こんにちは、ディレクターの神吉です！ この記事は Enigmo Advent Calendar 2020 の12日目の記事です。 エニグモ では様々なプロジェクトに関わることが多いですが、自社サービスのプロジェクトを推進する上で大事にしていることを書いていきたいと思います。 今回はプロジェクトマネジメントの体系的なテクニックの話ではなく、プロジェクトを推進する上でのマインド面中心の記事になります。 またクライアントワークのプロジェクトとは違う部分もあるかと思います。 今思っていることや感じていることなので、今後変わっていくかもしれないのでそこはご了承ください。 そもそもプロジェクトとは？ プロジェクトって何か大変そう、難しそうみたいイメージがあるかもしれませんがプロジェクトの定義を Wikipedia で確認してみました。 プロジェクトマネジメント協会が制定している PMBOK （第5版）の定義では、「プロジェクトとは、独自のプロダクト、サービス、所産を創造するために実施する有期性のある業務」とされている。つまり、会社などの通常業務や、継続的な運用管理、あるいは改善活動などは、特に開始と終了が定義されていないので、「プロジェクト」とは呼ばない。ただし、特定の期限までに特定の建築を行う、製品を開発する、システムを構築する、などは個々のプロジェクトになりうる。 独自の目標がある、期限がある業務のことなのかなと思います。 いつもやっているルーティンワークは該当しないことになります。 今までやったことない業務でスケジュールも決まっていて多部署、または社外も巻き込んだ大きなプロジェクトを推進するとなるとなかなか大変です。 そんな中大事にしていることは以下になります。 大事にしていること 1. どうすべきか常に考える。 AなのかBなのか選択を迫られることが多いです。 また関係者全員が100%満足するような決定ができないことも多く、バランスをとることも必要とされます。 自分だけで判断できないことも多くありますが、どうすべきかどうあるべきか常に検討し積み重ね、小さなことでも丸投げしないで一つ一つ考えることは大事です。 2. 自分ごと化する。 他に企画者がいる場合でも自分の企画ぐらい真剣に考えることは必要だと思います。 これをやらないと検討事項も浅くなり、関係者と話す時につじつまが合わなくなったり情熱を伝えることができません。 かなり厳しい状態でプロジェクトに アサイ ンされることもありますがそれをどうするかが腕のみせどころだと思います。 私自身、最初は自分ごと化できずに苦しんでしまうこともよくありました。。 3. 逃げないこと。 逃げないこと、あきらめないことは非常に大事です。 プロジェクトへの情熱が失われると一気に物事が進まなくなります。 あー失敗したーと思うこともありますがだいたい大丈夫です。 プロジェクトは日々の積み重ねなので地道にやるしかないです。 4.最前線にいってみる。 何が課題なのか人から聞いたり報告書を見たりするより、実際に経験してみるほうが良いと思います。 意外と聞いていたこととは違う課題でつまずいていたり、すごく重要なことを汲み取れていないこともあります。 5.他のプロジェクトにも協力する。 人が進めているプロジェクトにも協力することは大事なことです。 自分以外に情熱をもって行動してくれる人がいると諦めずプロジェクトを進めることができたりもします。 いつか自分が大変な時に助けてくれるかもしれません。 6.細かいところも覗いてみる。 開発、デザイン、データ分析、ユーザからの声 などなど細かいところも覗いたり、また人にまかせていた業務もたまには自分でやってみたりしています。 やっぱり業務の基本的なところは大事。 地味で細かいところも多いですがこうしたところ見ていると何かあった時の瞬発力につながると思っています。 私の周りではマネジメント層の方でも細かいタスクを大事にしている方も多いので尊敬です！ 7.よく分からなくなったらとりあえず寝る。疲れてきたらとりあえず寝る。 いろいろ考え過ぎてどうして良いか分からなかった時は寝ましょう。 寝てみると意外と頭がすっきりして解決することも多いです。 プロジェクトは長期間になることもあるので持久力も大事です。 いろいろ上げてみましたが、キリがなさそうなのでこれぐらいにしておこうと思います。 私も最初は分からないことだらけで失敗ばかりでしたが（今でもまだまだ勉強することばかりですが。。）いろんな経験の積み重ねで少しずつプロジェクトを推進していけるようになってきたかなーと思っています。 今までないものを形にするのは非常に楽しいことなので何か新しくやりたいことがある方は失敗を恐れずぜひそのプロジェクトに挑戦してみてください！！ 明日の記事の担当はインフラエンジニアの夏目さんです。宜しくお願いします！ 株式会社 エニグモ 正社員の求人一覧 hrmos.co

こんにちは、サーバーサイドエンジニアの Steven です。 この記事は Enigmo Advent Calendar 2020 の 11 日目の記事です。 抽象化という単語とその議論をそれほど目にすることがありませんが、設計においては極めて重要な概念だと思いますので、ここで抽象化は何を指すのか、何のためのものなのか、どうやるのかを説明してみます。 ソフトウェア・エンジニアリングとは それが明確となっていないと、どうして抽象化が必要なのかは曖昧となってしまうこともあるかと思いますので、まずは方針にしていることについて語ります。 解釈は複数あると思いますが、一つの文章で表すと、ソフトウェア・エンジニアリングとは人間のア イデア を アルゴリズム に変換することだと思います。 人間の観点で、不確定で無限とも取れるア イデア を、限り有る計算関数の組み合わせで有限なものに変えるとも取れます。 決まった特定な目的を果たすために、有限なものだけを使って何かを作ることから、問題解決とも取れると思います。レゴ作りやパズル解決という比喩は気に入ってます。 以上の説明のキーワードは「変換」と「問題解決」です。 一つ一つ個別なものと捉えると、ウェブ業界の通常の仕事では実に難しい問題はそうそうないと思います。業界として今まで見たことのない新しい アルゴリズム の発明はまず必要ないです。 ただし、仕事で求められるのは人間の言葉で表現される高レベルな問題の解決がほとんどで、その一つの大きな問題を解けるにはお互いに影響し合うたくさんな小さな問題を同時に解決しないといけないです。 なので、そういう問題は本質的に難しいというより、複雑という方が相応しいと思います。 したがって、エンジニアの主な評価基準はどれだけ難しい問題を解決できるかというより、如何に複雑さを抑えて、大きい問題を簡単に解決する・保つかの方です。 高校時代に歴史と地理学の先生から聞いた言葉ですが、「難しくするのは簡単。簡単にするのは難しい。」というのが印象的で今にも覚えています。 パラダイム シフトとも言えたかもしれません。 「やっぱりわからないから、すごい」のではなく、「思ってたより、ぜんぜん簡単でわかりやすい」の方を目指すべきです。 解決策が簡単だったのはもともとの問題が簡単だったからというのはまずなく、エンジニアが頑張ったから、最終的には簡単な解決になったという方が正しい解釈だと思います。 その中で抽象化はものを簡単に保つための手段となります。 抽象化とは 抽象化という概念自体は抽象的なので、一つの文章で具体的に説明しきるのは難しいですが、以下のように解釈しています。 抽象化とは、特定の問題を概念として分析と分割し、単一の要素として扱えるようにした上で、その要素を組み合わせることでより大きい問題の解決に汎用的に使えるようにすることです。 抽象化をトピックごとにより細かく説明します。 抽象化の目的 大きい問題はいつもより細かい問題で構成されてます。 最上層にある、ユーザーに提供したい高レベルな結果（ボタンで操作できるカート画面）と、最下層にある、実装上の低レベルな詳細（カートの SQL テーブルに適用ポイントを保存する）は両方意識しやすくて、それだけをベースにそのまま開発に入ることがあったかもしれません。 ただし、その両端の間にはとんでもない距離があり、最下層からそのまま最上層を実装しようとすると、結果が凝ったものであればあるほど、開発の効率が下がり、目標は達成しにくくなります。 なぜなら、最下層から最上層まで一気に何かを実装しようとすると、さまざまな、関係のない詳細を一気にかつ同時に気にしないといけなくなるからです。開発の負担が単純に大きすぎるものになってしまいます。 なので、その残念な、非効率な開発環境を避けるために、大きい問題をより小さい問題に分割し、問題を部分的に解決できるようにします。 解決の負担が減った小さい問題を解けられたら、結果の要素を繋ぐことで大きい問題は簡単に解決可能となります。 馴染みのある例に例えるなら、車を作るのが目的な場合、構成が曖昧なまま車を一気につくるより、動力機関、燃料容器、収納スペースなどと概念として分析してから、それぞれの要素を設計・作成し、最終的に全部を組み合わせる方が効率的です。 以上で問題をものに例えたのですが、ことにも例えられます。 生き物としてエネルギーを得るということを分析するのでしたら、食べ物の探し、入手、調理、飲食、分解、摂取などと、ステップにも分けられます。 それが抽象化です。大きい問題をそれぞれより小さい問題に分けて、構造を見出すことです。 どうしても解決できない問題が相手の場合、その問題をそれぞれの概念として分析し、より細かい問題として分割した上で、再度挑戦するのがいいかと思います。 そうすれば、実に難しい問題は意外と少ないかもしれません。 抽象化の特徴 役に立ついい抽象化にはいくつかの特徴があります。大きく分けて、以下の２つにまとめてみました。 問題の構造化 問題を分割するとしても、正しいやり方と正しくないやり方があります。 単 純化 が目的なので、そもそも簡単というのはどういうものなのかを明確にする必要があります。 簡単なものは本質までさかのぼった場合、一つだけなものとして考えるものです。一つの概念、一つのパターン、一つの責任など。複数な概念を合わせることで初めて成立するものであれば、もはや簡単ではないです。 ただし、その一つなものがより小さい複数なもので構成されていても、簡単じゃなくなるわけではないです。一つとして考えられれば、その時点で簡単です。 なので、問題を分割するに当たって、同じように、分割されたものをそれぞれ独立した、一つ一つとして考えられるものにするべきです。 複数な概念がオーバーラップするような、曖昧なものが分割の結果でしたら、それほど問題の単 純化 には貢献しないものとなるからです。 大きい問題を分割する際は、 木構造 の要領でものを分けて、それぞれの部分の大きさを抑えながら、大きいものからどんどん小さいものに構造化するのが望ましいです。 そうすることで、一つ一つの問題の解決は同程度の難易度になって、全体の単 純化 に繋がります。高レベルな問題は低レベルな問題と同じぐらいの努力で解決可能となります。 同時に、特定の細かい問題がどの問題の一部となってるのかも明白になって、把握がしやすくなります。 木の一つのノードを分けるとして、枝の間に共通点が少ない場合は、枝の数も抑えるべきです。 なぜなら、実装で５つの枝を一つのノードに集約するのがそれほど難しくなくても、共通点のない枝が 20本もあれば、集約がそれなりに難しくなります。 どうしても枝の数が多い場合は、共通点となる概念をベースに、一部の枝を一つにまとめて、新しい子ノードで問題をまた分割すれば大丈夫です。 最初は少なくても、改修で一つのノードの枝の数が少しずつ増えないようにするには、最初から分割の結果を、元の問題の 100% をカバーする、同じ抽象レベルのものにするのがいいと思います。 商品の購入過程はかならず選択、購入、受け取りの３つのステップに分けられますので、はじめからそうと分割すれば、後から枝の数が増える可能性が低いです。 まとめると、問題の構造化において、いい抽象化なら、問題は - 独立した概念として分割される - 木構造 として構造化される - 同程度の大きさとして分けられる - 木として各ノードの枝の数が抑えられる - 木として同じノードの枝は同じ抽象レベルにある そんな風に問題を分割すれば、それぞれの問題の解決は実装しやすくなります。 インターフェイス の単 純化 問題がうまく分割されれば、その時点で簡単になります。 ただし、それだけではそれぞれの問題の解決策のつなぎ方が簡単になるとは限らないので、 インターフェイス の面でも複雑さを抑える必要があります。 この項目ではより具体的な説明になるので、問題の解決として「機能」という単語を使います。 特に考慮せず、機能一つ一つをそのまま実装するだけだと、その機能を使うための インターフェイス は機能よりになってしまいます。 ただし、そのそれぞれの機能は皆違いますので、 インターフェイス の間の互換性がいいものにならず、機能を繋ぐだけでかなりな努力が必要となります。 なので、それを避けるため、 インターフェイス 自体を簡単なものに保ち、共通言語でそれぞれの機能をつなげるようにする必要があります。 いい インターフェイス には以下の特徴があります。 インターフェイス は包まれてる機能と同じ抽象レベルで表現されてます 名称（クラス名、メソッド名、引数名など）がその抽象レベルに合わされてます その抽象レベルに合わない実装詳細は表に出ません インターフェイス のエンドポイントは最小限に抑えられてます 機能を活用するために必要なオペレーションのみが公開されてて、利用方法が明白です インターフェイス が必要とする引数の数が抑えられて、少ない加工でもその引数を簡単に提供できます 必要のないデータまでを求めませんが、呼び出し元で準備が必要となってしまう細かすぎるデータも求めません 機能と同じ抽象レベルのデータを引数にします たとえば、商品の価格を計算する機能では、商品モデルを受け取るだけでも問題ありません インターフェイス の返り値も引数と同じルールに従って、他の機能でそのまま活用できます インターフェイス は基本的にステートレスです メソッドをどんな形でどれだけ呼んでも、内部ステートが変わらず、機能の結果に影響しません 最終的のステートを格納するモデルクラスは例外です インターフェイス の実装詳細が隠蔽されてます 呼び出し元が実装の詳細を気にする必要がありません 後から実装が変わっても、変更なく機能をそのまま利用できます（実装の詳細が漏洩しません） インターフェイス はコンテキストには必要以上に依存せず、他のコンテキストでも再利用できます 活用する場合に、必ず他の機能と併用しないと使えない状況に陥ることがありません コンテキストがなくても機能をそのまま理解できます その特徴を持つ インターフェイス を実装するのが難しい時がありますが、どれだけ インターフェイス を高レベルなものに保てたかによって複雑さが決まることが多いです。 インターフェイス 設計の過程で機能の実装自体が難しくなることがありますが、難しい実装と比べて難しい インターフェイス の方は影響が大きいので、選ぶ必要がある時は実装より インターフェイス の方を簡単に保つべきです。 抽象化のメリット うまく抽象化できれば、様々なメリットが現れます。 単純性 全体的にわかりやすくなるので、調査にかかる時間が短縮されます もともと実装した人にとっても、触ったことがない新人にとっても 抽象化を考慮する時間が必要となりますが、実装自体にかかる時間は減ります 問題をそれぞれ個別として扱えるようになるので、一つの問題のみに集中できるようになります 柔軟性 各機能は明確に隔離されるので、一つの機能の修正が他の機能に与える影響が減ります ものをより自由に変更できるようになります 各機能は高レベルな インターフェイス で包まれるので、機能の間に新しい機能を追加するのが簡単になります ドメイン 層の新しい ビジネスロジック など アプリケーション層のキャッシングレイヤーなど 各機能のコンテキストへの依存も抑えられるので、 リファクタリング がよりやりやすくなります 機能の再編など 機能の実行順番の変更など 保守性 単純性と柔軟性の改善から、保守性もそのまま向上されます バグ発生時にどこを修正すればいいのかがより早くわかります 該当箇所を修正したら、漏れが発生しにくくなります 一つの問題が一つのところで対応されるので 密結合状態が避けられるので、 リファクタリング の必要性も減ります 安定性 同じ理由で安定性も改善されます 問題の分割で漏れにはより早く気づくので、仕様漏れやバグの発生率は減ります テスト性 機能一つ一つは独立するので、 ユニットテスト も実装しやすくなります コンテキストとテストデータの準備で必要となる努力は減ります 単一責任に重点が置かれるので、複数の関係のないものを同時にテストする頻度も減ります 抽象化をするには うまく抽象化をするには何を気にするべきか、どのステップを取るべきかを紹介してみます。 概念の分析 抽象化と関係がないことですが、まずするべきなのは対象の案件を具体的なものにすることだと思います。 道標となるメインな仕様があるとして、エッジケースがあるのか、コンテキストが何なのか、未定なところがあるのか、というところを洗い出します。 それができたら、その案件を概念として分析します。 問題を解決するために必要となるデータ（モデルなど）には何があるのかを、「問題の構造化」で紹介した問題の分け方を活かして、分析します。 データを細かく分析できたら、その次に処理（関数など）の分析をします。 問題解決のためにどの処理が必要なのかを洗い出します。 ドメイン 層（ ビジネスロジック ）とアプリケーション層（ フレームワーク ）を明確に分けることも望ましいです。 うまく分けて、問題をそれぞれの層の独立したものとして分析できれば、全体が単 純化 されることが多いです。 簡単に実装できそうな大きさの、曖昧なところのない、一つ一つな要素になるまで、データと処理の分析を繰り返します。 抽象化の一番難しい作業は以上の分析になるので、クリアできたら、残りのステップは簡単です。 Tips 分析結果で不可分と見える一つのデータか処理がやはり大きいという印象を抱くことがあるかもしれません。 一見では不可分ですが、大きいと見えたなら、おそらく複数な違う要素でさらに構成されてます。 その要素を暴き出すために、質問を問いて、そのデータか処理の本質を探し出すのがいいかと思います。 そのものは何なのか、何が目的か、実装するには何が必要かなど。 同じく、分析でうまく表現できないデータか処理が現れるかもしれません。 そのものをどう実装できるのかがよくわからない時は新しい概念の導入を検討します。 商品というのはそのまま概念として成り立ちますが、一部の商品のみを扱える処理があるとわかったなら、商品には種類という概念を導入する必要があるかもしれません。 扱い方が全然変わってしまうなら、商品モデルにステートを表すメソッドかカラムを追加するだけのではなく、ラッパークラスを通して、モデルを抽象化するのが妥当な可能性があります（たとえば、購入できない商品対購入できる商品など）。 当然、処理のほうにも新しい概念の導入が必要となる場合があります。 概念としては、ステート、ポリシー、イベント、エラー、アクション、プレゼンター、ストラテ ジー 、エクスト ラク ター、ノーマライザー、 セレクタ ー、ヒストリーなど、ものとことのどちらにも無限とあります。 プログラムに自由に新しい概念を導入しましょう。 インターフェイス の用意 その次に、分析されたものに一つ一つ インターフェイス を与えます。 「 インターフェイス の単 純化 」で紹介した特徴を意識して、簡単な インターフェイス の設計を目標とします。 簡潔にまとめると、以下の特徴を目指します。 用途が伝わる抽象的な名称 数の抑えられたエンドポイント パブリックな関数やメソッドなど 単純な引数と返り値 ステートレスな インターフェイス 実装の詳細を隠蔽した カプセル化 抑えられたコンテキストへの依存 最初から完璧な インターフェイス を設計することが難しい時があります。 そういう時はまず用途を果たすものを作ってから、その インターフェイス を少しずつ改善していく方が効率的です。 基本的に インターフェイス の設計が終わってから、実装に入るべきです。 そうすれば、実装に左右されず、簡単なものが作りやすくなります。 ただし、実装で曖昧なところが多い時は実装をある程度進めてから、 インターフェイス を設計するのもありです。 Tips 名称としては、要素の実装を必要以上に具体的に表さないながら、用途や目的を明確にした、周りと同じ抽象レベルなものが望ましいです。 クラス名、メソッド名、変数名など、どのものにも以上のルールを適用します。 高レベルなコンテキストで、 WriteProductIdToRedis と AddProductToCart の間で後者の方が望ましいでしょう。 なぜかというと、 WriteToRedis と ProductId は実装を直接表すものでありながら、その用途を表してないです。 クラスの実装と呼び出し元を調べないと、用途が何なのかがわからないという問題もあれば、実装が変わった場合、クラス名がその実装と合わなくなります。 簡単な インターフェイス を作るには、実装の詳細とコンテキストを一旦全部忘れて、設計したいデータや処理を ブラックボックス として考えるのがいいと思います。 その インターフェイス でしたら、触ったことのない、コンテキストに疎い新人にとって、そのまま意味をなすものなのかを確認します。 本当に簡単なものであれば、 インターフェイス を見るだけで、大体なことは理解できるはずです。 QA 実装が一つ完成したら、結果を振り返って、抽象化としての質を確かめるのがいいでしょう。 インターフェイス も実装もわかりやすいか 用途と使い方に関してどこかに違和感がないか 単一責任が保たれてるか 実装が顕になってないか その抽象レベルで不可分であるか コンテキストへの依存が少ないか 何かよくないところを発見したら、概念の分析を確認するか、 インターフェイス を調整します。 適用例 初期状況 現在進めている React プロジェクトでは、アナウンスという、特定の条件下で画面に表示される注意事項というものがあります。 同時に、エラーという、サーバーから受け取る動的に変わる説明事項もあります。 画面のデザイン上では、色を除いて、アナウンスとエラーは大体一緒です。 エラーの仕組みはすでに実装されていて、React コンポーネント 内でエラー配列から該当エラーをタグでフィルターして、そのままレンダーするようになっていました。 const renderErrors = () => errors.filter(Error.match( { tag: 'totals' } )) .map((error, index) => <Error key= { index } error= { error } />) return ( <div> { renderErrors() } ... </div> ) 一方で、アナウンスは コンポーネント 内で直接表示すべきかを計算して、そのままレンダーするようになっていました。 const renderCashOnDeliveryMethodAnnounce = () => { if (!(hasDeliveryMethodWithPrepaidFees && isPayOnReceipt)) { return } return <Announce title= "着払いを選択しました。" details= "..." /> } ただし、そのやり方だと、 コンポーネント 一つ一つに表示条件とメッセージの定義を行わないといけなくて、DRY ではないところから保守性が下がります。 エラーの仕組みと似てるところも複数あったので、共 通化 ができるのではないかと思いました。 改善策 メッセージという新しい概念を導入 まず気づいたのは <Error /> と <Announce /> という コンポーネント が大体一緒だったということです。 もとを辿れば、エラーとアナウンスはユーザーに何かを伝えるためのものなので、抽象化して <Message /> としてエラーとアナウンスを再定義しました。 <Message /> はただのメッセージであって、エラーやアナウンスの用途を考慮しないものなので、 インターフェイス は汎用的です。 <Message importance= {} title= {} details= {} /> importance はメッセージの重要度を表しています。値としては info や danger があります。 その importance を使って、メッセージの色が決まりますので、 <Message /> が特に考慮していなくても、呼び出し元でアナウンスとエラーの両方をそのまま表せます。 概念にオーバーラップがないので、 疎結合 となります。 アナウンスという概念を明確に このままでは、アナウンスという概念はコードには明確に現れず、表示条件と組み合わされたメッセージ以上のものにはならないです。 それだと、保守性は上がらず、すべてのアナウンスの改修が必要となれば、箇所の一つ一つを修正しないといけなくなるのと、アナウンスに関するルールも明確になりません。 アナウンスはどこからどこまでのものなのかが曖昧になってしまいます。 なので、その状況でアナウンスを明確なものにするため、アナウンスの定義、略してアナウンスの概念を導入しました。 アナウンスには重要度、文章、表示箇所と表示条件がありますので、定義でそれを明示的に表現します。 // announces.js const ANNNOUNCES = { cash_on_delivery_method_selected: { importance: 'warning' , title: '着払いを選択しました。' , details: '商品価格に含まれていた送料分が引かれますが、別途、着払い料金が必要です。' , tags: [ 'totals' ] , when: ( { product: { hasDeliveryMethodWithPrepaidFees } , deliveryMethod: { isPayOnReceipt } } ) => hasDeliveryMethodWithPrepaidFees && isPayOnReceipt } , // ... } ANNOUNCES オブジェクトのバリューはアナウンスの定義となります。 重要度は importance 文章は title と details 表示箇所は tags で対象オブジェクトを間接的に指定します 表示条件は when でカート商品というモデルを引数に定義します アナウンスはすべて一つのファイル内で定義されてるので、アナウンス横断の修正は簡単になります。 タグでアナウンスが対象にするエリアを定義していますが、どのタグがどのエリアに当たるのかを決めるのは コンポーネント なので、 疎結合 です。 表示条件も、特定の コンポーネント でのみアクセスできるデータを使わず、どのアナウンスにも渡される汎用モデルを引数としているので、コンテキストには依存しません。 あとからアナウンスのタグや表示条件を変えても、コンポネントの方で何も変更なく、アナウンスがそのまま更新されます。 この修正でアナウンス機能は他のものから独立して、一つのものとして扱えるようになりました。 アナウンスとエラーの レンダリング を抽象化 アナウンスとエラーは両方メッセージとなりました。 または、アナウンスの表示箇所はエラーと同じくタグを使って指定できるようになりました。 なので、レンダー処理はアナウンスとエラーの間で抽象化可能となります。 return ( <div> { renderMessages(cartItem, { tag: 'totals' } ) } ... </div> ) 以上のコードでは結局エラーかアナウンスかを意識せず、ただカート商品の、特定のタグのメッセージをレンダーするように単 純化 されました。 エラーは cartItem 内にある errors 配列が使われて、メッセージがレンダーされます。 アナウンスは announces.js 内の定義を対象に、 cartItem と tag を使うことでマッチするものを抽出して、メッセージがレンダーされます。 ただし、呼び出し元ではその内部処理を意識せず、より高い抽象レベルでメッセージをレンダーしてるだけです。 あとから、また違う種類のメッセージを自由に追加できます。 低レベルの詳細が抽象化されて、プログラムの単純性と柔軟性が改善されました。 終わりに 誰もが、ある程度の抽象化は意識せずにできてしまいます。ただし最大までにその概念を活かすには努力と経験が必要となります。 抽象化の目的でライブラリーを活かすのも重要であれば、 ビジネスロジック の抽象化も必要不可欠です。 抽象化をうまく活かせたプロジェクトはリリース後でも修正が容易で、時間が経っても追加開発で特に難しくならないです。 ただし、抽象化されたものが少しずつ具体化して、どんどん変更しにくくならないように、気をつけて常に努力する必要があります。 バランスにも気をつけないといけないです。最大まで抽象化したものが逆に理解しにくくなることもあります。 抽象化と具体化の間のいい中間点を見つけるのが目的となります。ただし、高い抽象レベルでも名称がしっかりしていれば、大体問題にならないと思います。 抽象化は科学的な手順に沿って行うのも可能でしょうが、感に頼って抽象化するのが基本だと思います。 その感を育てるには経験を重ねないといけないですが、メリットが実に大きいので、コストパーフォーマンスがいいです。 新人と経験者の違いの一つは、どれだけ抽象化をうまくできるかというところにあると思います。 最後に、一見では難しいと見えた問題は、抽象化をうまく活かせれば、意外と簡単になります。 概ね、対応中の実装で一つや２つの概念が見えていないからこそ、複雑と感じてしまいます。 プログラム内でその概念を明確に表せれば、複雑さは大体解消されます。 明日の記事の担当はディレクターの神吉さんです。お楽しみに。 株式会社 エニグモ 正社員の求人一覧 hrmos.co

