジニアの三浦です。 毎日とても暑いですね・・・。体調を崩さないように気を付けないと、と思います。 databricksのDATA+AI Summit2025に参加したとき、ブレークアウトセッションで"DSPy"というAIアプリケーション開発フレームワークを取り扱っているものが結構あることに気づきました。 DSPyは以前このブログの中でも触れたことがあります。 techblog.cccmkhd.co.jp 投稿した日付を見ると、ちょうど一年前でした。今回久しぶりにDSPyを使ってみたのですが、当時よりも使いやすくなった印象を受けました。もちろんDSPy自体の機能強化も要因として挙げられますが、それだけではなくMLflowによって内部処理が分かりやすくなったことにも起因していると感じました。 この記事では改めてDSPyについて取り上げてみたいと思
Mastraで作ったAIサービスを実運用する上で困った点
はじめに Mastraを使うと、簡単にLLMをつなげたWorkflowや各種Toolsを連携したAgentを作る事ができます。ドキュメントも充実しており、ドキュメントを参照するMCPサーバも提供されているので、簡単にそれっぽいものが作れてします。最高！ 一方で、動作させるだけではなくデプロイメント、テスト、LLMの出力の品質など、サービスを実運用する上では困った事がたくさんあったので、今回はその内容と自分が行った対策についてまとめようと思います！ 成果物 本題の説明をわかりやすくするために、まずはMastraで作った成果物を共有します。サービスは以下のようなLINE BOTで２つの機能があります。1がMastraのWorkflow、２がAgentの機能を使って作られてます。 1)毎朝その日の市場状況をレポートする 2)レポートに対して質問する １が主な機能で、情報の収集から取捨選択、そして
GitHub Actionsのセルフホストランナーを使ってJenkinsをサクッと叩けるようにする - Mirrativ Tech Blog
7月からミラティブにUnityエンジニアとして入社した森田です。 弊社ではUnityのCIとしてJenkinsを利用していますが、GitHub Actionsのセルフホストランナーと連携させることで、JenkinsはそのままでGitHubのWeb画面からジョブを実行できるようにしてみたので、書いておきます。 課題 実装 GitHub Actionsのセルフホストランナーの設定 JenkinsのAPIトークンを発行する workflowファイルの作成 結果 残った課題 We are hiring! 課題 弊社ではアプリのUnity部分とアセットバンドルのビルドにJenkinsを利用しています。 tech.mirrativ.stream JenkinsはUnityエンジニアに貸与されているMac miniにそれぞれにインストールして運用をしていたため、CIビルドするためにはその都度Mac mi
Devin x GitHub ActionsでRenovateのPR対応を自動化する実践ノウハウ - コネヒト開発者ブログ
こんにちは！Androidエンジニアの関根です。 今回は、RenovateのPR対応を自動化する取り組みについてご紹介します。 はじめに 皆さんの職場では、Renovateを使いこなせていますか？依存関係を最新に保つ上で、本当に頼もしい存在ですよね。 弊社のAndroidチームではRenovateのPullRequestを定例で確認し、マージの判断をする運用は行っていますが、だんだんとPullRequestが溜まってしまっていました。 影響の少ないアップデートならその場で判断し、マージできますが、調査が必要な場合に、先送りしてしまうということが起きていました。 「影響範囲の調査が必要だな…」「後でやろう…」 そう思っているうちに、PRはどんどん溜まっていき、上限数に達してしまうということが定常化していました。 この記事では、そんな「調査待ちRenovate PR」の渋滞を、今話題のAIエー
Kubeflow Pipelines v2 で変わる機械学習パイプライン開発
第39回 MLOps 勉強会の発表資料です https://mlops.connpass.com/event/312260/
Vertex AI Pipelinesを効率的に開発するための取り組み(part2) - Timee Product Team Blog
こんにちは、タイミーのデータエンジニアリング部 データサイエンス（以下DS）グループ所属のYukitomoです。 DSグループではMLパイプラインとしてVertex AI Pipelinesを利用しており、その開発環境の継続的な効率化を進めていますが、今回はここ最近の変更点を紹介したいと思います！ Vertex AI PipelinesについてはGoogle Cloudの公式ページや、前回の記事を参照ください。 モノレポ環境に移行 当初はパイプライン毎にレポジトリを用意していました。しかしながら新規でパイプラインを起こす度にレポジトリの作成から行うのは、 ちょっとした“作業”ではあるのですが気軽に行うには少し腰が重い cookie cutter を使って初期状態を揃えたり前回の記事のような標準化を行っても、異なるレポジトリを異なる開発者によりメンテナンスを行うと、それぞれが独自の進化をした
成長を止めない機械学習のやり方 / Don't stop 'til you get enough (data).