Rails アプリケーションに gRPC を導入したときの話 こんにちは、エンジニアの齊藤です。 この記事は Enigmo Advent Calendar 2020 の10日目の記事です。 本日は、 Kubernetes にデプロイした複数の Rails アプリケーション間のデータのやり取りに gRPC を採用した開発について ruby の実装を中心にいくつか共有したいと思います。 ruby を使った gRPC の開発という内容は オフィシャルのスタートガイド で細かく説明されているものがありますので、そちらを踏まえて実際どのように Rails アプリケーションに組み込んだのかという内容でまとめてみました。 まずは Protocol Buffers についてです。 Protocol Buffers によるサービスの定義 gRPC を利用するためには Protocol Buffers という IDL を使ってサービスの内容を定義します。 以下は Seller という出品者情報のエンティティとなるメッセージを定義した上でそれらを操作するためのプロシージャ名とそれぞれのリク エス トパラメーターとレスポンスをメッセージとして定義 したサービスの実装( sellers.proto )の一部です。 サービスの定義でのポイントはエンティティとなるデータ構造は必ず定義して、これを直接レスポンスのメッセージとしては利用せずにリク エス トパラメーターとなるメッセージとレスポンスとなるメッセージを必ずそれぞれ定義するようにしました。 以下の実装でいうと UpsertSellerResponse では単一の Seller をレスポンスで返却し、 GetSellers では複数の Seller を返すような実装になります。 例えば同じ内容のリク エス トパラメーターやレスポンスを複数のプロシージャで共有することは可能だとは思いますが、冗長でもプロシージャごとにそれぞれリク エス トとレスポンスメッセージを用意しておくほうが API としてわかりやすく定義できるのではと思います。 今のプロジェクトの Protocol Buffers を振り返ると一つのサービスにたくさんのプロシージャを定義してしまっているケースも見受けられ、そういった場合は package の記述で ruby のネームスペースを利用することができるのである程度階層化することで解消できたのではと思いっています。 syntax = "proto3"; package Buyma.RPC.PersonalShopper; import "google/protobuf/timestamp.proto"; service Sellers { rpc UpsertSeller(UpsertSellerRequest) returns (UpsertSellerResponse) {} // 出品者情報作成・更新 rpc GetSellers(GetSellersRequest) returns (GetSellersResponse) {} // ページング可能な出品者一覧を取得 } message Seller { uint64 seller_id = 1; string nickname = 2; google.protobuf.Timestamp created_at = 4; google.protobuf.Timestamp updated_at = 5; } message UpsertSellerRequest { unit64 seller_id = 1 string nickname = 2; } message UpsertSellerResponse { Seller seller = 1; // 新規に登録または更新された Seller を返す } message GetSellersRequest { int32 page = 1; } message GetSellersResponse { repeated Seller sellers = 1; // 複数の Seller を返す int32 current_page = 2; int32 total_pages = 3 int32 per_page = 4 } サービス定義からのコード生成 gRPC は Protocol Buffers でサービス内容を定義したファイルからサーバー/クライアント向けのコードを自動生成するツールが提供されています。 それらを利用することでサーバーとクライアントを任意の言語で実装できるようになっています。 今回のケースでは定義( .proto )ファイルと自動生成された ruby のコードを Gem としてパッケージしそれぞれの Rails アプリケーションで利用することにしました。 ちなみに .proto 自体は開発言語に依存しないので複数の言語で利用されることを想定した場合は別の独立した リポジトリ で管理するのが良いと思います。 今回は利用するアプリケーションのスコープと開発言語が ruby に限定されていたので Gem に内包する形で問題ないと判断しました。 ruby で利用するために必要なライブラリは同じく Gem として提供されている grpc と grpc-tools でこれらを gem スペックに記述して導入します。 gruf というライブラリについては後述します。 # 一部省略 Gem :: Specification .new do | spec | # 一部省略 spec.add_dependency ' activerecord ' , ' 6.0.0 ' spec.add_dependency ' activesupport ' , ' 6.0.0 ' spec.add_dependency ' google-protobuf ' , ' 3.9.0 ' spec.add_dependency ' grpc ' , ' 1.22.0 ' spec.add_dependency ' gruf ' , ' 2.7.0 ' # 一部省略 spec.add_development_dependency ' bundler ' , ' ~> 2.0 ' spec.add_development_dependency ' grpc-tools ' , ' 1.22.0 ' end Gem の開発環境は ruby を導入した docker コンテナを利用しました。 以下の grpc_tools_ruby_protoc というコマンドを実行することで必要なコードを生成できます。 Stub と呼ばれるこれらのコードの生成については こちら に詳しく説明がされています。 $ docker-compose exec -w $PWD/lib ash bundle exec grpc_tools_ruby_protoc --ruby_out . --grpc_out . $(cd lib && find . -name '*.proto') このコマンドを実行することによって lib/sellers_pb.rb (定義したすべてのメッセージを含む Protocol Buffers の実装), lib/sellers_service.rb (サービスを実装するための基盤となるクラスとサービスに接続するための Stub と呼ばれるクラス) という２つのファイルが生成されます。 これらを require することでサーバーとクライアントを実装することが可能になります。 今回は更に Gruf という Gem を使ってこれらのコードを Rails アプリケーションに導入しました。 Gruf を使ったサーバー実装 こちら に説明があるように生成されたコードを使ってサーバーの実装を行い gRPC サーバーのプロセスを起動することは可能ですが、既存の Rails アプリケーションにうまく組み込んでいくにはある程度の設計と共 通化 するための機能や設定周りの実装が発生します。 今回はその問題を解消してくれる Gruf というライブラリを使って利用できる実行環境を用意しました。 Gruf については こちらの Wiki に詳しい説明があります。 Gruf を使った RPC サーバーの実装は app/rpc/sellers_controller.rb といった RPC 向けのコントローラーファイルを使い Rails に馴染んだ設計でサーバーの実装をすることが可能になります。 以下のコントローラークラスの例は先程の Sellers サービスのコントローラーです。生成された Buyma::RPC::PersonalShopper::Sellers::Service を bind することでコントローラーのメソッドと マッピング されます。 upsert_seller メソッドは先程の定義ファイルの rpc UpsertSeller の処理を実装したものです。 Buyma::RPC::PersonalShopper::UpsertSellerResponse を返しています。 各コントローラーメソッドには自動的に request というオブジェクトが参照できるようになっており、 request.message でリク エス トの RPC メッセージが参照できるようになっています。 これは Rails コントローラーでリク エス トパラメーターを参照できる params の仕組みに類似した設計だと思いました。 class SellersController < :: Gruf :: Controllers :: Base bind Buyma :: RPC :: PersonalShopper :: Sellers :: Service def upsert_seller Buyma :: RPC :: PersonalShopper :: UpsertSellerResponse .new( seller : Buyma :: RPC :: PersonalShopper :: Seller .new(seller.to_grpc_hash.slice( :seller_id , :nickname , :created_at , :updated_at )) ) end def get_sellers Buyam :: RPC :: PersonalShopper :: GetSellersResponse .new( sellers : sellers, ... end private def seller params = request.message.to_rails_hash end # 一部省略 end seller: Buyma::RPC::PersonalShopper::Seller.new( 部分の実装について Seller メッセージのパラメーターは AcitveRecord の インスタンス である seller から生成していますが seller.to_grpc_hash という実装は先程の Gem のなかで ActiveRecord ::Base に追加しているメソッドです。 google.protobuf.Timestamp 型のフィールドには Time 型の値以外を アサイ ンできない制約があるためこのメソッドで to_time への変換を行うことでその問題を回避しています。 [ 1 ] pry(main)> Buyma :: RPC :: PersonalShopper :: Seller .new( created_at : Time .current) Google :: Protobuf :: TypeError : Invalid type ActiveSupport :: TimeWithZone to assign to submessage field ' created_at ' . from (pry): 32:in ` initialize ` [ 2 ] pry(main)> Buyma :: RPC :: PersonalShopper :: Seller .new( created_at : Time .current.to_time) < Buyma :: RPC :: PersonalShopper :: Seller : seller_id : 0 , nickname : "" , created_at : < Google :: Protobuf :: Timestamp : seconds : 1607499175 , nanos : 658255400 >, updated_at : nil > Gruf は Interceptor と呼ばれる gRPC が提供している、メソッドの前後に処理を行うための仕組みも サポート しています。 今回のプロジェクトでは ActiveRecord::RecordInvalid や ActiveRecord::RecordNotFound などの例外を各サーバーメソッドで共通してハンドリングするために利用しています。 require_relative ' ../error/handler ' module Buyma module RPC module PersonalShopper module Interceptor class HandleError < Gruf :: Interceptors :: ServerInterceptor def call yield rescue StandardError => e Buyma :: RPC :: PersonalShopper :: Error :: Handler .call( self , e) end end end end end end インターセプターの登録は config/initializers で行います。 config/initializers/gruf.rb Gruf .configure do | c | c.interceptors.use( Buyma :: RPC :: PersonalShopper :: Interceptor :: HandleError ) end サーバーの起動 は以下のコマンドで、これで bind したすべてのコントローラーのハンドリングが可能になります。 $ bundle exec gruf Gruf を使ったクライアント実装 クライアント側の実装は Gruf::Client に実行したい RPC サービス名(ここでは Buyma::RPC::PersonalShopper::Sellers ) を指定してサービスに接続するスタブの インスタンス を生成します。 .call メソッドでプロシージャ名とパラメーターを指定して実行することができます。 [ 1 ] pry(main)> client = Gruf :: Client .new( service : Buyma :: RPC :: PersonalShopper :: Sellers , options : { hostname : ENV [ ' GRUF_SERVER ' ] }) [ 2 ] pry(main)> client.call( :UpsertSeller , seller_id : 1 , nickname : ' Foo ' ).message.inspect calling personal-shopper-api-gruf-server: 9001:/ Buyma .RPC.PersonalShopper.Sellers/ UpsertSeller " <Buyma::RPC::PersonalShopper::UpsertSellerResponse: seller: <Buyma::RPC::PersonalShopper::Seller: seller_id: 1, nickname: \"Foo\", created_at: <Google::Protobuf::Timestamp: seconds: 1597815761, nanos: 131317000>, updated_at: <Google::Protobuf::Timestamp: seconds: 1607500796, nanos: 652204000>>> " レスポンスメッセージについても Gem で Google::Protobuf::MessageExts に追加した to_rails_hash メソッドで必要な型変換を行った Hash として取得し以降の処理 ( ActiveRecord の インスタンス の生成等)でデータ型による問題を回避する工夫を行いました。 [ 1 ] pry(main)> client.call( :UpsertSeller , seller_id : 490652 , nickname : ' Foo ' ).message.to_rails_hash calling personal-shopper-api-gruf-server: 9001:/ Buyma .RPC.PersonalShopper.Sellers/ UpsertSeller { :seller => { :seller_id => 490652 , :nickname => " Foo " , :created_at => Wed , 19 Aug 2020 14 : 42 : 41 JST +09: 00 , :updated_at => Wed , 09 Dec 2020 16 : 59 : 56 JST +09: 00 } } gRPC サーバーの HealthCheck Kubernetes にサーバーをデプロイする場合 readinessProbe と livenessProbe の設定に必要になるヘルスチェックの実装についても共有します。 ヘルスチェックの実装には こちら 記事を参考に実装しました。 gPRC には ヘルスチェックのためのプロトコル とそれを実行するための grpc-health-probe というツールがあるのでそちらを導入します。 ツールは gRPC サーバーを起動する Rails アプリケーションコンテナの Dockerfile でインストールしました。 RUN GRPC_HEALTH_PROBE_VERSION=v0.3.1 \ && wget -qO/bin/grpc_health_probe \ https://github.com/grpc-ecosystem/grpc-health-probe/releases/download/${GRPC_HEALTH_PROBE_VERSION}/grpc_health_probe-linux-amd64 \ && chmod +x /bin/grpc_health_probe アプリケーションには Grpc::Health::V1::Health::Service を バインドしたプロシージャを実装をします。 実装内容はアプリケーション上のヘルスチェックを行った上で適切なレスポンスメッセージを返すだけです。 こちらも Gruf のコントローラーとして実装しています。 require ' grpc/health/v1/health_services_pb ' class HealthCheckController < :: Gruf :: Controllers :: Base bind Grpc :: Health :: V1 :: Health :: Service def check if alive? # アプリケーション上のヘルスチェックを実行する Grpc :: Health :: V1 :: HealthCheckResponse .new( status : Grpc :: Health :: V1 :: HealthCheckResponse :: ServingStatus :: SERVING ) else Grpc :: Health :: V1 :: HealthCheckResponse .new( status : Grpc :: Health :: V1 :: HealthCheckResponse :: ServingStatus :: NOT_SERVING ) end end end 動作確認をします。 正常な場合 $ docker-compose exec personal-shopper-api-gruf-server grpc_health_probe -addr=: 9001 status: SERVING 問題がある場合 $ docker-compose exec personal-shopper-api-gruf-server grpc_health_probe -addr=:9001 service unhealthy (responded with "NOT_SERVING") あとは Kubernetes の deployment でヘルスチェックコマンドを導入して完了です。 livenessProbe : exec : command : - grpc_health_probe - -addr=:9001 failureThreshold : 3 initialDelaySeconds : 20 periodSeconds : 10 successThreshold : 1 timeoutSeconds : 5 readinessProbe : exec : command : - grpc_health_probe - -addr=:9001 failureThreshold : 3 initialDelaySeconds : 10 periodSeconds : 10 successThreshold : 1 timeoutSeconds : 5 最後に Rails アプリケーションに gRPC を導入した際のポイントをいくつか共有させていただきました。 今回実際に導入してみて gRPC は IF の仕様が明確にできアプリケーション間で相互にデータをやり取りするようなケースに適している点やそれを仕組み化する基盤としての便利さを体感することができました。 今後の開発でさらに利用する機会を広げて行ければと思いました。 明日は マッドサイエンティスト の ステェーヴェン・ル・ボエデック 氏です。 よろしくお願いします。

こんにちは。データサイエンティストの堀部です。 この記事は Enigmo Advent Calendar 2020 の9日目の記事です。 何か社外のデータを使っていい感じのことができないかなと思っていたところ、 3日目の竹本さんの記事 がおもしろく、 パクリ 二次創作しました。 短期間で実装したので汚いコードで見苦しいかもしれないですがご了承ください。ちなみに、私は競馬は簡単なルールを知っているくらいでズブの素人です。 目次 使用したライブラリ データ取得 前処理 学習 予測・評価 VSオッズ低い順 VS競馬必勝本 感想 参考資料 使用したライブラリ import urllib.parse import urllib.request as req from time import sleep import category_encoders as ce import lightgbm as lgb import matplotlib.pyplot as plt import numpy as np import pandas as pd from bs4 import BeautifulSoup from selenium import webdriver from tqdm.auto import tqdm インストール手順は割愛します。 *1 データ取得 オッズだけでモデルを組むのはつまらないので簡単に取得できる範囲で下記を追加しました。 馬連 枠 馬名 斤量 騎手 厩舎 馬体重とその増減 年齢 性別 データ取得にあたり、下記の関数とクラスを用意しました。 sleep関数で1秒以上の間隔を空けてnetkeibaから スクレイピング しています。 def get_raceids (date): url = "https://race.netkeiba.com/top/race_list_sub.html?kaisai_date=" + date res = req.urlopen(url) racesoup = BeautifulSoup(res, "html.parser" ) sleep( 1 ) racelist = racesoup.select( "#RaceTopRace > div > dl > dd > ul > li > a:nth-of-type(1)" ) raceids = [ urllib.parse.parse_qs(urllib.parse.urlparse(race.get( "href" )).query)[ "race_id" ][ 0 ] for race in racelist ] return raceids def set_selenium (): options = webdriver.ChromeOptions() options.add_argument( "--headless" ) options.add_argument( "--no-sandbox" ) options.add_argument( "--disable-dev-shm-usage" ) driver = webdriver.Chrome( "chromedriver" , options=options) driver.implicitly_wait( 15 ) return driver class HorceRacing : def __init__ (self, race_id, driver): self.race_id = race_id self.driver = driver try : self.result = pd.read_html( "https://race.netkeiba.com/race/result.html?race_id=" + self.race_id ) sleep( 1 ) except BaseException : print ( "no result yet" ) self.odds = self._get_odds() self.info = self._get_info() self.dict_columns = { "馬番" : "horse_no" , "枠" : "gate" , "馬名" : "horse_name" , "斤量" : "burden_weight" , "騎手" : "jockey_name" , "厩舎" : "stable" , "馬体重" : "horse_weight" , "馬体重_増減" : "horse_weight_change" , "性別" : "sextype" , "年齢" : "age" , "オッズ" : "odds" , "着順" : "target" , } def _get_odds (self): self.driver.get( "https://race.netkeiba.com/odds/index.html?type=b1&race_id=" + self.race_id + "&rf=shutuba_submenu" ) html = self.driver.page_source.encode( "utf-8" ) tanhukusoup = BeautifulSoup(html, "html.parser" ) tanhuku_df = pd.read_html( str (tanhukusoup.html))[ 0 ].loc[:, [ "馬番" , "オッズ" ]] sleep( 1 ) return tanhuku_df def _get_info (self): info_df = pd.read_html( "https://race.netkeiba.com/race/shutuba.html?race_id=" + self.race_id )[ 0 ] sleep( 1 ) info_df.columns = [col[ 0 ] for col in info_df.columns] info_df = info_df.loc[:, [ "馬番" , "枠" , "馬名" , "性齢" , "斤量" , "騎手" , "厩舎" , "馬体重(増減)" ]] info_df[ "馬体重" ] = ( info_df[ "馬体重(増減)" ].str.split( "(" ).str[ 0 ].replace( "--" , np.nan).astype( float ) ) info_df[ "馬体重_増減" ] = ( info_df[ "馬体重(増減)" ] .str.split( "(" ) .str[ 1 ] .str.replace( ")" , "" ) .replace( "--" , np.nan) .replace( "前計不" , np.nan) .astype( float ) ) info_df[ "性別" ] = info_df[ "性齢" ].str[ 0 ] info_df[ "年齢" ] = info_df[ "性齢" ].str[ 1 :].astype( int ) info_df.drop([ "馬体重(増減)" , "性齢" ], axis= 1 , inplace= True ) return info_df # 同着があり複数パターンある場合は1番初めのパターンだけ取得 def result_sanrentan (self): _result = self.result[ 2 ].set_index( 0 ).loc[ "3連単" , [ 1 , 2 ]] return ( int (_result[ 2 ].replace( "," , "" ).split( "円" )[ 0 ]), list ( map ( int , _result[ 1 ].split( " " ))), ) def result_sanrenpuku (self): _result = self.result[ 2 ].set_index( 0 ).loc[ "3連複" , [ 1 , 2 ]] return ( int (_result[ 2 ].replace( "," , "" ).split( "円" )[ 0 ]), list ( map ( int , _result[ 1 ].split( " " )))[: 3 ], ) def result_tansyo (self): _result = self.result[ 1 ].set_index( 0 ).loc[ "単勝" , [ 1 , 2 ]] return ( int (_result[ 2 ].replace( "," , "" ).split( "円" )[ 0 ]), list ( map ( int , _result[ 1 ].split( " " ))), ) def get_df (self): df = self.info.merge(self.odds, on= "馬番" ).merge( self.result[ 0 ].loc[:, [ "馬番" , "着順" ]], on=[ "馬番" ] ) # カラムが日本語だとモデルの学習ができないので置換 df.columns = df.columns.map(self.dict_columns) df[ "race_id" ] = self.race_id # 着順が数値以外のものを除外・置換 df = df.loc[~df[ "target" ].isin([ "中止" , "除外" , "取消" ]), :] df[ "target" ] = df[ "target" ].replace( "失格" , 20 ).astype( int ) # オッズが数値以外のものを置換 df[ "odds" ] = df[ "odds" ].replace( "---.-" , np.nan).astype( float ) # lighgbmのlambdarankは数値が大きい方がランクが高いという定義なのでtargetを変換 df[ "target" ] = df[ "target" ].max() - df[ "target" ] + 1 return df データの取得期間は下記のように分けました。 訓練データ：2020年9月5日〜2020年10月31日（540レース分） 検証データ：2020年11月1日〜2020年11月23日（252レース分） テストデータ：2020年11月28日〜2020年11月29日（48レース分） *2 モデルの訓練に使えるような データ形式 で取得し、払戻金の計算が後ほどできるように当たった場合の金額を取得しています。 *3 list_date_train = [ "20200905" , "20200906" , "20200912" , "20200913" , "20200919" , "20200920" , "20200921" , "20200926" , "20200927" , "20201003" , "20201004" , "20201010" , "20201011" , "20201017" , "20201018" , "20201024" , "20201025" , "20201031" , ] list_date_val = [ "20201101" , "20201107" , "20201108" , "20201114" , "20201115" , "20201121" , "20201122" , "20201123" , ] list_date_test = [ "20201128" , "20201129" ] list_train_df = [] dict_train_result = dict () for date in tqdm(list_date_train): race_ids = get_raceids(date) for race_id in tqdm(race_ids): hr = HorceRacing(race_id, driver) train_df = hr.get_df() train_df[ "date" ] = date list_train_df.append(train_df) dict_train_result[race_id] = { "sanrentan" : hr.get_result_sanrentan()[ 0 ], "sanrenpuku" : hr.get_result_sanrenpuku()[ 0 ], "tansyo" : hr.get_result_tansyo()[ 0 ], } list_val_df = [] dict_val_result = dict () for date in tqdm(list_date_val): race_ids = get_raceids(date) for race_id in tqdm(race_ids): hr = HorceRacing(race_id, driver) val_df = hr.get_df() val_df[ "date" ] = date list_val_df.append(val_df) dict_val_result[race_id] = { "sanrentan" : hr.result_sanrentan()[ 0 ], "sanrenpuku" : hr.result_sanrenpuku()[ 0 ], "tansyo" : hr.result_tansyo()[ 0 ], } list_test_df = [] dict_test_result = dict () for date in tqdm(list_date_test): race_ids = get_raceids(date) for race_id in tqdm(race_ids): try : hr = HorceRacing(race_id, driver) test_df = hr.get_df() test_df[ "date" ] = date list_test_df.append(test_df) dict_test_result[race_id] = { "sanrentan" : hr.result_sanrentan()[ 0 ], "sanrenpuku" : hr.result_sanrenpuku()[ 0 ], "tansyo" : hr.result_tansyo()[ 0 ], } except BaseException : pass train = pd.concat(list_train_df) train = train.sort_values( "race_id" ) train.reset_index(inplace= True , drop= True ) val = pd.concat(list_val_df) val = val.sort_values( "race_id" ) val.reset_index(inplace= True , drop= True ) test = pd.concat(list_test_df) test = test.sort_values( "race_id" ) test.reset_index(inplace= True , drop= True ) 前処理 文字列はそのままだとモデルに入れられないので数値に置き換えます。 今回モデルはlightgbmを使うので、 OrdinalEncoder を利用しました。 また、重要そうなオッズを中心に特徴量を追加しました。(関数：add_features) lightgbmのランク学習(lambdarank)の場合、回帰・分類予測と違い上から順に○行は同じレースだよというqueryを用意する必要があるので作成しておきます。 categorical_cols = [ "horse_name" , "jockey_name" , "stable" , "sextype" ] ce_oe = ce.OrdinalEncoder( cols=categorical_cols, handle_unknown= "return_nan" , handle_missing= "return_nan" ) train = ce_oe.fit_transform(train) val = ce_oe.transform(val) test = ce_oe.transform(test) def add_features (df): odds_min = df.groupby( "race_id" )[ "odds" ].min() # オッズの最小値との差分 　df[ "odds_diff" ] = df[ "odds" ] - df[ "race_id" ].map(odds_min) # オッズの最小値との倍率 df[ "odds_ratio" ] = df[ "odds" ] / df[ "race_id" ].map(odds_min) 　 # オッズの偏差値 df[ "odds_deviation" ] = (df[ "odds" ] - df[ "odds" ].mean()) / df[ "odds" ].std() # 斤量 + 馬の体重 df[ "all_weight" ] = df[ "burden_weight" ] + df[ "horse_weight" ] add_features(train) add_features(val) add_features(test) # レースIDを後で参照できるように保持 arr_train_race_ids = train[ "race_id" ].unique() arr_val_race_ids = val[ "race_id" ].unique() arr_test_race_ids = test[ "race_id" ].unique() # ランク学習に必要なqueryを作成 train_query = train.groupby( "race_id" )[ "horse_no" ].count().values.tolist() val_query = val.groupby( "race_id" )[ "horse_no" ].count().values.tolist() test_query = test.groupby( "race_id" )[ "horse_no" ].count().values.tolist() # 学習に不要なカラムを削除 drop_cols = [ "race_id" , "date" ] train.drop(drop_cols, axis= 1 , inplace= True ) val.drop(drop_cols, axis= 1 , inplace= True ) test.drop(drop_cols, axis= 1 , inplace= True ) # 目的変数を分離 target = train_df.pop( "target" ) val_target = val_df.pop( "target" ) test_target = test_df.pop( "target" 学習 モデルはlightgbmのscikit-learn API の LGBMRanker を利用しました。評価指標は NDCG ) *4 です。 lgb_params = { "objective" : "lambdarank" , "metric" : "ndcg" , "n_estimators" : 2000 , "boosting_type" : "gbdt" , "num_leaves" : 31 , "learning_rate" : 0.01 , "importance_type" : "gain" , "random_state" : 42 , } lgb_fit_params = { "eval_metric" : "ndcg" , "eval_at" :( 1 , 2 , 3 ), "early_stopping_rounds" : 50 , "verbose" : 10 , "categorical_feature" : categorical_cols, } lgb_model = lgb.LGBMRanker(**lgb_params) lgb_model.fit( train, target, group=train_query, eval_set=[(train,target),(val,val_target)], eval_group=[train_query,val_query], **lgb_fit_params ) 学習結果です。出馬情報だけだと予測が難しそうですね。 training's ndcg@1: 0.550162 training's ndcg@2: 0.608893 training's ndcg@3: 0.649182 valid_1's ndcg@1: 0.444402 valid_1's ndcg@2: 0.513605 valid_1's ndcg@3: 0.550583 特徴量の重要度(feature_importance)を算出してみました。オッズ関連が予測に効いていますね。 fti =pd.Series(lgb_model.feature_importances_,index=train.columns).sort_values() fti.plot(kind= "barh" ) 予測・評価 検証データ(val)とテストデータ(test)、それぞれに対して予測結果から 単勝 ・3連複・ 3連単 での的中率と100円ずつ買った場合いくら儲かるのか？を計算してみます。比較としてオッズの低い順(人気順)に買ってみた場合も出してみます。 def get_result ( target, pred, query, race_ids, dict_result, is_higher_better= True , bet_yen= 100 ): ind = 0 correct_first = 0 refund_first = 0 correct_sanrenpuku = 0 refund_sanrenpuku = 0 correct_sanrentan = 0 refund_sanrentan = 0 for q, race_id in zip (query, race_ids): _true_first = np.argmax(target[ind : ind + q]) if is_higher_better: _pred_first = np.argmax(pred[ind : ind + q]) else : _pred_first = np.argmin(pred[ind : ind + q]) if _true_first == _pred_first: correct_first += 1 refund_first += dict_result[race_id][ "tansyo" ] / 100 * bet_yen else : refund_first -= bet_yen _true_sanren = np.argsort(target[ind : ind + q].values)[::- 1 ][: 3 ] if is_higher_better: _pred_sanren = np.argsort(pred[ind : ind + q])[::- 1 ][: 3 ] else : _pred_sanren = np.argsort(pred[ind : ind + q])[: 3 ] if len ( set (_true_sanren) & set (_pred_sanren)) == 3 : correct_sanrenpuku += 1 refund_sanrenpuku += dict_result[race_id][ "sanrenpuku" ] / 100 * bet_yen else : refund_sanrenpuku -= bet_yen if _true_sanren.tolist() == _pred_sanren.tolist(): correct_sanrentan += 1 refund_sanrentan += dict_result[race_id][ "sanrentan" ] / 100 * bet_yen else : refund_sanrentan -= bet_yen ind += q print ( f "単勝 的中率: {correct_first / len(query) * 100 :.2f}%, 払戻金-賭け金: {refund_first}" ) print ( f "3連複 的中率: {correct_sanrenpuku / len(query) * 100 :.2f}%, 払戻金-賭け金: {refund_sanrenpuku}" ) print ( f "3連単 的中率: {correct_sanrentan / len(query) * 100 :.2f}%, 払戻金-賭け金: {refund_sanrentan}" ) print ( "-------------------------------------------" ) print ( f "合計 回収率: {((refund_first+refund_sanrenpuku+refund_sanrentan) / (3 * bet_yen * len(race_ids))+1) * 100 :.2f}%, 払戻金-賭け金: {refund_first+refund_sanrenpuku+refund_sanrentan}" ) pred_val = lgb_model.predict(val,num_iteration=lgb_model.best_iteration_) pred_test = lgb_model.predict(test,num_iteration=lgb_model.best_iteration_) print ( "■検証データ(val)" ) print ( "lightgbm モデル" ) print ( "-------------------------------------------" ) get_result( val_target, pred_val, val_query, arr_val_race_ids, dict_val_result, ) print ( "" ) print ( "オッズ低い順" ) print ( "-------------------------------------------" ) get_result( val_target, val[ "odds" ], val_query, arr_val_race_ids, dict_val_result, is_higher_better= False , ) print ( "" ) print ( "■テストデータ(test)" ) print ( "lightgbm モデル" ) print ( "-------------------------------------------" ) get_result( test_target, pred_test, test_query, arr_test_race_ids, dict_test_result ) print ( "" ) print ( "オッズ低い順" ) print ( "-------------------------------------------" ) get_result( test_target, test[ "odds" ], test_query, arr_test_race_ids, dict_test_result, is_higher_better= False , ) VSオッズ低い順 検証データ、テストデータ共にオッズ低い順にかけたよりも回収率が高くなりました！検証データでは残念ながらボロ負けですが、テストデータでは回収率100%超えました。特に3連複・ 3連単 の的中率がオッズ低い順より高くなっているのがおもしろいです。 ■検証データ(val) lightgbm モデル ------------------------------------------- 単勝 的中率: 30.95%, 払戻金-賭け金: 4660.0 3連複 的中率: 6.75%, 払戻金-賭け金: -11460.0 3連単 的中率: 1.59%, 払戻金-賭け金: -17060.0 ------------------------------------------- 合計 回収率: 68.44%, 払戻金-賭け金: -23860.0 オッズ低い順 ------------------------------------------- 単勝 的中率: 32.14%, 払戻金-賭け金: 2450.0 3連複 的中率: 5.56%, 払戻金-賭け金: -15660.0 3連単 的中率: 0.40%, 払戻金-賭け金: -22270.0 ------------------------------------------- 合計 回収率: 53.07%, 払戻金-賭け金: -35480.0 ■テストデータ(test) lightgbm モデル ------------------------------------------- 単勝 的中率: 37.50%, 払戻金-賭け金: 1360.0 3連複 的中率: 14.58%, 払戻金-賭け金: 1060.0 3連単 的中率: 4.17%, 払戻金-賭け金: -900.0 ------------------------------------------- 合計 回収率: 110.56%, 払戻金-賭け金: 1520.0 オッズ低い順 ------------------------------------------- 単勝 的中率: 37.50%, 払戻金-賭け金: 1310.0 3連複 的中率: 12.50%, 払戻金-賭け金: -1040.0 3連単 的中率: 2.08%, 払戻金-賭け金: -3360.0 ------------------------------------------- 合計 回収率: 78.54%, 払戻金-賭け金: -3090.0 VS競馬必勝本 竹本さんの記事では検証データと同じ期間にレースを選択して、3連複のみ購入していました。 金額としては14630円負けてしまいました。 競馬必勝本は本当に当たるのかを検証！〜Pythonで実装する馬券自動選択ツール〜 - エニグモ開発者ブログ そこで検証データの3連複のみ比較すると、 -11,460円(lightgbmモデル × 全レース) > -14,630円(競馬必勝本) > -15,660円(オッズ低い順 × 全レース) ということで、まぐれかもしれないですが 機械学習 で競馬必勝本に勝てたと言ってもよいのではないでしょうか？ 感想 なかなか簡単には儲かりませんね。 まだまだ改善の余地がありそうなので、気がむいたら趣味で続けてみたいと思います。 特徴量の追加：コースの情報、天気、血統 取得データ期間の延長 どのレースに賭ける/賭けないべきか？の予測 どの種類の馬券を買うべきか？の予測 参考資料 Welcome to LightGBM’s documentation! — LightGBM 3.1.0.99 documentation LightGBMでサクッとランク学習やってみる - 人間だったら考えて 馬券の種類：はじめての方へ JRA レース情報(JRA) | 出馬表やオッズ、プロ予想などの競馬情報は netkeiba.com 最後まで読んでいただきありがとうございました。 明日の記事の担当はエンジニアの齊藤さんです。お楽しみに。 株式会社 エニグモ 正社員の求人一覧 hrmos.co *1 : 私は poetry を利用しました。 *2 : 後から気づいたのですが、正しく比較するにはテストデータを2020年11月1日〜2020年11月23日にすべきでした。 *3 : 3位以内に同着がある場合は、前処理の簡略化のためサイト上に一番初めに掲載されているパターンのみ取得しています。 *4 : NDCGは0〜1の値をとり、高いほど精度がよいことを示します。

こんにちは。2021年度より株式会社 エニグモ に新卒で入社することになりました、岡本です。 普段は Mac 使いですが、10月にうっかり注文してしまった Lenovo ThinkPad X13 Gen 1 ( AMD )がもうすぐ届きます。2ヶ月待ちました。WSL2の使い心地をチェックしたいと思います。 この記事は Enigmo Advent Calendar 2020 の7日目の記事です。 私が就職活動を行った2020年は 新型コロナウイルス が流行し、全世界が多大な影響を受けました。そうした中で私がどのように就職活動を行ってきたか、そして内定先企業である株式会社 エニグモ に入社した経緯について、その他諸々綴ります。 いわゆる就活体験記です。 5000字超えの問わず語り、ぜひお付き合いください。 目次 自己紹介 エンジニアを目指したきっかけ 就職活動について（どういった軸で行い、エニグモと出会ったか） コロナ禍での就活 選考について 聞かれたことについて答える 内観し、自己を見出す 技術試験 エニグモの採用（説明会・面接・面談）への印象 エニグモに入社した理由 現在インターンとしてどのような業務を行っているか 今後の抱負 エンジニアを目指す就活生へのメッセージ 自己紹介 2020年11月よりアルバイトとしてサービスエンジニアリング本部に所属し、海外通販サイト『 BUYMA 』のWebアプリケーション開発に携わっています。 大学在学中にプログラミングの学習を始め、企業でWeb アプリ開発 の業務を行ったり インターン に参加していました。 エンジニアを目指したきっかけ 幼い頃から自宅のパソコンでインターネットを閲覧したり創作することが好きでした。小学校にもパソコンがあり、タイピング速度は学校で一二を争うほど速かったです。しかし中高生になった段階で スマートフォン を手に入れ、パソコンを使う機会は激減しました。 高校生の頃、部活動をせずに学校が終わったら急いで家に帰って音楽や深夜ラジオを聞いたり映画やコントのDVDを見たりカルチャー雑誌や文学作品を読んで一人の時間を楽しんでいました。地方で文化に飢えていた私、ライブや劇場に通うために大学進学を機に上京し、更にカルチャーに塗れた生活をしたいなとぼんやり考えていました。 が、紆余曲折あって上京を断念することになり、地元関西の大学の経済学部に進むことになりました。その時「困難に直面しても自力で立ち向かっていける武器を身に付けたい」と思いました。そんな中、書店で手に取った本に「これからの時代はプログラミングスキルを身に付けている人が重宝される」と書いてありました。すぐさまプログラミングについて調べ、Progateで学習し始めました。そこでプログラミングは面白いと思い、できるようになりたいと思いました。 プログラミングの学習を始めてから数ヶ月経過し、その中でスタートアップという世界があることを知りました。また、当時（2017年）は仮想通貨・ ブロックチェーン がトレンドで、それらの技術に興味がありました。 SNS を駆使し、仮想通貨に関する事業を行うスタートアップを見つけて インターン することになりました。 僕が任されたのはエンジニアリング業務ではなく仮想通貨メディアのライター業務でした。エンジニアをやりたいと思ったものの、ライターの業務もやりがいがあり楽しかったです。しかし、社内にいたエンジニアたちがホワイトボードを囲んで議論したり黒い画面に向かってコードを書いているのを横目で見て、やはり彼らのように働けるようになりたいと思いました。また、別のスタートアップの社長の方からもエンジニアになるよう後押しをいただいたこともあり、再びプログラミング学習に力を入れました。 ある程度学習が進んだ大学2年の終盤にさしかかる頃、先輩の紹介でWebエンジニアのバイトを始め、サマー インターン や ハッカソン にも参加するようになりました。 就職活動について（どういった軸で行い、 エニグモ と出会ったか） 満を持して3年時に参加した複数の企業のサマー インターン で、全国から集う優秀なエンジニア学生たちを目の当たりにし、自分の無力さを痛感しました。さらに逆求人形式のイベントに参加した際にも企業から辛辣な評価を受け、完全に心が折れ、自分の行先を見失っていました。情報系の大学/大学院を受験することも考えましたが、色んな人に相談し、エンジニアとして就職する決意を固めました。 コロナ禍での就活 年が明け、企業の本選考に応募し始めた矢先、 新型コロナウイルス が流行し始めました。 エニグモ を始め、各社オンラインでの面接が基本となったため、地方に住んでいる身としては移動のコストが掛からず、大変助かりました。 内定を貰い、アルバイト入社した現在もなお、オフィスに出社したことがありません。社員の方とも直接お会いしたことがありません。しかし、ZoomやSlackでコミュニケーションが取れるため、特に不便は感じていません。（が、せめて直接挨拶したい） こういったことはIT企業、なおかつエンジニアという職だから実現するのだな…と、しみじみありがたく思います。 選考について 選考を受ける過程で、大事だなと思ったことや、準備をしていたことがいくつかあるのでご紹介します。 聞かれたことについて答える 面接を受ける中で一番大事だと思ったのが「聞かれたことについて答えること」です。 簡単なことだと思われるかもしれませんが、意外と難しいことだと思います。 聞かれたことについて無目的に答えるのではなく「事実と意見を区別して答えること」が重要だと感じています。事実について答えるように質問をされているのに自分の意見を話してしまったり、余計なことを答えてしまうことがあるので、聞かれたことについて的確に答えることを普段から意識しています。 内観し、自己を見出す 面接の終盤、面接官の方から「最後に質問はありませんか」と問いかけられることが多いと思います。私はよく面接全体のフィードバックを貰っていました。「僕のことどう思いましたか？」という感じで。指摘されたことはすべて紙のノートやNotionにメモしていました。 例えばある時は「淡々と抑揚のない感じで喋っている」と指摘されたので、次回から少し声を張ったり表情を緩めて話すことを意識するようにしました。 Notionには「就活」という ディレクト リを作り、その下に「就活の軸」「自己紹介」「フィードバック」「想定される質問、それに対する回答」「企業の情報、面接の記録」などのファイルを作って、日々 言語化 を繰り返し、自分は心の中で何を思っているのかを言葉に起こす作業をしました。 心の中で思っていることを言葉にすることの有効性については、T. ウィルソン　村田光二 （訳）『自分を知り、自分を変える―適応的無意識の心理学』（ 新曜社 、2005年）の第8章が参考になりました。 自分を知り、自分を変える―適応的無意識の心理学 作者: ティモシー・ウィルソン 発売日: 2005/05/20 メディア: 単行本 会社選びの基準としては「社内のコミュニケーションは活発になされているか、技術の面で自分が貢献できそうか」などを焦点に置いていました。今後リモートワークが継続される可能性は高いため、各社コミュニケーションの仕方をどう工夫しているか面接で尋ねていました。 今までに作ったアプリや関わったサービスについて説明できるようにしておくのは重要です。自分がどんな役割を果たしたのか、こだわりポイントやつまづいたポイント、問題をどう解決したかなどを語れる準備をしました。「喉元過ぎれば熱さを忘れる」という言葉があるように、遭遇した問題やバグは解決してしまえば案外忘れてしまうものです（よね？）。いざ聞かれると答えられないということが分かったので事前に思い出していつでも言えるように準備していました。また、普段使っているWeb技術についても説明できるようにしていました。 技術試験 コーディングテストを課す企業があるので、 AtCoder を使ってA~C問題を解けるように練習していました。未だにコーディングテストは苦手です…。 Webエンジニアの場合は、まずアプリケーション作りを頑張って、使っている技術について説明できることを優先すべきだと思います。 エニグモ の採用（説明会・面接・面談）への印象 就活を始めた当初、 エニグモ を受ける予定はありませんでした。ある日の選考で受け答えがうまくいかず、失望の眼差しで求人サイトを眺めていたところ、偶然 エニグモ の新卒採用の募集が目に留まりました。事業が画期的で技術スタック的にも一致すると思い、軽い気持ちでエントリーしました。 エントリー後の人事面談を経て、1次・2次面接では各回エンジニア2名との面接を行い、最終面接で社長を含む役員3名・人事部長1名との面接を行いました。いずれも面接の翌日には結果をお知らせいただいていました。意思決定の素早さに驚きました。 面接期間は人事の方と連絡を取ることが多いですが、迅速かつ丁寧に対応していただき、好印象を抱きました。 そのほかにも、歳の近い複数の社員の方とのカジュアル面談を組んでいただきました。 エニグモ では BUYMA という安定した基盤がある中で、若手でも柔軟に裁量をもった仕事が出来ると聞き、自分の志向に合っていると感じました。 エニグモ に入社した理由 過去にアルバイトで開発していたC2CのECサービスがあるのですが、クローズすることになりました。会員登録数は増えても購買数が伸び悩んでいて、エンジニアも施策に関して意見を求められる場面がありました。自分なりの提言はしてみるものの目に見える成果は出ませんでした。エンジニアのアルバイトとは言えども、少しでも力になりたかったです。 そこで、利益をあげているECサービスにはどんなエンジニアがいて、どんな開発をしているのか、どうやってビジネスサイドと連携を取っているのか、知りたくなりました。 そんな自分にとって『 BUYMA 』の エニグモ は魅力的でした。会社自体はかねてから官報ブログやStrainerを通じて認知していました。 テックブログを読んだりサービスをチェックし、使われている技術が自分のスタックに一致していることや OSS に関わる方がいることから、ここならエンジニアとしての腕を磨けて、自分が抱える課題にも向き合えると思い入社することにしました。ちなみに内定を承諾するまで1ヶ月ほど検討しました。早期承諾を迫られることはなく、いつまでも待つと仰って頂きました。 現在 インターン としてどのような業務を行っているか 現在大学の卒業を控えており、卒業までの間は11月より エニグモ で インターン として勤務しています。 入社して1ヶ月程度なので、 BUYMA の開発フローの理解に励んでいます。 BUYMA は運用年数が長きに渡る大規模サービスであり、開発の中でいろいろ複雑な点があると感じます。簡単なチケットを割り当ててもらい業務に慣れている段階です。 新卒入社の先輩である平井さんにメンターとしてお世話になっています。チーム長の大川さんも含めて3人で朝会を行い業務をスタートし、疑問があればSlackで伝えたりZoom/ Google meetをつないで ペアプロ をします。業務の終わりに日報を書き、作業内容を整理しています。 普段気をつけていることは「抱え込まない、自分で考える」です。分からないことは速やかに相談しますが、検索したり ソースコード を読んで理解できそうことは自力で解決します。 今後の抱負 4月から社員として本格的に開発に携わる予定です。事業に貢献できるエンジニアになりたいと思います。業務に加え、情報技術者試験の受験、 OSS へのコミットも目標に技術力を磨いていきたいです。 エンジニアを目指す就活生へのメッセージ エンジニアとして生きていく以上、常に勉強をすることが大切です。（自戒を込めて） 初心者あるあるですが、こんな Webサービス を作りたい！と意気込んで大きいものを作ろうとして、結局何も出来ずに終わることがあります。 何か作りたいけど何をすれば良いかわからないという場合には CRUD 操作ができるアプリケーション、 CLI ツールや電卓など、地味で小さいものから作ることをお勧めします。進歩が目に見えてモチベーションが持続しやすいです。 Ruby gemやnpmパッケージの自作もお勧めです。 そして何より、プログラミングを楽しみましょう。エンジニアに限らないことですが、仕事をしたり人と付き合う中でつらいと感じることがあると思います。でも、コードを読み書きすることにすら喜びを感じられないのはもっとつらいです。 リーナス・トーバルズ が Linux カーネル を作ったのは世のためでも人のためでもなく「僕にとって楽しかったから」です。楽しくやりましょう。 Just for Fun: The Story of an Accidental Revolutionary 作者: Torvalds, Linus , Diamond, David 発売日: 2002/06/01 メディア: ペーパーバック 僕から以上です。最後までお読み頂きありがとうございました。 明日の記事の担当はエンジニアの大川さんです。お楽しみに。 株式会社 エニグモ 正社員の求人一覧 hrmos.co