https://manabiya.tech
大公開！バッチアプリケーションの品質を高めるZOZOの『バッチ開発ガイドライン』 - ZOZO TECH BLOG
こんにちは。MA部の田島です。 弊社では開発ガイドラインというものを用いて、システムの品質を担保しています。今回私がテックリードを務めているということもあり、バッチアプリケーションを開発するためのガイドラインを作成しました。本記事では「開発ガイドライン」と「バッチ開発ガイドライン」を紹介します。 バッチアプリケーション開発に限定したTipsはまとまっているものが多くないため参考にしていただければと思います。 開発ガイドラインについての紹介 冒頭でも紹介した通り弊社では、開発ガイドラインというものを用いてシステムの品質を担保しています。バッチ開発ガイドラインを紹介する前に、まず開発ガイドラインを紹介します。 開発ガイドラインの種類 開発ガイドラインは現在、以下の種類が存在します。 共通 Android iOS Frontend Backend Infra API Batch DB(Datab
CyberAgent AI事業本部2024年度MLOps研修基礎編 / MLOps Basic
同年度のMLOps研修資料はこちらです。 (1/4) CyberAgent AI事業本部2024年度MLOps研修Container編: https://speakerdeck.com/szma5a/container-for-mlops (2/4) CyberAgent AI事業本部2024年度M…
機械学習パイプラインの作り方を改めて考えてみる
はじめに もう今年もあと数週間ということで，1年があっという間に終わってしまいますね😅 この記事は MLOps Advent Calendar 2023 の15日目の記事になります！アドベントカレンダーの日付を選ぶ際についつい自分の好きな数字を選びがちですが，皆さんはどうですか？笑 最近，機械学習（ML）パイプラインの良い構成やパイプラインとコンポーネントの良い組み方に興味があり，それをどう管理するかのディレクトリ構成などを考えたりしているのですが，きっかけとしては参考にも載せてある「From MLOps to ML Systems with Feature/Training/Inference Pipelines」という Hopsworks の CEO である Jim Dowling が書いた記事を以前読んでとても良いなと思ったのがきっかけです． また，AB テストなどのオンライン検証
JenkinsのCronはSafeRestart時にJob起動処理を落とさない - decadence
これは何 運用されているJenkinsにおいて、SafeRestart時にCronによるJobの発火をlostするのでは、といった懸念があった。 コードを読み、実際に動作確認をすると、再起動処理に2分以上かからなければat least onceでCronによるJobの発火がされることが分かった。 github.com JenkinsをSchedulerとして利用する JenkinsではJobの定義時にcron表記にてJobのscheduleを設定出来る。このcronは発火時刻になると、JobをJenkinsの処理Queueに入れる。 残念なことにJenkinsのHAはActive-Standbyのような構成しか取ることが出来ず、ActiveなJenkins masterのprocess内においてこれらのcronは処理される。もし冗長構成を取りたいのなら、Jenkinsが永続化として利用して
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
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
CIを整備してメンテナンスを生成AIに任せる
ML Pipelineの開発と運用を OpenTelemetryで繋ぐ @ OpenTelemetry Meetup 2025-07
はじめてのIssueOps - GitHub Actionsで実現するコメント駆動オペレーション
高速化・並列化・標準化で スケールするML予測システムの開発
2年運用した dbt プロジェクトを リファクタリングする
大規模・複雑な機械学習プロダクトの継続的な改善を支える実験プラットフォーム