はじめに こんにちは、今年の6月に エニグモ に入社したサーバーサイドエンジニアの橋本です。 この記事は Enigmo Advent Calendar 2020 の6日目の記事です。 みなさんは テキストエディタ は何を使っていますか？ 会社を見渡すと Vim が一番多いような気がしますが、私は VSCode を使ってます。 正直、 エニグモ に入社するまではツールを入れる程度でそこまでカスタマイズしていなかったのですが、入社してからは諸先輩方の開発スピードに圧倒され、これはツールやショートカットキーを駆使して速く開発できるようにならなければ、、、という必要性に駆られ、少しずつカスタマイズを加えてきました。 この記事では初期設定でも使える便利機能やカスタマイズを加えてよかったショートカットキーやツールをピックアップして紹介していきたいと思います。 ショートカットキー まずは使ってよかったショートカットキーについて紹介します。 VSCode ではデフォルトでショートカットキーが予め設定されていますが、下記の手順でショートカットキーを追加できたり、コマンドを変更できたりします。 ①下記画像のようにcmd + p でコマンドパレットを開き、 >keyboard で検索し、 Keyboard Shortcuts を開きます。 ②下記画像のようにショートカットキー一覧が表示されます。画面上部のバーでショートカットキーが検索でき、編集したい項目をクリックすればショートカットキーを変更することができます。またwhenカラムではショートカットキーを実行するタイミングを設定することもできます。 デフォルトの設定でよく使うショートカットキー それではデフォルトの設定でよく使ったショートカットキーを紹介していきます。 （※ショートカットキーは macOS のキー配置に基づいて書いてます） 操作 コマンド フォルダを開く ⌘+O ファイル検索 ⌘+⇧+F ファイルに移動 ⌘+P ファイルを閉じる ⌘+W 一行選択 ⌘ + L 単語ごとに移動 ⌥+ 矢印キー 単語ごとに選択 ⇧+⌥+ 矢印キー 画面移動 ⇧+⌘＋ 矢印キー windowを右へ移動(windowが無い場合は分割) ⌃+⌘＋→ windowを左へ移動(windowが無い場合は分割) ⌃+⌘＋← 指定の行数まで移動 ^+G+ 行数 一番上まで移動 ⌘+↑ 一番下まで移動 ⌘+↓ 一番右に移動 ⌘+→ 一番左に移動 ⌘+← window1にフォーカス ⌘+1 window2にフォーカス ⌘+2 windowの切り替え ^+W カスタマイズしたショートカットキー 次によく使うのに配置が使いにくかったり、元々割り当てられていなかったりしてカスタマイズを加えたショートカットキーの紹介です。 デフォルトの設定で既に入力しやすいショートカットキーはほとんど割り当てられているので探すのが大変ですが、自分で使いやすいようにカスタマイズを加えると一気に使いやすくなりました。 操作 コマンド ターミナルへフォーカス ^+E ターミナルの分割 ^+V エディタへフォーカス ^+E 相対パス のコピー ⌘+⇧+C 絶対パス のコピー ⌘+⇧+A windowを拡張 ^+⌘+ 矢印キー 相対パス / 絶対パス のコピーはデフォルトの設定だと使いにくいので是非変えてみてください。私はターミナルにフォーカスしても使えるようにwhenカラムは空で設定しています。 導入してよかったツール 導入してよかったツールについて紹介します。 Ruby Ruby を始めた人ならみんな入れると思いますが、一応。 Ruby のコードをハイライトしてくれます。 Ruby Solargraph こちらも Ruby を始めた人なら知っているとおもいますが、メソッドを予測して補完してくれます。 gemのinstallが必要です。 $ gem install solargraph Endwise このツールはendを自動補完してくれるツールでendの書き漏れを防いでくれると同時にコードを書くスピードを上げてくれます。 GitLens GitLensは VSCode でGitをより扱いやすくするツールです。色々な機能があるのですが、このツールで一番便利なのは過去のコミットが追いやすくなることだと感じました。 例えばGitで管理しているファイルで特定の行にフォーカスすることでその行の過去のコミットが表示されます。 また VSCode の左側のBarのGitのマークをクリックすることで現在開いているファイルの過去のコミットを表示させることもできます。 上記のことは git blame でも確認することはできますが個人的にはこっちの方が使いやすかなと思いました。 REST Client Postmanのように API にリク エス トできるツールです。 使い方は簡単で拡張子がrestとなるようなファイルを作ります。 そして今回は例として http://localhost:7700/user_authentication/ に json をpostするリク エス トを書いていきます。 POST http://localhost:7700/user_authentication/ Content-Type: application/json { "user": "user_hoge", "pass": "test_hoge" } ツールを導入している場合、下記画像のように2~3行目の間に Send Request ボタンが表示されます。 このボタンを押すことでリク エス トすることができ、下記画像のようにリク エス ト結果が表示されます。 導入してみて面白かったツール VSCode でこんなこともできるんだーと面白かったので紹介です。 Browser Preview このツールを導入するには事前に Chrome を入れる必要がありますが、なんと VSCode 上でブラウザを開くことができます。 ブラウザと行き来しなくてよくなるのでフロントの開発がしやすくなるかもしれませんが、 Chrome にあるような開発者ツールが無いのが残念。。。 その他やってよかったこと フォルダを統合して ワークスペース を作る 通常、 VSCode では1windowにつき１つのフォルダしか開くことができませんが、 ワークスペース を作成することで複数のフォルダを1windowで開くことができます。 今回は/配下に存在するadventとcalendarの2つのフォルダで ワークスペース を作成し、1つのwindowで開けるようにしていきたいと思います。 $ ls advent calendar まず、adventフォルダを開き、 File>Save Workspace As を開き、workspaceの名前をつけて保存します。(ここではworkspaceの名前はADVENT_CALENDARとしました。) 次に File>Add Folder to Workspace を選択し、workspaceにcalendarフォルダを追加していきます。 すると VSCode 左側のバーにCalendarフォルダが追加されたのが確認できます。 こんな感じでworkspaceを作成することができます！ おわりに この記事では私が便利だと思ったツールやショートカットをピックアップして紹介してきましたが、もしもっといいツールがあれば是非紹介してください！！ 明日の記事の担当はサーバーサイドエンジニアの岡本さんです。お楽しみに。 株式会社 エニグモ 正社員の求人一覧 hrmos.co

こんにちは。サーバーサイドエンジニアの伊藤です。 この記事は Enigmo Advent Calendar 2020 の 5 日目の記事です。 さっそくですが、みなさん 2 段階認証(2FA) の ワンタイムパスワード の発行には何を利用していますか？ 私は普段 Authy という 2 段階認証アプリを利用しています。ただ、 AWS を コマンドライン から操作する時などわざわざターミナルからアプリに移動して ワンタイムパスワード をコピーして貼り付けるのが面倒だと思うことがありました。 ということで、 OATHTOOL と peco を利用して CLI から ワンタイムパスワード (TOTP)を取得するラッパーコマンドを作成しました。 今回は折角なので 2 段階認証(2FA) についてと 2 段階認証アプリで利用される ワンタイムパスワード (TOTP) についても調査したのでまとめました。 最後に作成したラッパーコマンドについて少しだけ紹介します。 Two-Factor Authentication(2FA) HOTP vs. TOTP HOTP: HMAC-based One-Time Password (RFC 4226) TOTP: Time-based One-Time Password (RFC 6238) OATHTOOL ラッパーコマンド Usage Demo Details 参考 Two-Factor Authentication(2FA) そもそも、Two-Factor Authentication(2FA) とは何なのか？ ログインする際にユーザー名とパスワードに加えて、もう一つ追加の要素を要求する認証方法です。 万が一パスワードが漏洩した場合でも追加の要素を知らない限りログインすることができません。 これにより、セキュリティの強度を高めることが可能です。 一般的に追加の要素には下記の方法が用いられます。 Something you know（認証を行う本人のみが知る情報） e.g. 認証番号（PIN）、パスワード、秘密の質問への回答 etc... Something you have（認証を行う本人が所有するもの） e.g. クレジットカード、 スマートフォン 、OTP ジェネレーター etc... Something you are（認証を行う本人の身体的特徴） e.g. 指紋認証 、網膜認証、声紋認証 etc... みなさんご存知の Authy や Google Authenticator といったアプリはこの Something you have を用いた認証方法の一種です。 これらのアプリでは 2 つめの要素である Time-based One-Time Password(TOTP) を生成・取得することが可能です。 HOTP vs. TOTP ここででてきた Time-based One-Time Password(TOTP) とは何なのでしょうか？ TOTP についてそのもととなる HMAC-based One-Time Password(HOTP) と合わせて説明していきます。 HOTP: HMAC-based One-Time Password ( RFC 4226 ) 8-byte のカウンター（可変値）と 秘密鍵 をもとに ワンタイムパスワード を生成します。 これらの情報をクライアント側とサーバー側で共有することで認証を行います。 HOTP を生成するための アルゴリズム は下記のようになっております。 詳細は省きますが可変値であるカウンターと 秘密鍵 を HMAC に渡してその返り値を truncate することで ワンタイムパスワード を生成します。 // Algorithm C 8-byte counter value, the moving factor. This counter MUST be synchronized between the HOTP generator (client) and the HOTP validator (server). K shared secret between client and server; each HOTP generator has a different and unique secret K. HOTP(K,C) = Truncate(HMAC-SHA-1(K,C)) 出典: HOTP: An HMAC-Based One-Time Password Algorithm TOTP: Time-based One-Time Password ( RFC 6238 ) 次は TOTP です。 下記の アルゴリズム からわかるように、TOTP の アルゴリズム の根本的部分は HOTP のものと同様です。唯一可変値であるカウンターの代わりに時間表現が用いられることが HOTP とは異なります。 時間表現と 秘密鍵 をクライアント側とサーバー側で共有しこれらをもとに発行した ワンタイムパスワード を利用し認証を行います。 // Algorithm X represents the time step in seconds (default value X = 30 seconds) and is a system parameter. T0 is the Unix time to start counting time steps (default value is 0, i.e., the Unix epoch) and is also a system parameter. T = (Current Unix time - T0) / X TOTP = HOTP(K, T) 出典: TOTP: Time-Based One-Time Password Algorithm 中身を見てみると HOTP も TOTP も想像よりはるかにシンプルだということがわかります。 アルゴリズム 自体も簡単なものなので自前で実装してみるのも面白そうですね。 OATHTOOL ラッパーコマンド さて、最後に少しだけ今回作成した CLI から ワンタイムパスワード (TOTP)を取得する OATHTOOL のラッパーコマンドを紹介します。 Usage $ mfa -h usage: mfa [-h | --help ] [ - [ no ]-c | --[ no ] -copy ] [-a < account >| --account < account >] [-l | --list ] -v , --version Prints the version. -h , --help Prints this message. - [ no ] -c, --[no]-copy Copies the generated token to the Clipboard. ( default ) -a < account > , --account < account > Copies the generated token of < account > to the Clipboard. -l , --list Prints a list of available authenticator accounts. 基本的には peco を利用し、存在するアカウントから TOTP を取得したいアカウントを選択します。 -a|--account を利用することで TOTP を取得したいアカウントを明示的に指定することも可能です。 Demo Details ラッパーコマンドの利用方法は下記をご覧ください。 github.com 最後まで読んでいただきありがとうございました。 明日の記事の担当はサーバーサイドエンジニアの橋本さんです。お楽しみに。 参考 What Is Two-Factor Authentication (2FA)? （最終アクセス: 2020/11/14） HOTP: An HMAC-Based One-Time Password Algorithm （最終アクセス: 2020/11/14） TOTP: Time-Based One-Time Password Algorithm （最終アクセス: 2020/11/14） 株式会社 エニグモ 正社員の求人一覧 hrmos.co

こんにちは、サーバーサイドエンジニアの寺田です。 この記事は Enigmo Advent Calendar 2020 の 4日目の記事です。 みなさんはエンジニアへの転職！と聞くとどんなことをイメージするでしょうか？？？ もちろん スキルアップ できそうといったポジティブなイメージもあると思いますが、 沸沸とこんな心の声が聞こえてきそうです。。。 自分のプログラミングのスキルでやっていけるのだろうか。。。 まともな導入もなくいきなり業務にポーン！あとはよろしく！ってされそう スキルアップ できると思ったのに任されるのは簡単な作業ばかり。。。 新しい環境で既存社員の方と仲良くなれるかな。。。 私も！と思うことが1つでもあればぜひこの記事を見ていってください！ エニグモ のオンボーディング *1 を知って頂いて、 エニグモ で働いてみたい！と思っていただける方がいてくれると幸いです。 自己紹介 かくいう私も エニグモ に入社したのは2020年の7月で、本記事の執筆時点でちょうど歴半年になります。 新卒で入社した SIer を退職して、 エニグモ が2社目になります。 前職は SIer と言ってもプログラミングは全くしないポジションで、顧客折衝や開発担当のマネジメントが中心でした。なのでエンジニアとしては業務未経験と言える状態でした( ；∀；) 加えて私が入社したのは コロナウイルス による感染予防真っ只中の7月、 エニグモ も例に漏れず原則フルリモートでの勤務でした。 なかなか人と直接会うこともできない状況下で現メンバーと円滑にコミュニケーションをとって仕事進められるのか？不安でいっぱいでした。 そんな中大きな支えとなったのが エニグモ のオンボーディングです。 本記事では実際に私が経験したことについて具体的に説明していきます！ 完全サポート！メンター制度 エニグモ では新人エンジニアには先輩社員をメンターとしてつけてもらえます！ メンターはこんなことの面倒を見てくれます。 毎日朝会を開催してタスクの進捗状況をウォッチしてくれる。 また困り事があれば質問タイムを設けてくれるのでたちまち解決できます。 毎週振り返りをして今週のタスクや勉強から学んだことを確認。今の自分に足りていないスキルを分析して、次にどんな勉強をしたらいいか？どんなタスクに アサイ ンして欲しいか？など相談できます。 技術的な相談。設計で悩んだところや、コードの不明点、エラーハンドリングなどなんでもOK（Slackに投げると秒で教えてくれます(つД`)ノ） このメンターについてもらえるというのは精神的な部分でやっぱり安心できます！新しい職場で誰に相談したらいいかもわからない。。。というのはありがちですが、この制度のおかげで全く問題なかったです！また エニグモ は現在フルリモート勤務ですが、少なくともメンターと毎日コミュニケーションを取れるので、寂しさを感じることもありません。 成長できる環境 エニグモ には業務以外でもスキルを伸ばせる環境があります。 その中でも本記事では以下の3つについて紹介させていただければと思います。 勉強会 モブプログラミング オリジナル アプリ開発 勉強会 若手の社員を中心に週1回の勉強会が開催されています。 形式は 輪講 という形で、順番に勉強した内容をスライドにまとめて発表し、みんなが質問したり議論したりわいわいと勉強しています！ ここでは私が半年間、実際に勉強会で読んできた本を紹介します。 gihyo.jp オブジェクト指向設計 の名著と呼ばれる1冊ですね！ 理解が難しい オブジェクト指向 の概念ですが、豊富な実装例が示されており初学者でも理解しやすい点が魅力です。 また オブジェクト指向 本はサンプルコードが Java なことが多いですが、この本は Ruby で書かれていることもポイントです。 www.oreilly.co.jp Ruby において強力な武器である メタプログラミング を学べる1冊です！ メタプログラミング そのものを学べることも魅力ですが、 その仕組みに触れることで Ruby という言語のコアな部分を学ぶことができ実は初学者にとってもとても有益な本だと思います。 題材とする本は毎回メンバーみんなで決めています。 自由に学びたいことを学べるそんな勉強会になっています！ モブプログラミング 若手とベテラン社員数人でzoomをつないでモブプログラミングをしています。 モブプログラミングとは、ドライバーと呼ばれる一人がコーディングしている画面をみながら、そこにいるメンバーが意見や、提案しながら進めるプログラミング手法の一つです。もう少し詳しく知りたい方は以下の記事などは参考になるかと思います！ モブプログラミングスタートアップマニュアルを更新しました！ | TAKAKING22.com モブプログラミングのメリットはいろいろあると言われていますが、 新人観点で見ると何よりベテランの手元を覗けること、それが一番のいいところだと思っています。コーディングしている時の思考方法とか、ベテランのスピード感を目の前で感じることができます。またエンジニアはそれぞれ自分の生産性を上げるために開発環境にこだわっていろいろカスタマイズしています。ですがそれを教えてもらえる機会というのはなかなかないんですよね。モブプログラミングでベテランの画面を見ている時、すごっ！！何それ！！って思う機能は見て盗んで自分のものにしちゃうこともできます。 オリジナル アプリ開発 あと非常にありがたいのが、 スキルアップ のために自由にテーマを決めて開発させてくれることです！ レビューもあり、フィードバックを受けられますので自己研鑽の何倍も成長できます。別に業務に関係のあるテーマでなくてもいいです。ちなみに私は競馬予想アプリの開発をさせてもらっています(笑) 開発している競馬予想アプリ 未経験エンジニアとして入社すると、入社してしばらくの業務は簡単な作業から。。。というのは仕方ない部分でもありますが、それだけだとスキル面で中々成長できないというジレンマがあります。ただこのように自分でテーマを決めて0からアプリを開発することで、設計などのちょっと高い次元のスキルを習得できるのではないかと思います。 いかがでしたでしょうか？ エニグモ には現在100名ほどの社員がおりますが、 そのような規模感の会社だと入社時のオンボーディングの取り組みが不十分なのでは？と不安になることもあるかと思います。（実際私もそうでした）しかしいざ入社してみると全然そんなことはなく、安心して業務に取り組むことができています！ この記事を見て エニグモ に興味を持ってもらえるエンジニアの方が1人でもいてくだされば幸いです！ 明日の記事の担当はサーバーサイドエンジニアの伊藤さんです。お楽しみに。 株式会社 エニグモ 正社員の求人一覧 hrmos.co *1 : オンボーディングとは、組織に新たに加入した人に手ほどきや支援を行い、定着を促したり慣れてもらう活動のこと。新人研修やそのあと配属後に受けられる支援プログラムなどのこと。

こんにちは、サーバーサイドエンジニアの竹本です。 この記事は Enigmo Advent Calendar 2020 の3日目の記事です。 みなさまは2020年に買った中でよかったものはなんでしょう？ 私は iPad です。 最新 Apple iPad Pro (12.9インチ, Wi-Fi, 128GB) - シルバー (第4世代) 発売日: 2020/03/25 メディア: Personal Computers 主に kindle を見開きで読むことに活用しています。 エニグモ の福利厚生の一つ「エンジニアサポート」で5万円の補助を受けました。わーい。 https://enigmo.co.jp/recruit/culture/ そしてみなさまは馬券、買っていますか？ 馬券は競馬に賭ける際に購入する投票券です。 1口100円から、ネットでも気軽に購入することができます。(競馬は20歳から) 弊社にも数名競馬好きが在籍しており、時折競馬 トーク で盛り上がることもあります。 「競馬必勝本」は本当に当たるのか？ 「競馬必勝本」というものが巷にはあります。 こういった本では勝った時の馬券と払戻金だけセンセーショナルに紹介されていることが多く、 実際どのくらい賭けてどのくらい当たっているのかわからないことが多いです。 なので実際に本の通りに馬券を購入していたらどのくらい勝つのかを検証してみます。 今回参考にするのは「競馬力を上げる馬券 統計学 の教科書」です。 競馬力を上げる馬券統計学の教科書 作者: 大谷清文 発売日: 2019/10/31 メディア: Kindle 版 世にある競馬必勝本の中でも、オッズのデータから勝ち馬を選ぶという、タイトルの通り統計的な要素の多い本になっています。 また馬やジョッキーに関係なくオッズのみを参考にしているので、さまざまなレースがあるなかで汎用的に活用できるという利点があります。 この本に書いてあることをざっくりまとめると以下のようになります。 万馬券 を狙え 的中率ではなく回収率にこだわれ 3000円分の馬券を書い続けて3回に1回10000円が当たれば1000円プラスということですね。つまり当たれば 万馬券 になるようなレース、「穴馬」が勝ち馬にいる馬券を買う必要があります。 「 馬連 オッズの壁」の法則で穴馬を選ぼう 本書の中で最もシンプルな穴馬選択方法として紹介されているのが「 馬連 オッズの壁」の法則です。 ( 馬連 とは上位2頭を当てる馬券のこと) この法則を簡単に紹介すると レース 14頭以上出走する 馬連 1位人気オッズが9倍以上 単勝 オッズ30倍以内の馬が10頭以上 馬連 オッズ1位人気馬に 単勝 1位人気馬が含まれる 穴馬 単勝 1位人気馬の 馬連 オッズを人気順に並べた時1.8倍以上の壁がある時、その壁の前2頭を選ぶ 馬券の組み立て方 単勝 1位人気馬の 馬連 オッズ人気順の「1~4位」 - 「5~8位」 - 「穴馬」 のフォーメーション三連複 (三連複: 上位3頭を順不同に選ぶ馬券) (フォーメーションとは https://www.jra.go.jp/kouza/yougo/w528.html ) 本書ではさまざまな条件を組み合わせて馬券を選択していますが、 今回は実装の簡便さのため条件も簡略化していることをご了承ください。 実際のコード 今回は Google Colabratoryを利用しました。 Google アカウントがあれば環境構築もなしに python が使えて便利ですね。 https://colab.research.google.com/ 2020/11/27現在動くことを確認しているのでみなさまもぜひ使ってみてください。 まず必要なライブラリのインストールします !apt-get update !apt install chromium-chromedriver !cp /usr/lib/chromium-browser/chromedriver /usr/ bin !pip install selenium !pip install lxml importします import pandas as pd from bs4 import BeautifulSoup import urllib.request as req from selenium import webdriver from selenium.webdriver.chrome.options import Options import numpy as np import urllib.parse 今回用意した関数 def set_selenium (): options = webdriver.ChromeOptions() options.add_argument( '--headless' ) options.add_argument( '--no-sandbox' ) options.add_argument( '--disable-dev-shm-usage' ) driver = webdriver.Chrome( 'chromedriver' ,options=options) driver.implicitly_wait( 15 ) return driver def get_raceids (date): url = "https://race.netkeiba.com/top/race_list_sub.html?kaisai_date=" + date res = req.urlopen(url) racesoup = BeautifulSoup(res, "html.parser" ) racelist = racesoup.select( "#RaceTopRace > div > dl > dd > ul > li > a:nth-of-type(1)" ) raceids = [ urllib.parse.parse_qs(urllib.parse.urlparse(race.get( 'href' )).query)[ 'race_id' ][ 0 ] for race in racelist ] return raceids def get_tansho_ichiban (raceid): driver = set_selenium() driver.get( "https://race.netkeiba.com/odds/index.html?type=b1&race_id=" +raceid+ "&rf=shutuba_submenu" ) html = driver.page_source.encode( 'utf-8' ) tanhukusoup = BeautifulSoup(html, "html.parser" ) tanhukudfs = pd.read_html( str (tanhukusoup.html)) tansho_ichiban = tanhukudfs[ 0 ][tanhukudfs[ 0 ][ 'オッズ' ] == tanhukudfs[ 0 ][ 'オッズ' ].min()][ '馬番' ].values[ 0 ] return tansho_ichiban, tanhukudfs[ 0 ] def get_umarenodds (raceid): driver = set_selenium() driver.get( "https://race.netkeiba.com/odds/index.html?type=b4&race_id=" +raceid+ "&housiki=c0&rf=shutuba_submenu" ) html = driver.page_source.encode( 'utf-8' ) soup = BeautifulSoup(html, "html.parser" ) dfs = pd.read_html( str (soup.html)) umarendf = pd.DataFrame(index=[ 1 ]) for i, df in enumerate (dfs): umarendf = pd.concat([umarendf, df.set_index( str (i+ 1 )).dropna(how= 'all' , axis= 1 )], axis= 1 ) if umarendf.isin([ '取消' ]).values.any() | umarendf.isin([ '除外' ]).values.any(): return False umarendf[umarendf.index.max()]= 0 umarenodds = pd.DataFrame(umarendf.fillna( 0 ).astype( 'float64' ).values + umarendf.astype( 'float64' ).fillna( 0 ).values.T, columns= list ( map ( int , map ( float ,umarendf.columns))), index=umarendf.index).replace( 0 ,np.nan) return umarenodds def get_baken (raceid): tansho_ichiban, tanhukudf = get_tansho_ichiban(raceid) umarenodds = get_umarenodds(raceid) if umarenodds is False : return False umarenninki = umarenodds.min() umaren_ichiban = umarenninki[umarenninki == umarenninki.min()].index if umarenninki.min() >= 9 and any (umaren_ichiban == tansho_ichiban) and umarenninki.index.max() >= 14 and sum (tanhukudf[ "オッズ" ]<= 30 )>= 10 : ninkiuma = umarenodds[tansho_ichiban].sort_values() anaumalist = [] for idx in np.where((ninkiuma/ninkiuma.shift( 1 ) > 1.8 ).values == True )[ 0 ]: two = idx - 1 anaumalist = anaumalist + (ninkiuma/ninkiuma.shift( 1 ) > 1.8 ).index.values[two:two+ 2 ].tolist() if not anaumalist: return False formation1 = ninkiuma.fillna( 0 ).sort_values()[ 0 : 4 ].index.values formation2 = ninkiuma.fillna( 0 ).sort_values()[ 4 : 8 ].index.values return { 'anauma' :anaumalist, 'formation1' :formation1, 'formation2' :formation2} return False def get_dayresult (date): kakekin = 0 modorikin = 0 raceids = get_raceids(date) for raceid in raceids: baken = get_baken(raceid) if not baken: continue result = pd.read_html( "https://race.netkeiba.com/race/result.html?race_id=" +raceid) sanrenpuku = list ( map ( int ,result[ 2 ].set_index( 0 )[ 1 ][ '3連複' ].split())) money = int (result[ 2 ].set_index( 0 )[ 2 ][ '3連複' ].replace( ',' , '' ).replace( '円' , '' )) if bool ( set (sanrenpuku) & set (baken[ 'formation1' ])) & bool ( set (sanrenpuku) & set (baken[ 'formation2' ])) & bool ( set (sanrenpuku) & set (baken[ 'anauma' ])): kakekin += 100 * len (baken[ 'formation1' ])* len (baken[ 'formation2' ])* len (baken[ 'anauma' ]) modorikin += money else : kakekin += 100 * len (baken[ 'formation1' ])* len (baken[ 'formation2' ])* len (baken[ 'anauma' ]) cols = [ "賭け金" , "払戻金" ] return pd.Series([kakekin,modorikin],index=cols,name=date) netkeibaから Selenium + BeautifulSoupでオッズのデータを スクレイピング します。 その結果をpandasで前処理し、上記の 「 馬連 オッズの壁」の法則 から馬券を選択 選択した馬券が当たっているのかを検証します。 回収率にこだわるのが本書の方針なので、検証項目として 条件に合致した全ての三連複馬券を100円で購入 = 賭け金 当たったレースの実際の払戻金 以上の差額を見ることにします。 今回は11月の1~23日までのレースを検証します。 # 開催日のリスト datelist = [ '20201101' , '20201107' , '20201108' , '20201114' , '20201115' , '20201121' , '20201122' , '20201123' ] moukaridf = pd.DataFrame() for date in datelist: onedaydf = get_dayresult(date) moukaridf = moukaridf.append(onedaydf) 時間かかりますが待ちましょう 結果 moukaridf.sum()[ '払戻金' ] - moukaridf.sum()[ '賭け金' ] # 出力 - 14630.0 金額としては14630円負けてしまいました。 moukaridf 払戻金 賭け金 20201101 33500.0 12800.0 20201107 0.0 9600.0 20201108 5560.0 16000.0 20201114 0.0 25600.0 20201115 45510.0 25600.0 20201121 0.0 0.0 20201122 0.0 9600.0 20201123 0.0 0.0 日別に見ると勝っている日もありますね。 本書では回収率を上げるための馬券選択方法がさらに細かく紹介されていたので、その通りに実装すればもっと良い結果となるかもしれません。 t検定をすると、「賭け金、払戻金の差額の平均が0ではない(正負どちらかに傾く)」という 帰無仮説 が棄却されます。(p > 0.05 平均 -1828.8 ± 14776 円) sagaku = moukaridf[[ '払戻金' ]].values - moukaridf[[ '賭け金' ]].values # 平均 print (sagaku.mean()) # 標準偏差 print (sagaku.std()) # 出力 - 1828.75 14776.743076114573 よって結論は「勝つこともあれば負けることもある！」 馬券を買おう ではせっかく作ったので実際に賭けてみようと思います！ 検証では最終オッズから馬券を選択していましたが、当日は10:30のオッズを元に馬券を選択します。 予算の関係で条件に合致した全ての馬券ではなく、1レース選択してフォーメーション3連複馬券を購入します。 11/29の10:30時点で候補が4レースありました。 date = "20201129" raceids = get_raceids(date) for raceid in raceids: baken = get_baken(raceid) if baken: print ( 'https://race.netkeiba.com/race/shutuba.html?race_id=' +raceid) print (baken) print ( "=======================" ) 　 # 出力 # 条件に合致したレースのURLと購入すべき馬券がプリントされる https://race.netkeiba.com/race/shutuba.html?race_id= 202005050907 { 'anauma' : [ 4 , 16 ], 'formation1' : array([ 7 , 6 , 3 , 2 ]), 'formation2' : array([ 10 , 14 , 15 , 8 ])} ============ https://race.netkeiba.com/race/shutuba.html?race_id= 202005050911 { 'anauma' : [ 11 , 6 , 1 , 16 ], 'formation1' : array([ 4 , 14 , 9 , 13 ]), 'formation2' : array([ 12 , 5 , 2 , 3 ])} ============ https://race.netkeiba.com/race/shutuba.html?race_id= 202009050904 { 'anauma' : [ 3 , 7 ], 'formation1' : array([ 8 , 15 , 5 , 1 ]), 'formation2' : array([ 16 , 4 , 13 , 12 ])} ============ https://race.netkeiba.com/race/shutuba.html?race_id= 202009050912 { 'anauma' : [ 7 , 6 ], 'formation1' : array([ 13 , 3 , 10 , 11 ]), 'formation2' : array([ 2 , 9 , 15 , 5 ])} ============ 今回は東京7Rに賭けます！ (出力で一番上のレース) 穴馬が「4,16」1~4位が「7, 6, 3, 2」,5~8位が「10, 14, 15, 8」です。 2020年11月29日アクセス https://www.ipat.jra.go.jp/ 頼むぞ〜！ 結果は… 1位 2番 2位 10番 3位 8番 ３歳以上２勝クラス 結果・払戻 | 2020年11月29日 東京7R レース情報(JRA) - netkeiba.com 残念！穴馬候補だった4番と16番が3位以内に入りませんでした。惜しかったですね。 それではみなさまも良い競馬ライフをお送りください。 スクレイピング 、クローリングはアクセス先に配慮してやりましょう。 参考資料 競馬力を上げる馬券統計学の教科書 増補改訂Pythonによるスクレイピング&機械学習 開発テクニック ColaboratoryでSeleniumが使えた：JavaScriptで生成されるページも簡単スクレイピング - Qiita 明日の記事の担当はサーバーサイドエンジニアの寺田さんです。お楽しみに。 株式会社 エニグモ 正社員の求人一覧 hrmos.co

こんにちは、デザイナーの本田です。こちらは Enigmo Advent Calendar 2020 の2日目の記事です。 今年で エニグモ へ入社して3年目。昨年末からUXデザイングループへ異動し、 BUYMA のアプリケーション UIデザインがメインになったので、考えることややることが大きく変わった1年だったと感じています。 業務の幅も広がって何を書こうか迷うのですが、今年を振り返ると今までで1番デザインツールと向き合っていたし、学んだことも多かったので デザインツールをXd→ Figma へした話 プロトタイプ作るようになった話 の2つについて書こうと思います。 1. デザインツールをXd→ Figma へした話 デザインデータ引き継ぎの関係上、 Adobe Xdをメインで使っていたのですが、今年の7月頃から Figma へ移行しました。 Xdも使いやすいですし、何より Adobe Creative Cloud ライブラリが使えるので既に登録しているUIパーツはそのまま引っ張ってこれるのでよかったのですが 半年ほどXdを使ってみて、オンラインでの共有がやっぱり使いづらかったのと、社内で Figma を使っている方が何人かいて、使いやすいよ！と言っていただけたのが移行するきっかけになりました。 使いづらかった点を軽くまとめると以下の3つになります。 プロジェクトメンバーで無料プランの方がいるときに共有の仕方を気をつけなければならない クラウド ドキュメントとオフラインドキュメントのファイル管理がどこに置いたかごちゃごちゃになる チーム全体の クラウド ドキュメントが見づらい 頑張れば全然使える範囲ではあったのですが、 Figma に移行してこの3つの課題はすべて解消されたので、移行してよかったなと思っています。 秋頃から有料プランのProfessional Teamにしていただいたので、アプリのUIどうなってたかな？と思ったときにすぐ確認できるようになったし、 Figma 上でコメントしたらプロジェクトごとにslackへ通知がいくように設定したので、エンジニアやPMの方にも Figma の機能使っていただいています。（使いこなしていただいてありがとうございます！） 今後もリモートワーク が続くことを考えると、私個人は Figma をメインにしていくことになりそうです。 Xdのデザインデータが残っているプロジェクトのときはXdを使う、など今後も 臨機応変 に対応できたらなと思っております。 ※でも2年前はSketch使ってたし、1年前はXdでいくぞ！！と思っていたので1年ごとに変わる説はあります。また Figma に代わるサービスが出たときは時代の流れに合わせていきます。 ※SketchとZeplinは解約していただきました。 2. プロトタイプ作るようになった話 昨年までは簡単なLPやUIを作ることが多かったので、プロトタイプをあまり作っていなかったのですが、 プロジェクトメンバーが多いときや長期のプロジェクトになると、認識合わせや動きの確認がイメージしづらいので、プロジェクトによってはプロトタイプをつくるようになりました。 とりあえずすべてプロトタイプまで作ることにすると時間がもったいないなと感じたので、以下の4つに当てはまるときはプロトタイプを作成するようにしています。 モーダルやトーストが表示されるとき ステータスごとにボタンの色やエラー文が変わるとき 3画面以上 遷移するとき スクロールしても画面上部や下部で固定するエリアがあるとき アプリでもWebViewで表示するとき 1.2.3. はチームメンバーとの認識合わせがしやすくなる のと、実機で確認したときにユーザーのことをイメージしやすくなる気がしてます。 4.5. は スマホ のスクロールエリアが確保できているかだったり、不具合がないか確認するためにやっています。 基本的にツールは Figma で作りますが、細かな動きも考慮してデザインしたいときはProtoPieを使っています。 今年は スマホ の ハンバーガ ーメニュー内の動きを作ったのと、トーストの表示タイミングの認識すり合わせをしたいときの計2回ほど作成しました。 10月にリリースした スマホ の ハンバーガ ーメニューのProtoPie制作画面 Figma だと細かい動きはできないことがあるので、ProtoPieも併用していけたらなと思っています。 最後に 今思えば異動してすぐにデザインツールを Figma にしてもよかったし、すべてのプロジェクトでとりあえずプロトタイプ作ってもよかったな〜というのが正直な感想です。 ただ、リモートワーク 下においても半年ほど現状のツールでなんとかできないか試行錯誤した上で、どうしても譲れないポイントを自分の中で見つけられたのは大きな収穫だったかなと思っています。 あとは Figma もProtoPieもアプリデザイナーの先輩方が勉強会を開いてくださって、わからないことがあったらいつでも質問していいよ〜とやさしく声をかけていただいたのもうれしかったです。ありがとうございます！ 来年も今年学んだことをベースにさらにいろんなことに挑戦できたらいいな。 最後まで読んでいただきありがとうございました。 明日の記事の担当は、エンジニアの竹本さんです。お楽しみに。 株式会社 エニグモ 正社員の求人一覧 hrmos.co

こんにちは。サーバーサイドエンジニアの平井です。 今年もあと1ヶ月ですね。リモートワーク中心の生活スタイルに変わり、より一層時が過ぎるのを速く感じています。 もう年末ということで、弊社では今年もAdvent Calendarを開催します!! 題して、 Enigmo Advent Calendar 2020 です!! 記念すべき1日目は、私、平井の「Cloud Run 使ってみた」になります。 プロジェクトで簡単な API をCloud Run(フルマネージド)上に実装したので、それについて話したいと思います。 構成 Cloud Run(フルマネージド)について 準備 Dockerfile cloudbuild yaml その他 ドメイン 他GCPサービスとの連携 感想 最後に 構成 会員毎にパーソナライズされたコンテンツ情報を返す API をCloud Runを使って実装しました。 とてもシンプルですが、構成図は以下のようになります。 Cloud Run上に Ruby on Rails で API を実装し、Datastoreに格納されている情報を取得します。 Datastoreには、会員毎のコンテンツ情報が格納されていて、この情報はBigquery上に格納されている 機械学習 のデータを元に生成されています。 そして、クライアントから API にアクセスして情報を表示させています。 Cloud Run(フルマネージド) について Knativeを基盤として構築された GCP のサーバーレスサービスの一つで、コンテナをサーバーレスで実行してくれます。 スケーリングなども自動で行われるため、開発者はアプリケーションの開発に専念することができます。 Cloud Runには二種類あり、 Google が管理する Kubernetes 環境で動作するCloud Runと自身の管理するGKEで動作するCloud Run for Anthosがあります。 今回は、より簡単に利用できるCloud Runを使いました。 準備 Dockerfile Cloud Run上で動かすコンテナを用意する必要があるので、 Dockerfileを用意します。 cloudbuild yaml Cloud Runへのデプロイ関連のタスクはcloudbuild. yaml で管理しました。 公式ドキュメント にも記載されているやり方と同じです。 ファイルの中身は、コンテナイメージのbuildとCloud Runへのデプロイなどのタスクが記載されていて、 実際の内容とは違いますが、以下のような感じになります。 steps: # コンテナイメージのビルド - name: 'gcr.io/cloud-builders/docker' args: ['build', '-t', 'gcr.io/PROJECT_ID/IMAGE', '.'] # コンテナレジストリーにpush - name: 'gcr.io/cloud-builders/docker' args: ['push', 'gcr.io/PROJECT_ID/IMAGE'] # コンテナレジストリー上のイメージを使って、Cloud Runにコンテナをデプロイ。 - name: 'gcr.io/google.com/cloudsdktool/cloud-sdk' entrypoint: gcloud args: ['run', 'deploy', 'SERVICE-NAME', '--image', 'gcr.io/PROJECT_ID/IMAGE', '--region', 'REGION', '--platform', 'managed'] images: - gcr.io/PROJECT_ID/IMAGE cloudbuild. yaml を作成した ディレクト リによりますが、 gcloud builds submit を実行するとファイルに書かれたタスクが実行され、Cloud Run上にサービスがデプロイされます。 基本的には、Cloud Run上でコンテナを起動するために必要な準備は以上になります。 その他 ドメイン Cloud Runでサービスを作成すると自動でデフォルトの ドメイン が発行されます。 ただ、実際のサービスで利用する際にはカスタムの ドメイン を設定したくなると思います。 Cloud Runには カスタムドメインのマッピング機能 が実装されているので、使いたい ドメイン を マッピング することができます。 実際にカスタム ドメイン を設定してみましたが、ドキュメントを読んで簡単に設定することができました。 他 GCP サービスとの連携 API のデータ取得先として、Datastoreを使用しています。 今回は、Cloud Runのサービス とDatastoreのデータが同じプロジェクト上で管理されていたので、二つのサービスが連携する際に、認証の設定は必要ありませんでした。 感想 実際にCloud Runを使ってみた感想は以下です。 インフラ関連を意識せず開発できて、アプリケーションの実装に集中できた。 デフォルトのメトリクスが充実していた。 リク エス ト数、コンテナのメモリ使用率 ログも充実していた。 キーワード検索、 重要度によるフィルタリング 他 GCP サービスとの連携が楽だった。 最後に 今回のプロジェクトの方針で、なるべく早くユーザーの行動をみたいという背景もあり、Cloud Run上に API だけを実装するという最低限の選択をしました。 今後の長期運用を考えて、 機械学習 のデータから API 用のデータを生成する部分もCloud Run上に乗っけていこうと考えています。 最後まで読んで頂き誠にありがとうございました。 明日の記事の担当は、UXDグループの本田さんです!! 株式会社 エニグモ 正社員の求人一覧 hrmos.co

こんにちは。インフラグループの夏目です。 前回のエントリー より3ヶ月、エントリー投稿から2週間ほどで無事子供が誕生し育休期間を経て先日復職しました。 今回のエントリーでは実際に育休を取得してみてどうだったのか？といった内容を書いていきます。開発者ブログというお題目にも関わらず育休話が続いてしまい恐縮ですがお付き合いください。 育休っていつから取るの？ いざ育休を取るぞ！と意気込んで最初に感じたのが「いつから育休を取ればいいの？」という、開始時期についての疑問でした。 女性の場合出産予定日の1ヶ月少々前から産前休業に入り、予定日が多少前後しても産後休業を経て 育児休業 、という流れになるのでさほど開始時期について悩む部分は少ないと思うのですが、男性は産前休業がありません。 予定日から育休取得開始ということで社内調整はしていたものの、いざ予定日になっても兆候がなかったためなし崩しに「生まれた翌日から休みます」という本人も周囲もどうしたら良いのかわからない宣言後、1週間ほど後ろ倒して生まれたので育休開始、というスケジュールになってしまいました。 実のところ 育児休業 の法令上は予定日から取得可能なため、気兼ねなく育休開始としてもまったく問題ないのですが、生まれていないのに休業して日がな一日何をしていたらいいんだ…？という戸惑いがあり、育休に踏み出せませんでした。 ただ、人事総務的な観点からはいたずらに後ろ倒しをすると給与計算などで面倒な調整が発生するような(というか発生した)ので、やることがあろうがなかろうが当初予定日から変更するべきではなかったかな、と反省しています。 なお予定日から 育児休業 は取得可能なものの、 育児休業 給付金は出産日から起算となるようなので(詳しくは 育児休業 に関する各種法律をご参照ください)、そのあたりも踏まえて調整するのがベターだと思われます。 育休ってどれくらい取るの？ いざ育休が始まり、体力がまだ本調子でない妻のサポートをしつつ日々の育児におおわらわになって1ヶ月が経過したあたりで、次は「これ育休期間2ヶ月の予定だったけど全然足りないんじゃないか…？」という疑問が生じました。 新生児期は授乳やおむつの回数が多く手がかかるから、大変な時期を乗り越えれば…と思ったのですが、乳児期になっても手がかかることには変わりなく、大変じゃない時期など存在しません。 たとえば「首が座るまで」といった身体的な発達状況を目安にするのもわかりやすくて良いかなとは思ったのですが、いつ頃にできるようになるかはまちまちで、「復職時期は子供次第です」という状態は自分も周囲もどうしたら良いのかわからなくなってしまいます。 自分の場合は結局1ヶ月半頃に不安を感じた妻から「もっと伸ばせないの？柔軟に調整できるんでしょ？」と聞かれたものの「いや2ヶ月って一応決めてたし仕事の勘も忘れちゃうから…」とやや強引に押し切って当初予定通り2ヶ月で育休終了としました。 これは振り返ってみれば良い判断ではなかったと反省しています。生まれた時期や家庭環境によってまちまちになるかとは思いますが、極力調整して取れる限り取るのが家庭内平和のためにも最善です。 育休取ってみてどうだった？ 当初育休を取るぞ！と決意したときの自分のスタンスは「妻には育児に専念してもらって、他の家事は全部自分が巻き取る」という、振り返ってみれば寝言のような方針だったのですが、当然ながら育児を1人でやりおおせるわけがなく。 2人がかりで育児の合間にそれぞれできる範囲で家事をするという状態がしばらく続き、育休終了1週間前くらいからワンオペ状態を意識して徐々に分担して、という形で慣らし運転をして育休を終えたものの、生活のスタイルについては現在も模索しているところです。 近隣にサポートしてくれる家族や友人がいたり、里帰り出産をするのであれば負担も軽減できるかと思いますが、 核家族 な我が家の事情と現在の社会状況を鑑みると、 育児休業 を取って（取れて）本当に良かったなと感じています。 人によっては出産後数日や1週間程度ちょっと手伝う程度というパターンも少なくないとは思うのですが、自分の場合は子供と接している期間が短いといざというときに勝手がわからず、足手まといになったであろうことは想像に難くありません。 また、取得前に予期していた通り…というか予期していた以上に生活のすべてが子供を中心として回るようになり、そのことに慣れるためにも育休期間は大変有用でした。 業務面ではどうだった？ 育休取得前のエントリーではカオスエンジニアリングが云々と言っていましたが、メンバーが一人抜けた程度で大きな支障が出るわけもなく、引き継ぎが十分だったかどうかはさておき概ね問題はなかったという認識です。 自身の関わっているプロジェクトがある程度峠を越えたタイミングだったこともありますが、それ以上にタスクを引き継いでくれたチームメンバーがよしなに捌いてくれた部分が大きく、あらためて環境に恵まれているなと思いました。 他方で、リモートワークが定着したことと育児の疲弊からついつい社内Slackを眺めてちょっかいを出してしまうことが二度三度あり、これについては 労務管理 の観点からは褒められた行為ではないため、業務への未練をすっぱり断ち切る強い心が必要だという学びがありました。 準備は足りた？ 以前のエントリでは必要なものをSpreadSheetで管理、TodoをTrelloで管理してこれで十分…と思っていたのですが、準備はまったく足りていなかったため現在進行系で色々と公的な申込み手続きをしたり育児グッズを買い足したりしています。 育児ブログではないので仔細には書きませんが、大雑把に導入して良かったものを以下に挙げます。 導入して良かったもの ベビーモニター 大きな戸建て住宅に住んでいるわけでもなし、狭小マンションで目の届くところにいるから必要ないかと思っていました。しかし、逆に生活圏内に子供がいるからこそ生活音や照明に気を使う日々に疲れ果て、適切な距離を保ちつつ様子を見るためにRaspberryPiで ベビーモニター を作りました。 RPi Cam Web Interface というWebインタフェースを導入したため、市販の ベビーモニター と違って専用のモニターユニット不要でPCや スマートフォン でどこからでも子供の様子が見れる、という完璧なソリューションが実現しました。 育児記録アプリ:ぴよログ 授乳時間や睡眠時間などありとあらゆる育児項目を夫婦間で記録共有・グラフで可視化できるのはもちろん、 Apple Watch の ウィジェット からも記録ができるといった便利さで、このアプリなしでの育児は考えられないほどです。 ベビーベッド側面から俯瞰する形でカメラを取り付けています。カメラとは別の位置から赤外線LEDも照射しているため、夜間でも様子が見えて安心です 気軽に 育児休業 を取ろう なぜ今「男性の育休義務化」が必要なのか？フランスでも「男性の産休」義務化の動き 「男性の育休」は実はメリットだらけ。取得期間や助成金などの制度を知って活用しよう 産後女性の死因の一位は自殺。「産後うつ」と男性育休の関係、専門家が語ったこと。 家庭によっていろいろと事情はあるかと思いますが、上に挙げたように社会的な潮流や時勢からもこれまで以上に育休を取ることが推奨され、社会制度も整備されて金銭面の不安も軽減されていくことと思われます。 デメリットよりもメリットが多く、家族で濃密な期間を過ごせるのは間違いないので、ぜひ気軽に 育児休業 を取得されてみてはいかがでしょうか。 ちなみにこれはまったくの余談なのですが育休の2ヶ月間で3kg痩せました。日々成長する ダンベ ルを使っていると強制的に鍛えられるので健康面でも育休はおすすめです。 株式会社 エニグモ 正社員の求人一覧 hrmos.co

こんにちは。インフラグループの夏目です。 今回は技術的な話ではなく、ちょっとプライベートに込み入った話というかエンジニアの ワークライフバランス 的なお話です。 まったくの私事なんですがこのたび子供を授かることになりまして、ついては 育児休業 を取ってみようかな？ということで、育休取得までの流れと業務面でどういった対応をしていったのか、といったことを書いていきます。 育児休業 を取ってみよう 今回育休の取得に至った経緯は色々とあるのですが、ひとつに ワークライフバランス を見直す良いきっかけになるかな、という意図があります。 時短勤務やリモートワークではなく一旦完全に業務から離れてみて、日常生活における育児の占める割合はどの程度のものなのか(全部だよという意見はごもっともです)ということを理解しておくべきだろう、と。これを把握せずに、妻が産休・育休で子供の面倒を見るのに対して自分だけこれまでどおりの働き方をしていくのは、先々を考えると良いスタンスではないように思えたため、第一子のタイミングで育休を取ることにしました。 エニグモ では 裁量労働 のメンバーが多いこともあり、育児都合で勤務時間を調整する様子が日常的に見受けられます。このため、いざ自分に子供が生まれますよということになっても、育休を取得すること自体は自然と受け入れてもらうことができました。 受け入れるも何も労働者の権利の行使なので、本来拒否権はないはずでしょうという話なのですが、そうもいかない会社が多くあることもまた事実です。この点については エニグモ の風土に助けられた部分が大きいなと感じています。 取得までの流れ さて、では実際に育休を取りましょうとなってからどういった行動を取ったか、時系列に沿って大雑把ですが書いてみます。 2019年10月に妊娠確定となり、ここから家庭内協議に入りました。自分の稼働状況など鑑みて育休が果たして取れるのか、取れるのであればどれほどの期間で収入面で問題がないのか、などについて妻と喧々諤々やり合いました。 法制度の話をするのであれば1年以上取得することも可能ですが、現実問題として夫婦共に育休となった場合の収入への影響は無視することができず、第一子で不安を抱える妻に多少折れてもらいつつも2ヶ月取得してみましょう、ということになりました。 結論が出たのが11月末、ひとまずチームリーダーへ相談です。自分が アサイ ンされているプロジェクトの今後の見通しや、その他担当タスクのチームメンバーへの委譲可否などを考慮のうえ、積極的に育休を取得してほしいとの言葉を頂きました。チーム内の調整は大丈夫(な状態にするしかない)となったので、後は部長や人事総務の方に掛け合うだけ、というところまで持っていきました。 年が明けて2020年の2月、自身のタスクを育休までにどう調整するかといった大まかな線表を作成して部長へ共有し、社内の具体的な育休取得手続きに入ります。 というタイミングで、全世界的に新型コロナウィルス 感染症 が広がり、 エニグモ でもリモートワークに突入し手続きはいったいどうすれば…？という状態になってしまいました。幸い事前手続きはほぼないことと、書類のためにわざわざ出社する必要なく郵送してねということで柔軟な対応をして頂けました。ありがたい限りです。 タスク調整どうしたの タスク調整は実際問題どのようにしたかという点については特筆すべきことはなく、予定日までに大きなタスクを終わらせつつドキュメントを整理したり、自動化可能なタスクは自動化、間に合わない場合は手順書を作るといった形で粛々と対応を進めました。不穏当な表現ですが、トラック係数やバス係数といったものをあらためて意識することができました。 また、カオスエンジニアリングとまではいきませんが、どれだけ自分が準備をして引き継ぎをしたところで不測の事態は発生しうるので、そのあたりはチームメンバーになんとか拾い上げてもらうしかないかな、と自分勝手なことを考えています。 私生活で準備したこと 育休とはあまり関係なく、プライベートで準備したことについては基本的に世間の皆さんと同じです。強いて言えば、以下のようなエンジニアチックな手法で試行錯誤をしています。 書籍や雑誌などから育児に関する必要なものリストをピックアップして Google SpreadSheetへ書き出し、購入期限や数量、消耗品か否かといったメタ情報を付与して購入状況を管理 公的な手続きなど、忘れがちなものはTrelloのカンバンを作って 進捗管理 Trelloのボードイメージ おそらくこういったことに対応するための専用アプリやサービスもあるかと思うのですが、それらの使い方を覚えている暇があったら使い慣れたツールを使ったほうが早いだろう、と横着をしている状況です。 今後の見通し 前述したように雪崩式にリモートワークとなり、当初想定していた育休へのロードマップとは少々異なる現状なのですが、反面リモートワークでも業務への支障はほぼゼロに近いということがわかりました。2ヶ月間の育休取得後に世間がどういった状態になっているのか(おそらくあまり変化はないでしょうが)推測できませんが、リモートワークへの敷居が下がったこともあるので、たとえば保育園に入れるまでは セミ リモートワークや半育休といった形態で、柔軟な働き方を選ぶこともできれば良いなと思っています。 このエントリーを書いてる今現在、出産まであと数日といった状況です。2ヶ月後にこのエントリーを読み返して「全然準備できてへんやんけ！なに余裕ぶっとるんじゃ！」となりそうな気配が漂っていますが、2ヶ月後に改めて 育児休業 の間に起きたことや感想についてのエントリー投稿を予定していますので、そちらをお楽しみに。 結びに 少々自己矛盾してしまうのですが、冷静に考えるとこのエントリーのタイトルは筋が悪いなという印象があります。こんなタイトルのエントリーが企業ブログのバリューとならず、掃いて捨てるようなエントリーとして扱われる時代にしていきたいものですね。 株式会社 エニグモ 正社員の求人一覧 hrmos.co

こんにちは。インフラグループの夏目です。 エニグモ ではメインのGitサービスとしてGitLabを使って ソースコード を管理しています。 GitLabは GitHub と同様に、IssueやMR(PR)にラベルを付与して作業の優先度やステータスを表すことができるのですが、このラベルの運用でちょっと困ったことが発生して泥臭く解消するはめになったので、経緯と顛末含めてご紹介します。 プロジェクトラベルとグループラベル GitLabのラベルは、プロジェクト( リポジトリ )とプロジェクトを束ねたグループとでそれぞれ個別に定義できます。 グループラベルとして定義したものは配下のプロジェクトでも使用できるため、基本的にはグループ側で汎用的なラベルを設定して、プロジェクト固有のメタ情報としてプロジェクト名の省略形(例: Enigmo Greatest Project → EGP )や、リリースバージョン(例: v1.4.3 )などをプロジェクトラベルで定義するというのがベターな運用方法だと思われます。 グループラベルを設定しよう ところがこのグループラベル、 エニグモ ではあまり認識されていなかったため 各プロジェクトで汎用的な名前のプロジェクトラベルを個別に設定 プロジェクトラベルを使ってIssueやMRを管理 プロジェクトごとに同じラベルを定義するのが手間だったので、プロジェクトラベルと同じ名前のグループラベルを設定 という流れで最近になってようやくグループラベルが設定されました。各プロジェクトは個別にラベルを定義する必要がなくなってめでたしめでたしかと思いきや、そうではありません。さきほどのフローに妙なところがありませんでしたか？ プロジェクトラベルと同じ名前のグループラベルを設定 ここです。同じ名前のラベルを設定しましたね。グループラベルとプロジェクトラベルは別のオブジェクトとして扱われるため、同じ名前のラベルが設定できます。設定できるのは問題ないのですが、いざ使ってみようとすると こんな感じでまったく区別のつかないラベルがラベル付与の候補として表示されるようになってしまいました。どうしてくれるんだ。しかも 厄介 親切なことにこのラベル候補、グループラベルかプロジェクトラベルかという情報は表示されません。 重複したらどうする？ 区別がつかなくても同じ意味合いだったら別にどっちでもいいじゃん、と思わないでもありませんが、ラベルを付与するたびに「なぜ2つあるのか？どちらを付与したらいいのか？表示のバグ？」とチラッと考える時間が無駄ですね。じゃあこの重複を解消しましょう、と迂闊に既存のプロジェクトラベルを削除してしまうと、これまで該当のラベルを付与していたIssueやMRからラベルが削除されてしまいます。 仮に review requested などのアクションが必要なラベルの場合、削除によって対応が漏れてしまうおそれがあります。この事象に対して、 GitLab.orgのIssueで対応方法 が提案されていました。 重複しているプロジェクトラベルかグループラベルをリネームする プロジェクトラベルが付与されたIssueやMRに、グループラベルを追加する プロジェクトラベルを削除する たとえば in review という名前のプロジェクトラベルとグループラベルが設定されている状態では、以下のような対応になります。 プロジェクトラベル: in review を in review(project) へリネーム in review(project) が付与されたIssueやMRに、グループラベル: in review を付与 プロジェクトラベル: in review(project) を削除 リネームと削除はグループ設定画面やプロジェクト設定画面から容易に対応できますが、活発に開発が行われているプロジェクトにおいて、Issue一覧やMR一覧で重複しているラベルが付与されているものを探してIssueやMRの編集画面でラベルを設定する、という流れを1つ1つ対応するのはそれこそ時間の無駄です。 API を使ったラベルの修正 幸い、GitLabではプロジェクトラベルやグループラベル、MRを操作する API が提供されています。 Labels API | GitLab Merge requests API | GitLab これらの API を利用して以下のような スクリプト を作成しました。 #!/bin/bash # require # - httpie # - jq # - GitLab Administrator Role & User Token TOKEN=************ total_pages= $( http --ignore-stdin 'https://gitlab.example.com/api/v4/groups/1/merge_requests?labels='"review requested(project)"'&per_page=100' Private-Token: $TOKEN --verbose | grep X-Total-Pages | awk { 'print $2' } | sed -e 's/ //g' ) for page in $( seq 1 ${total_pages}) do http --body --ignore-stdin \ 'https://gitlab.example.com/api/v4/groups/1/merge_requests?labels='"review requested(project)"'&per_page=100&page=' ${page} '' \ Private-Token: $TOKEN | jq '.[]|{ id: .id, iid: .iid, project_id: .project_id, labels: .labels}' done > request.json jq -c '.' request.json | while read mr do id= $( echo ${mr} | jq '.id' ) iid= $( echo ${mr} | jq '.iid' ) pid= $( echo ${mr} | jq '.project_id' ) labels= $( echo ${mr} | jq '.labels|join(",")' ) replaced_labels= $( echo ${labels} | jq -r 'sub("review requested\\(project\\)";"review requested")' ) http --body --ignore-stdin \ PUT 'https://gitlab.example.com/api/v4/projects/' ${pid} '/merge_requests/' ${iid} '?labels='" ${replaced_labels} "'' \ Private-Token: $TOKEN sleep 5 done 今回は重複しているラベルが少なかったため、ラベル名は引数ではなく直接定義してしまっています。大雑把には以下のようなフローです。 対象グループ内でリネーム後のプロジェクトラベルが付与されたMRの一覧(ラベル定義の変更に必要なメタ情報を含む JSON )を作成 ラベル定義を修正した JSON を使って各MRの情報を更新 スクリプト 内ではラベルの置換をしていますが、前述の対応方法に記載されているようにプロジェクトラベルを削除することで更新されるため、置換ではなく単純な追加でもOKです 各プロジェクトのラベル一覧を確認して重複しているラベルがあったら スクリプト を適宜修正して実行、という対応で重複を解消しました。 すべてのグループやプロジェクトに対してラベル重複のチェックをして解消したい場合は、以下のような各言語向けのモジュールを使った スクリプト を作成するのも良いかもしれません。 Python: python-gitlab Ruby: gitlab Golang: go-gitlab Node.js: gitbeaker 結論 汎用的なラベルはグループラベルに定義すること 既存のラベルと同名のラベルを適当に作らない 実際にラベルを使う場面をちゃんと考えましょう 株式会社 エニグモ 正社員の求人一覧 hrmos.co

はじめに こんにちは、初投稿になります。 今年の1月から エニグモ でデータサイエンティストをしている堀部と申します。 1/25(土)に行われたCA × atmaCup というオフラインのデータ コンペティション のイベントに参加しました。 【東京・大阪同時開催】CA × atmaCup - connpass 85チーム中、Public 12th/Private 5th *1 とKaggle Expertとしてはまさかの最上位という結果でした。 コンペ前、コンペ中、コンペ後に分けて振り返ります。 ※本記事ではコンペのデータやタスクについては情報公開が難しいため触れません。 コンペ前 コード整理 以前のコンペや業務で使っていたコードをなるべくクラス・メソッド化してgitにまとめて整理しました。綺麗なコードとは言えないですがまとめておいたおかげで、新しい特徴量の作成やタスクに特化したデータの前処理に時間を割くことができました。主に汎用的な特徴量生成の処理やGBDTモデルの実験をやりやすくする下記のようなコードをまとめていました。 EDA trainとtestの特徴量の重なりをベン図で表示 https://github.com/konstantint/matplotlib-venn 特徴量生成 1種類しかないカラムを削除 集約特徴量の生成(mean, median, max, min, std) label encording count encording target encording 学習(モデル) ベース：lightgbm 5-fold オプション：random seed averageやlightgbm tunerをオンオフできるように追加 コンペ中 素敵な環境でした サイバーエージェント さんのできたてほやほやのオフィスの スクラン ブル交差点の見える席でもくもくと作業しました。頭を使いすぎて最後2時間くらいは少し頭がぼーっとしてました。 コンペティション サイトの出来が素晴らしかったです。○aggleと違ってすいすいsubmitができストレスなく作業に集中することができました。 コンペ中の作業方針 必要最低限の特徴量でベースライン作成してsubmit EDA やfeature importanceを見て特徴量追加 CVもpublic LBも伸びたら採用 ひたすら、2,3を繰り返す モデルはずっとlightgbmシングルでアンサンブルはしませんでした。lightgbmのハイパーパラメータはcat_smoothのみ手動チューニングしました。 そして、特徴量のアイディアが一旦つきたところで lightgbm tunerを使って一度パラメータ探索をした結果を最後まで使いました。 コンペ後 表彰式、懇親会 コンペが終わってすぐ結果発表＆表彰式がありました。上位3名の方の解法を聞くことができました。 その特徴量効きましたよねと共感したり、そのアイディアは思いつかなかったなとメモしたりすぐに情報共有できるオフラインコンペならではのよさを実感しました。 その後の懇親会でも当日のコンペだけでなく別のコンペについての取り組みについても話を聞くことができ、普段からコンペに参加しておくメリットも感じました。 次の日 次の日は日曜日だったので表彰式や懇親会での話を受けて思いついたアイディアを実装して追試をしていました。少し考えればこの特徴量は要らないかもと思ったものを削除しただけで、スコアが伸びたりとなぜコンペ中に気がつかなかったのかと後悔もありました。 また、上位の方が公開してくれたコードやgitを見て自分のコードの汚さに愕然としました。 普段から綺麗なコードを書く、他の人のコードを見て学ぶということを日頃から意識しようと胸に刻み込みました。 最後に (真剣に取り組んだ)コンペの数だけ強くなる、強い人に会いに行くという大切さ、オフラインコンペならではの大変さ、楽しさを味わうことができたとても充実した一日でした。次回があればまたぜひ参加したいです。 また、 エニグモ に入社して1ヶ月が経ちましたが楽しい日々を過ごしています。ABテストの効果検証×傾向スコア、商品の クラスタリング 、回帰予測 モデリング など、自分で思いついてビジネスに貢献できそうなものであれば自由に取り組んでよい ボトムアップ の環境です。 個人的には、 ファッションEC × CtoCという ドメイン ならでは多様性のあるデータ(テーブル、テキスト、画像)が扱えること 社内の半数以上の方が SQL をかけデータをビジネスに活用する文化が定着していること BigQuery, AWS , Lookerなど、ツールへの投資が当たり前のように行われていること によさを感じています。 コンペ以上に業務も楽しく取り組める強いチームをつくれたらと思っております。興味のある方はぜひ気軽にご応募ください。選考とは別にカジュアル面談も受け付けております。データサイエンティスト、データアナリスト、データエンジニア、検索エンジニアなど各種募集中です。 株式会社 エニグモ 正社員の求人一覧 hrmos.co *1 : ランキングシステムがPublicとPrivate で分かれていて、 コンペティション が終了するまではテストデータの一部だけを使ってスコアを算出されたPublicのみのランキングが公開されます

こんにちは。主に BUYMA の検索周りを担当しているエンジニアの伊藤です。 BUYMA ではSolrを利用した検索システムがいくつかあります。 BUYMA の検索というと検索ボリュームが一番大きな商品検索を想像されると思いますが、 今回はデータボリュームが一番大きい検索システムをターゲットとして、インフラ周りを含め全面的にシステムの刷新を行いました。 ここでは、 既存の検索システムがどういったものだったのか なぜシステム更改が必要だったのか(どういう課題があったのか) 更改後の検索システムはどういったものか 今後の課題について 等々についてご紹介したいと思います。 既存の検索システムについて 既存の検索システムは下記の通り、シンプルという点ではとても素晴らしいものでした。 ただし下記のような問題を抱えている状況でした。 スケールアウトしない構成である スケールアップの限界 Solrのバージョンが古い 本番環境のデータを利用した検証が難しい 開発担当者にもSolrの知識が必要とされる 問題に気付けない 以降でその内容について補足していきます。 スケールアウトしない構成である 検索システムはデータ増とアクセス増の2軸でスケールアウト構成を取る必要があります。 アクセス増にはSolrサーバを追加することで対応できるようにはなっていましたが、該当の検索システムはアクセス数というよりデータが多いことが特徴でこのデータ増に追従出来なくなっていました。 スケールアップの限界 該当の検索システムは元々オンプレ環境で運用していましたが、ヒープサイズ不足やFull GC が頻発するようになっていたため、暫定対処として AWS 側に移行し、 GC チューニングを行いました。 ただしこの対応も一時的なもので、データ数自体は日々増加している状況の中で使用している GC の アルゴリズム 的に、メモリを増やしてどうこうできる状況ではなくなっていました。 データ増に伴いOOM Killer、ヒープサイズ不足が発生 → ヒープサイズを拡張 → STWの インパク トが大きくなるという負のループに陥る Solrのバージョンが古い 既存の検索システムで利用しているSolrのバージョンは3.2.0でした バージョンが古くても通常時の運用にはそれほど支障はありませんが、何か問題があった場合の調査が大変でした(ドキュメントが見つからない) またSolrのバージョンupに伴いindexing/検索性能はupしていますので、性能面でのデメリットであったり 以降のバージョンで提供された様々な機能が利用できない等のデメリットがありました 本番環境のデータを利用した検証が難しい 既存システムで本番 環境相 当のデータで検証する際にはindexing処理だけで数日かかるという状況で、環境構築自体がハードルとなっていました。 開発担当者にもSolrの知識が必要とされる Solrへの検索時は php 、 ruby といったクライアント側でSolrのクエリを組み立てて実行していました。 クライアント側を担当する開発担当者はその時々で変わり、ある程度はSolrを知っている人もいれば、全く知らない人まで様々です。 一方Solrのクエリは書き方によってはキャッシュを使えていなかったり、または逆にキャッシュを無駄に汚してしまったりと、同じ検索結果を得るにしてもある程度Solrの知識を必要とします。 問題に気付けない 必要なデータやログが適切に可視化され監視されていないため、サービス影響、ユーザ問い合わせがあって初めて問題に気付くケースがありました 更改後の検索システム 上記で挙げた課題感を解決するために設計した アーキテクチャ が下記になります。 変化に強いシステムへ SolrCloud構成に変更しつつ、データ増にはデータsharding、アクセス増にはデータreplicationでスケールアウト可能な構成に変更 環境再現性 全てコンテナベースのアプリケーションとなっているため、本番と同じマシンスペック、構成を簡単に構築可能 本番データを利用した検証も短時間で可能となった indexing処理についても BUYMA で利用しているメインのDBにアクセスする必要がなく、中間DBを利用することで数時間でfull-import可能 耐障害性の向上 プラットフォームに Kubernetes を採用し、想定外のアプリケーション停止、ノードdown時にもセルフヒーリングで自動復旧可能 マイクロサービス化(隠蔽化) アプリケーション〜Solr間に検索 API を新たに用意。これによりアプリケーション側はSolrの独自クエリを意識することなく、検索 API を介したシンプルなI/Fをベースとした開発が可能に。 Solrの独自クエリなど、専門的な知識を開発者が持つ必要がなくなり、学習コストが抑えられることで開発効率が上がる 不適切なクエリにより、Solr側のキャッシュをうまく使えないなどの問題回避 障害検知 監視、ログ運用基盤としてDatadogを利用し、インフラ/ミドル/アプリケーションのメトリクス情報やログを統合的に管理可能とした 属人性の排除 検索システム間でバラバラだった スキーマ 定義を汎用的なものにし、複数の検索システムをシームレスに対応可能に dynamicフィールドをベースとしているため、 スキーマ 定義自体も運用上ほぼ変更する必要がない GitOps対応 全てのシステム設定をコードとしてGit上で管理 運用上変更頻度が高いものはコマンド実行不要でCI/CDで可能 苦労した点 今回せっかくシステム更改するならCloudNativeなシステムにしたいという思いがありこのような構成にしました。 Solrのようなstatefulなアプリケーションをコンテナとして Kubernetes 上で扱うのも初めてでしたし、 監視、ログ運用周りも今回の対応と合わせて刷新したことで対応範囲が広くなり苦労した点も多くありました。 ここではいくつかピックアップして紹介したいと思います。 Solr/Zookeeperを Kubernetes 上に構築、運用した経験がない Solrに関してはあまり構築事例もなく問題に遭遇した際の解析に難航 リソース設計、ログ周りなど、コンテナ/ Kubernetes だからこそプラスαで考慮しなければ行けない点が多々あった 監視、ログ運用基盤の検討 コンテナ/ Kubernetes ベースのシステムをどう監視すべきか？ ログはどう扱うべきか？ 検索 API の設計、開発 I/F仕様どうするか？ 開発しながらSolr/Zookeeper周りの設定や問題対応をするのが辛い Solrバージョンアップによる未知の問題対応 indexing処理周りで問題多発 SolrCloudかつDIHで並列indexing処理を行うこと自体が事例がなく、色々とはまる 今後に向けて システム更改により当初挙げていた課題感というのは概ね解決することが出来ました。 ただし今回のようなシステムを構築、運用したことでてきた新たな課題や、まだまだ改善が必要だなと思えるところもあります。 indexing処理などはクライアント側の処理と密になっている箇所がまだまだあり、今後もブラッシュアップが必要 Solrのような複雑かつstatefulなアプリケーションは運用がやはり大変。 Kubernetes operator を利用するなどして運用をもっと楽にしつつ、属人性もなくしていきたい。 さいごに 今回は検索のインフラ面を中心としたお話を紹介させていただきましたが、 弊社では検索のサービス向上（ex パーソナライズサーチなど）や 自然言語処理 や 機械学習 を活用したサービス導入なども積極的に行っています。 今回技術的なところにはほぼ触れませんでしたが、ここどうなってるの？など少しでも興味、関心を持たれたら是非お気軽にお話だけでも聞きにいただければと思います。 株式会社 エニグモ 正社員の求人一覧 hrmos.co

はじめに エニグモ でデータサイエンティストを名乗っている庄子です。こちらは Enigmo Advent Calendar 2019 の25日目の記事です。 今年の振り返りも兼ねてのポエムとなります。 さて、データサイエンティストが活躍するためのスキル要件として、いくらでも切りようがあると思いますが、特に自分自身に感じている課題について、4つの力という観点で書きたいと思います。 その1 提案力 PoCとして小規模のデモを行う そのデータサイエンスのアウトプットが使えそうか、事業に詳しい人に想像してもらう 実際にデータサイエンスを使って問題解決できそうな場合も、実際にやってみないと分からないですし、得られたアウトプットが事業に有効かどうかを、事業に詳しい人に意見をいただいた方が良いでしょう。筋が悪そうな分析は早めに判断してもらうためにも、なるべく小規模でPoCを行います。 本年度の振り返りとしては、このPoCの手数がもっとあった方が良いと感じました。 また、データサイエンティストが使う手法でできることは、データサイエンティストがもっとも良く分かるはずです。もちろん、使われる手法に関して詳しい人がデータサイエンティスト以外のポジションを担っているケースもあると思いますが、そのケースはここでは考えないことにします。 なお、課題設定が済んでおり、入出力が決まっているテー ブルデー タに対しては、AutoMLを十分ですし、AutoMLに変えられるようなタスクをこなすだけであれば、データサイエンティストは価値を発揮できません。 課題設定と分析を繰り返し、仮説検証を繰り返しながら課題設定の質を上げるスキルこそがデータサイエンティストの価値を差別化すると思います。 提案を誤解なく伝えるために、共通言語を関係者と揃える 使う手法や方法論を伝える概念を伝える 伝えたことをドキュメントとして残し、説明の場にいなくてもそのドキュメントを読めば共通言語が理解できるようにする 関係者が運用している具体的なデータを使って示す 共通言語を揃える場合は、最初に自分が受ける説明として、こんな説明ならすっと理解できそうというのを思い出しながら、説明するということは普段気をつけているつもりでしたが、後から考えると考慮が不十分だと思うことは多々ありました。特に、背景や経緯を共有できている前提から資料を作ってしまう場合です。 分析レポートの報告の際に、なるべく普段気をつけていたはずだと思いますが、ドキュメントの作成や整備も、振り返るともっとやりようがあると思います。 質問された点について補足を付け加えていくなどして、社内のナレッジの質を高め、 リテラシー を共有できるのかと思います。 その２ ヒアリ ング力 定期的に情報交換の場を現場のメンバーと設ける こちらの取り組みを参考にし、ざっくばらんにデータ活用で解決してほしい課題について話すという ランチミーティング を設定しました。 データ民主化を加速させる「分析ワクワクタイム」 - pixiv inside この ランチミーティング をきっかけにとあるPoCに取り組みましたが、中途半端なところで頓挫してしまっている状況です。 さらに、定期的にということも実現できていません。やったら効果的かもしれないと思うことをすぐに実現できず、せっかく ヒアリ ングしたのに形にできないということに負い目を感じてしまった部分もあります。 いずれにせよ、定期的にコミュニケーションを行うことで、風通しをよくする、 心理的 安全性を担保することが重要だったりするので、またどこかの機会で復活させていきたいと思います。 現場での運用について体験させてもらう 今年は取り組めなかったですが、ビジネス理解をもっとも得られる方法が実際に体験することにあると思います。データサイエンティストが共通言語の理解を得にいくということで矢印の向きは反対になりますが、先に挙げた共通言語を揃えるということにもつながると思います。 その３ タスク依頼力 得意な領域に専念し、タスクを切り出してより得意な人に任せることを考える 実験的なコードを書くことに場合に専念する 仕様が固まる、あるいはプロダクトに関わる部分はエンジニアに任せる プロダクトに乗るべきコードの要件はここで詳しく触れませんが、手元で自分が扱うコードが読みやすく、条件や機能の拡張がしやすいものだったら良いなと何度も思いました。そのようなコーディングを行うためには言語や フレームワーク のベストプ ラク ティスを踏まえている、専門家に任せた方がよいです。 データサイエンスに関するプロジェクトを実行するにあたり、必要なスキルで全てに秀でるのは多くの人にとって現実的ではないでしょう。依頼をする内容を、その領域を詳しい人へ誤解なく橋渡しができるくらいの知識があるという前提は置きますが、なるべく、得意な領域に専念した方が、組織としてのアウトプット力は上げられるはずです。 個人の領域として広くやれるのが弊社の良いところでもあるのですが、実験のためのコードを書く時間の割合を多くすることが、現在ネックになっていると思いました。 タスクを分解する 分解した単位で、インプットとアウトプットを明確にする こうやって書くと、基本的な仕事の進め方の話になりような気がします。。達成基準が明確な、細切れなタスクに分解できるということは、仕事の依頼もしやすくなり、今後育成という観点でも必要になってくる力です。 その4 採用力 来て欲しい人に、その会社に来る魅力をきっちり伝える 具体的なタスクや、データサイエンティストの要件を上手く伝える 人的リソースを増やすために、データサイエンティスト自体の人員を増やすということも当然選択肢に入ると思います。今年度は、データサイエンティスト、および、データアナリストの採用にも、面接などを通し関わらせていただきました。 もちろん活躍できそうな人を採用することが目的になりますが、活躍を期待できる人材ほど、他社からも内定が出ることは容易に想像できます。給与といった待遇面以外で考えるとすると、仕事内容やその会社で働くことの魅力を伝えるかどうかにかかっていると思います。 そこで、ミスマッチをなくすということに務めてきました。課題と思っているとこと、なるべく包み隠さず伝えたということはできていたと思います。実際に業務を行うイメージを固めるために、面接官以外のメンバーとの面談の場を設けることも実現することができました。 応募者の良いところを引き出して聞き出す 会社のフェーズを考えると、データサイエンスに関する施策をドライブしてくれる人が活躍できそうという思いがあったため、提案力に優れている人を通す傾向が強かったですが、応募要件を上げてしまう大きな要因となっていたような気がします。 今後は、始めは提案が少々不得意でも、技術力を活かして活躍できる人も採用したいという想いがあります。課題はたくさんある中で、その人の経験と相性が良さそうなタスクの質問をして、考えを掘り下げる、という質問の組み立てについても、改善していきたいと思います。 一方、できていた部分としては、データサイエンティストの業務経験が想定より不足していても、社内のメンバーとコミュニーケーションが安心して任せられ、学習やそれまでの業務への取り組みを伺い、間違いなく必要なスキルはキャッチアップできると判断できる方は面接を通していました。このケースでは応募者の良いところを上手く引き出せていたのではないかと思います。 さいごに その1,2がコミュケーションに関する話題、その3,4が人的リソースに関する話題になります。大きな枠組の話題としては、如何にスキルや知識をアップデートするか、という日々のインプット・アウトプットも挙げられますが、また機会があれば書くかも、、しれません。 なお、今回できていないことを中心に書いてしまったせいか、ちょっと 胃もたれ しそうな気分になりました。ただし、やりたいのにやれてないことが多いということは、伸び代がすごい！とも言えるのかと思います。一つ一つやるべきことに取り組んでいくしかしないですね！ こんな私でも暖かく受け入れてくださり、(きっと)裁量を最大限に与えてくれる弊社なので、共に切磋琢磨してEnigmoをグロースさせたい仲間を絶賛募集中です。 株式会社 エニグモ 正社員の求人一覧 hrmos.co

こんにちは、サーバーサイドエンジニアの平井です。 こちらは、 Enigmo Advent Calendar 2019 、24日目の記事です。 昨年の1月に エニグモ に インターン として入社してから一年が経とうとしています。早いもので、新卒の肩書きもそろそろ無くなってしまいますね。 今回は、 Rubyによるデザインパターン を読んで、 デザインパターン を勉強したので、そのアウトプットをさせていただきます。 タイトルの通り、 デザインパターン について実際の使用例を探してみました。そのパターンと使用例は以下になります。 Strategyパターン Warden Observerパターン rails-observers Iterator パターン actionpack/lib/action_dispatch/http/mime_type.rb Builderパターン mastodon まずは、Strategyパターンから説明します。 Strategyパターン Strategyパターンとは メソッドの中に溶け込んでいる アルゴリズム を別クラスとして分けて、切り替えができるようにするパターンです。 サンプルコードを利用し、悪い例を修正していく形で、さらに、Strategyパターンについて説明していきます。 適用前 class Report def initialize @title = ' 月次報告 ' @text = [ ' 順調 ' , ' 最高の調子 ' ] end def output_report (format) if format == :plan puts( "#{ title }" ) elsif format == :html puts( " <title> #{ @title } </title> " ) else raise " Unknown format: #{ format }" end @text .each do | line | if format == :plan puts(line) else puts( " <p> #{ line } </p> " ) end end end end 問題点としては以下が挙げられます。 output_reportメソッドについて、formatの種類が増えるにつれて、メソッドが長くなる。 Strategyパターンを適用すると、以下のようになります。 class HTMLFormatter def output_report (title, text) puts( " <title> #{ @title } </title> " ) text.each do | line | puts( " <p> #{ line } </p> " ) end end end class PlainTextFormatter def output_report (title, text) puts( "#{ title }" ) text.each do | line | puts(line) end end end class Report def initialize (formatter) @title = ' 月次報告 ' @text = [ ' 順調 ' , ' 最高の調子 ' ] @formatter = formatter end def output_report @formatter .outpout_report( @title , @text ) end end report = Report .new( HTMLFormatter .new) report.ouput_report このように、同じ目的(レポートをフォーマットする)を持ったオブジェクトを、ストラテジとして定義し、そのストラテジをごっそり交換できるようにするのがStrategyパターンです。ストラテジは同じインターフェースを持っているので、ストラテジの利用者(コンテキストと呼ぶそうです)は、どのストラテジを利用するかを知らずにすみます。適用前は、ReportクラスはHTMLとPlainText、それぞれの出力方式を知っていました。ただ、Strategyパターンを適用した後は、出力方式に関する知識はReportクラスからストラテジオブジェクトに移りました。 実例 Strategyパターンは、Wardenという認証 フレームワーク で使われています。 github.com Warden::Strategies::Baseのサブクラスに認証の方法を実装することで、その認証方法を切り替えることができます。 その Warden を使った、 Devise というgem(ログイン方法を簡単に実装できる)の ソースコード を見ると、実際にどのようにStrategyパターンが使われているのかを確認できます。 下の ソースコード を見るとわかるように認証するオブジェクトはwardenですが、認証方法に関する知識は DatabaseAuthenticatableクラス と Rememberable クラスが持っています。 module Devise module Strategies class DatabaseAuthenticatable < Authenticatable def authenticate! # データベースにあるデータで認証を行う処理 end end end end module Devise module Strategies class Rememberable < Authenticatable def authenticate! # クッキーを使って認証を行う処理 end DatabaseAuthenticatableは、データベースにあるメールアドレスとパスワードで認証します。Rememberableは、クッキーからデータベースにあるレコードを探してきて認証します。 Observerパターン Observerパターンとは あるオブジェクトの状態の変化を、そのオブジェクト自身がその変化を知りたいオブジェクトに対して知らせる仕組みがObserverパターンです。 システムの各部分が、あるオブジェクトの状態を知りたいとき、例えば、誰かの給料が変わった時に、その変更を 経理 部門が知る必要がある時を想定します。 悪いパターンのサンプルコードを見ていきます。 class Payroll def update (changed_employee) puts( "#{ changed_employee.name } の給料が #{ changed_employee.salary } に変わりました " ) end end class Employee attr_reader :name , :employee def initialize (name, title, salary, payroll) @name = name @title = title @salary = salary @payroll = payroll end def salary= (new_salary) @salary = new_salary @payroll .update( self ) end end payroll = Payroll .new taro = Employee .new( ' Taro ' , ' President ' , 200 , payroll) taro.salary = 300 この ソースコード の悪い点は以下になります。 他のオブジェクトが、財務情報を知る必要が出た時に、実際に変化したのは、Employeeではなく他のオブジェクトなのにも関わらず、Employeeクラスを修正する必要がある。 Rubyによるデザインパターン に書かれていた設計原則として、 変わるものを変わらなものから分離する と述べられています。この原則を当てはめて、変わるもの(誰がtaroの財務状況を知る必要があるか)を変わらないもの(Employeeクラス)から分離させます。 Observerパターンを当てはめると以下のようになります。 class Payroll def update (changed_employee) puts( "#{ changed_employee.name } の給料が #{ changed_employee.salary } に変わりました " ) end end class TaxMan def update (changed_employee) puts( "#{ changed_employee.name } に新しい請求書を送ります " ) end end class Employee attr_reader :name , :employee include Subject def initialize (name, title, salary) super () @name = name @title = title @salary = salary end def salary= (new_salary) @salary = new_salary notify_observers end end module Subject def initialize @observers = [] end def add_observer (observer) @observers << observer end def delete_observer (observer) @observers .delete(observer) end def notify_observers @observers .each do | observer | observer.update( self ) end end end payroll = Payroll .new taxman = Taxman .new taro = Employee .new( ' Taro ' , ' President ' , 200 ) taro.add_observers(payroll) taro.add_observers(taxman) fred.salary = 300 このように、ニュースを持っているオブジェクトとそれを受け取る側にきれいなインターフェースを作るア イデア がObserverパターンです。ニュースを持っているオブジェクトはSubjectと呼ばれ、それに関心のあるオブジェクトはオブザーバーです。今の状態だと、Employeeはどれだけのオブザーバーが自分の給料の変更に関心があるかを知らなくて済みます。なので、新しくtaroの給料の変更を知る必要があるオブジェクトが出てきた場合は、そのオブジェクトがオブザーバーとしての共通のインターフェースであるupdateメソッドを実装して、add_observersするだけで、Employee自身は何も変化しません。 実例 こちらは実際に使われている例ではなく、 rails-observers を使うと簡単に ActiveRecord 用のobserverクラスを作ることができるという説明をします。 github のREADMEのサンプルコードですが、 class CommentObserver < ActiveRecord :: Observer def after_save (comment) Notifications .comment( " admin@do.com " , " New comment was posted " , comment).deliver end end この場合、 Comment#save が終了した際に、after_save内の処理を実行します。 サンプルコードでは、Subjectのセッターに、オブジェクトが変更した際に実行するメソッドを追加する必要がありましたが、 rails-observers を使えば必要ありません。 Iterator パターン Iterator パターンとは Iterator パターンとは集約オブジェクトが子オブジェクトのコレクションにアクセスする方法を外部に提供するテクニックです。 外部 イテレータ ーと内部 イテレータ があります。 外部 イテレータ ーについて、サンプルコードを使って説明します。 class ArrayIteratoor def initialize (array) @array = array @index = 0 end def has_next? @index < @array .length end def item @array [ @index ] end def next_item value = @array [ @index ] @index += 1 value end end array = [ ' red ' , ' green ' , ' blue ' ] i = ArrayIterator .new(array) while i.has_next? puts( " item: #{ i.next_item }" ) end => item : red item : green item : blue 外部 イテレータ ーの場合は上のように、子オブジェクトに対して処理内容を伝えます。 一方、内部 イテレータ ーとは、eachのように、 イテレータ ー自身がブロックを受け取って、 その処理内容を子オブジェクトに伝えます。 実例 内部 イテレータ ーが使われている箇所を、 rails の ソースコード 内の actionpack/lib/action_dispatch/http/mime_type.rb から簡単に探すことができました。 module Mime class Mimes include Enumerable def initialize @mimes = [] @symbols = nil end def each @mimes .each { | x | yield x } end def << (type) @mimes << type @symbols = nil end def delete_if @mimes .delete_if { | x | yield x }.tap { @symbols = nil } end def symbols @symbols ||= map(& :to_sym ) end end SET = Mimes .new class Type def register # 他の処理 SET << new_mime # 他の処理 end 上の例の場合、Mimesクラスの子オブジェクトに対して処理内容を伝える場合は、コードブロックを利用します。 また、Enumberableモジュールをincludeしてeachメソッドを定義することで、 include? , map , select などの配列を走査する際に便利なメソッドを使うことができます。 actionpack/lib/action_dispatch/http/mime_types.rb に下のような処理がありました。 Mime :: Type .register " text/html " , :html , %w( application/xhtml+xml ) , %w( xhtml ) Mime :: Type .register " text/plain " , :text , [], %w( txt ) Mime :: Type .register " text/javascript " , :js , %w( application/javascript application/x-javascript ) Mime :: Type .register " text/css " , :css Mime :: Type .register " text/calendar " , :ics Mime :: Type .register " text/csv " , :csv Mime :: Type .register " text/vcard " , :vcf Mime :: Type .register " text/vtt " , :vtt , %w( vtt ) # 他のMimeタイプをMimeクラスに追加する処理が続く Typeクラスのregisterメソッド内でMimesクラスに追加をする処理があり、 actionpack /lib/action_dispatch/http/ mime _types.rbで Mime タイプを追加していました。 Builderパターン Builderパターンとは オブジェクトの構築のロジックに対して責任をもつBuilderを作り、そのBuilderを使ってオブジェクトを作成するパターンです。 例としては、以下になります。 class Computer attr_reader :drives def initialize (drives=[]) @drives = drives end end class Drive attr_reader :type attr_reader :size attr_reader :writable def initialize (type, size, writable) @type = type @size = size @writable = writable end end class ComputerBuilder attr_reader :computer def initialize @computer = Computer .new end def turbo (has_turbo_cpu = true ) @couputer .motherboard_cpu = TurboCpu .new end def add_cd (writer = false ) @computer .drives << Drive .new( :cd , 760 , writer) end def add_dvd (writer = false ) @computer .drives << Drive .new( :dvd , 4000 , writer) end def add_hard_disk (size_in_mb) @computer .drives << Drive .new( :hard_disk , :size_in_bm , true ) end end builder = ComputerBuilder .new builder.add_cd( true ) builder.add_dvd builder.add_hard_disk( 1000000 ) computer = builder.computer 上の場合は、Computerを作るために必要なcdのsizeが760であるというような、Computerクラスの インスタンス を作成するためのロジックが、ComputerBuilderのクラスに集まっています。Computerを作るための実装の詳細をBuilderクラスが隠蔽しています。 実例 Builderパターンは Builder でグレップすれば良いので、簡単に見つけることができました。 以下の ソースコード は、 mastodon という短文投稿型の SNS サイトのソースです。 github.com # app/lib/rss_builder.rb class RSSBuilder def initialize @document = Ox :: Document .new( version : ' 1.0 ' ) @channel = Ox :: Element .new( ' channel ' ) @document << (rss << @channel ) end def title (str) @channel << ( Ox :: Element .new( ' title ' ) << str) self end def link (str) @channel << ( Ox :: Element .new( ' link ' ) << str) self end ## 他のメソッドが続く RSS とは、Webサイトのニュースやブログなどの、更新情報の日付やタイトル、その内容の要約などを配信するため技術で、 XML 形式で記述されます。 このRSSBuilderは、titleがchannelの子要素であるなどの XML の構成の詳細を隠蔽しています。 この RSS は app/serializers/rss/account_serializer.rb 上でRSSBuilderクラスを使って作成されています。 class RSS :: AccountSerializer def render (account, statuses, tag) builder.title( " #タイトルの名前 " ) .link( " #タグのurl " ) #他のRSSを作成する処理が続く builder.to_xml end このAccountSerializerクラスは RSS の xml の構成の詳細を知りません。タイトルやlinkの情報を与えるだけで RSS を完成させることができます。 まとめ Rubyによるデザインパターン を読んでみて、実際の使用例を探してみようと意気込んでみたものの中々見つけることができませんでした。 普段から、 ソースコード を読む際に デザインパターン を意識して読んでみるのもアリなのかなと思いました。 また、実際に使用例を見つけるための ソースコード リーディングを通して、 デザインパターン に対する理解を深めることができただけでなく、雑多に新たな知識を得ることができました。 そして、モヤモヤしていたことをはっきり理解できた時の快感が ソースコード リーディングの楽しみだなと改めて感じたので、積極的に読んでいこうと思いました。 最後まで読んで頂き誠にありがとうございました。 参考 Design Patterns in Ruby: Strategy Pattern - Ruby Inside - Medium GitHub - rails/rails-observers: Rails observer (removed from core in Rails 4.0) GitHub - rails/rails: Ruby on Rails https://github.com/tootsuite/mastodon 株式会社 エニグモ 正社員の求人一覧 hrmos.co

こんにちは！サーバーサイドエンジニアの @hokita222 です！ 有酸素運動 は脳を活性化させると聞いて、最近は朝会社に出社せずにランニングしております！ それはさておき、これは Enigmo Advent Calendar 2019 23日目の記事です！ 今回は弊社が運営するサイトの BUYMA ( Ruby on Rails )に追加した機能で、 STI 、 ポリモーフィック関連 を使ってみたので、どういう設計にしたかを書いていこうと思います。 ※使ってみたって話で、それぞれどういう特徴なのかなどの詳しい説明はしておりません。 どんな機能作ったの？ 「〇〇キャンペーン」などの施策で、その日あった取引の中で特定の条件（商品ID、カテゴリーID、何円以上など）のものを絞り込み、その対象の取引に対して特定のアクションをさせます。 今回はこの機能の「特定の条件で絞る」の設計を説明していきたいと思います。 設計するなかで実現したかったこと 「特定の条件で絞る」機能を作るなかで重要視していたのは、「条件が増える可能性が高い」ことです。今は商品ID、カテゴリーIDで絞れるけど、将来的にはブランドID、購入数などで絞れるようにするかもしれません。なので条件が容易に追加できることを意識しました。 テーブル設計 テーブル名 説明 promotions 施策テーブル（施策名、施策期間など） rules 施策の条件テーブル（どの取引を対象にするかの条件） actions 施策のアクションテーブル（対象の取引に対しての行うアクション）※今回こちらは割愛 rule_targets 施策の条件テーブルとターゲット（itemsやcategoriesなど）との中間テーブル items 商品テーブル（元々あるテーブル） categories カテゴリーテーブル（元々あるテーブル） ※promotions, rules, actionsの形は solidus を参考にさせてもらいました。 STI rulesテーブル（ruleモデル）に対して item , category , price_gte というサブタイプクラスを作成しました。 なぜ STI か STI だと条件が増えたときにクラスの追加のみで済む。 具象テーブル継承、クラステーブル継承だとテーブルまで作らないといけないので面倒くさい。 将来的に追加されるカラムが少ない。 あるサブタイプクラスしか使わないカラムが増えていくと、テーブルにカラムが増えすぎるってこともあると思いますが、今回は問題ないと判断。 サブタイプクラスで共通のメソッドでも、それぞれ処理が異なる。 処理が同じなら親クラスで共通のメソッド生やせばすむし、結果 enum を使って異なる処理だけを例外的に書けばいいよねってなりますが、今回はそれぞれ異なります。 Rails の STI の機能は使わなかった Rails 標準の STI の機能は使いませんでした。理由としては「継承」を使いたくないから。今回は委譲で対応しております。（ Rails の STI を期待されてた方すみません。） ※と言ってみたは良いものの、 Rails から外れるツラミも結構大きいです。今回の機能では問題ないのですが、あまりおすすめはしないです。 ソースコード # 施策（調整予約）ルールテーブル # # カラム # - type: どの条件か（どの条件のクラスを使用するか。例： item, category, price_gte） # - value: 条件に必要な任意の値（〇〇円以上とか。商品IDとかはここには入らない。） # class Rule < ActiveRecord :: Base self .inheritance_column = nil belongs_to :promotion has_many :rule_targets delegate :build_relation to : :sub_rule private # サブタイプクラス def sub_rule " Rules:: #{ type.classify }" .constantize .new( self ) end end 継承を使用しないので、サブタイプクラスを呼ぶメソッドを作ってます。 module Subtypeable extend ActiveSupport :: Concern attr_accessor :rule delegate :value , :rule_targets , to : :@rule def initialize (rule) @rule = rule end # 特定のrelationをactiverecordのメソッドを使用して絞り込む def build_relation (relation) relation end end ruby ではダックタイピングできるので基本インターフェースは不要ですが、他のエンジニアにもこのメソッド使ってくれという願いを込めてmodule作りました。（ちょっとインターフェース以上のこと書いているのはご愛嬌） # 商品ルール class Syohin include Subtypeable # override def build_relation (relation) targetable_ids = rule_targets.pluck( :targetable_id ) relation.where( ' trades.item_id in (?) ' , targetable_ids) end end 引数の relation に取引のRelationを渡すことによって中間テーブルにある対象のIDたちで絞ることができます。（正確にはRelationに条件を付加します。） # 価格（以上）ルール class PriceGte include Subtypeable # override def build_relation (relation) relation.where( ' trades.price >= ? ' , value) end end こちらは商品ルールとは異なり、rulesテーブルの value カラムを使用します。 Polymorphic関連 なぜPolymorphic関連か rule_targets モデルに対して、複数のモデルを紐付けたかったため。 rule_targets からは items も categories も targets という同類の関係 rules と targets は多対多なので中間テーブル rule_targets とのPolymorphic関連 ソースコード # 中間テーブル class RuleTarget < ActiveRecord :: Base belongs_to :rule belongs_to :targetable , polymorphic : true end class Item < ActiveRecord :: Base has_many :rule_targets , as : :targetable end class Cateogry < ActiveRecord :: Base has_many :rule_targets , as : :targetable end ※本当は STI と同じくインターフェース用のmodule作ったほうがいいのですが、共通のメソッドがないので作ってません。 ちなみに promotionモデルはこうなっております。 # 施策テーブル class Promotion < ActiveRecord :: Base has_many :rules has_many :actions # いろんな条件をまとめたrelationを受け取ることができる。 def detect (relation) rules.inject(relation) do | rel , rule | rule.build_relation(rel) end end end Promotionモデルが窓口となっており、コントローラーなどの呼び出し元は detect メソッドを呼ぶだけで条件での絞り込みが可能になります。 各クラスがそれぞれの仕事を担ってくれているので結構シンプルなのではないでしょうか。また STI 、Polymorphic関連で実装したおかげで if 文, case 文が全くありません。 さいごに 現状新しい施策条件が増えた場合でもクラス一つ作るだけで解決するので、小一時間あれば条件の追加が可能となりました。 明日は弊社新卒の平井くんです！どんな記事書くんでしょうね。楽しみ！わくわく 弊社では一緒にレガシーコード脱却を目指すエンジニア大募集中です！ hrmos.co

こんにちは。Engimo インフラチームの夏目です。 この記事は Enigmo Advent Calendar 2019 の22日目の記事です。 最近は こちらのインタビュー でも触れたとおり Kubernetes クラスタ を作ったり壊したりしていまして、今日の記事は Kubernetes におけるアプリケーションデプロイに関してのお話です。 Kubernetes の継続的デリバリ、どうしてますか？ Kubernetes をプロダクション環境で利用されているそこのあなた！アプリケーションをどうやってデプロイしていますか？ ローカルでDockerImageをビルド DockerHubのプライベー トリポジ トリへプッシュ kubectl edit でDeploymentsのイメージタグを最新のものへ変更 といった人の手による温かみのあるデプロイをしている？ それはそれで心がこもった良いやり方かもしれませんが、おそらく少数派ですし、システムに心は必要ありませんのでやめましょう。みなさん基本的には Spinnaker や JenkinsX といったCDツールを利用されているかと思います。 現在私達が開発中のシステムにおいては、デプロイパイプラインのCDツールとして ArgoCD を利用しています。 以下のような特徴があり、シンプルに GitOps デプロイを実現することができるツールです。 GUI や CLI でmanifestの適用状態が確認できる kustomize に対応している Sync/Hook機能でデプロイフローを柔軟にコン トロール できる そもそもGitOpsとはどういった概念なのか、という点に関しては提唱元であるWeaveworksのblogがわかりやすいのでご参照ください。 www.weave.works なお、Weaveworksが開発している Flux もGitOpsを実現するためのCDツールなのですが、ArgoCDと比べると公式ドキュメントがややわかりづらい印象があります。 また、kustomizeには対応しているものの、他の機能(イメージタグ更新検知)とあわせて利用しようとするとmanifestの構成が複雑になる(選定時の実装では)、といった理由もあって採用には至りませんでした。 EnigmoにおけるArgoCDを使ったGitOpsデプロイフロー ArgoCDの アーキテクチャ は公式ドキュメント記載の以下の図のように、GitOpsの全ての領域をカバーするわけではなく、他のCIツールと併用することを前提としています。 ArgoCD architecture CIツールについては図のようにTravisCIやCircleCI、最近であれば Github Actionsなども候補になるかと思いますが、EnigmoではメインのGitサービスとして GitLab で ソースコード を管理しており、GitLabにビルトインされたCI機能である GitLabCI をフローに組み込みました。 GitLabCIとArgoCDを組み合わせたデプロイフローは以下のような構成です。 GitOps DeployFlow ArgoCDの提唱するBestPractice に則り、アプリケーションのコード リポジトリ と Kubernetes のmanifest リポジトリ は分離させています。 以下にフェーズごとの具体的な流れを書いてみます。 Application Image Build Phase アプリケーション リポジトリ の master ブランチにDockerイメージのバージョンアップMRをマージすると、GitLabCIで以下のジョブが実行されます。 Dockerイメージのビルド・タグ設定 ECRへDockerイメージをPush これでアプリケーション側のデプロイ準備は終わりました。 Application/ Kubernetes Config Deployment Phase 更新したイメージタグを利用するようmanifestファイルを修正し、manifest リポジトリ にMRを作成→マージすると、以下のフローで処理が走ります。 GitLabのmanifest リポジトリ をCodeCommitRepositoryへ ミラーリング (参考: GitLab Repository Mirroring ) Kubernetes 上で稼働しているArgoCDがCodeCommitRepositoryを参照し、 クラスタ の状態とmanifestファイル定義を比較 イメージタグが クラスタ とmanifestで異なることをArgoCDが検知して、 クラスタ のDeploymentsを更新 このように、アプリケーションと Kubernetes manifestのコードをそれぞれGitにマージするだけで、kubectlを使うことなくデプロイが実行されました。 なお、ArgoCDの チュートリアル や概要的な部分は公式ドキュメントにわかりやすくまとめられているため省略させて頂きます。 argoproj.github.io ArgoCDを使ったデプロイフローのPros/Cons Pros デプロイ作業の省力化 システム開発 の初期は冒頭で記載したような、manifestファイルを修正→ kubectl diff で クラスタ とmanifestの差分を確認→ kubectl apply で クラスタ へ適用！という原始時代のようなオペレーションを行っていました。有り得ませんね。 継続的デリバリという方式なので当たり前ではありますが、このフローを構築してからはGitのマージ操作のみでデプロイ作業が完結し、タイトルのようにおよそ5分でアプリケーションがデプロイされるようになりました。 柔軟なデプロイフローの実装 開発中のシステムは Rails アプリケーションで構成されているのですが、 Rails アプリケーションにつきものの db:migrate をどうやって実施するか？という点についても、ArgoCDのSync Waveで解決することができました。 db:migrate を実行する Job を作成し、 annotationで他のDeploymentよりも先にSyncが実行されるように設定 することで、他のアプリケーションよりも先に確実に db:migrate が実行され、 スキーマ 関連のエラーが回避できます。 また、現時点では上記デプロイフローには実装していませんが、 Hookの仕組み を使うことでデプロイ後にSlackへ通知を飛ばしたり、正常終了したJobを削除する、といった振る舞いを加えることもできます。 Cons デプロイスピード これはArgoCDの短所ではないのですが、このデプロイフローは構成図でもわかるようにオンプレミスのGitLabと、 AWS のマネージドサービス群の2つにわかれています。 本来であればArgoCDから直接GitLabのmanifest リポジトリ を参照し、GitLabのContainerRegistryからDockerImageをPullするようにすれば、オンプレミスからのイメージPushやRepository ミラーリング が必要なくなり、もっとシンプルなフローになります。 ただ、 AWS 側からオンプレミスのGitLabへアクセスするよう設定すると、オンプレミス側への依存が発生することと、 Kubernetes クラスタ からはあくまで AWS のサービスのみとやりとりをするのが、リソースアクセス権限設定の観点からもわかりやすいだろう、という理由からこういった構成になっています。 なお、manifest リポジトリ の ミラーリング はリアルタイムではなくおよそ5分間隔で実行されます。これに加えて、ArgoCDが クラスタ とmanifestの差分を 3分間隔(調整可能) でチェックしているため、マージしてから最長8分待たないとデプロイされない、という状態になっています。 いざデプロイしようと思ってマージをしてから実際にアプリケーションが更新されるまでの時間がやはり長過ぎるのではないか、という印象は否めないため、前述した理屈を否定する形にはなりますが、GitLabを AWS へ移行してArgoCDから直接参照させる、といった方法の改善を検討しています。 イメージタグ更新修正の手間 デプロイフローに記載したように、アプリケーション リポジトリ の更新だけではなく、manifestファイルのイメージタグも都度修正しなければなりません。アプリケーションのコードを更新したら即デプロイ！ということにはならず、もうワンアクションが必要になります。 プロダクション環境であれば、意図しないデプロイを防ぐためにもそういったアクションが挟まるのも良いかもしれませんが、テスト環境のようにスピーディーにデプロイして検証をしたい！という場合は手間でしかありませんね。 ArgoCDの競合プロダクトであるFluxはそういった手間が省略できる、イメージタグの自動検知・適用機能があるため、 同じような機能がほしい！というIssue がArgoCDの リポジトリ に報告されていました。 FluxとArgoCDは設計思想が違うから、というコメントとともにあえなくクローズされる……かと思いきや、ArgoCDとFluxがそれぞれの機能を統合したGitOpsツールの開発をすすめる旨の発表をしたため、緩やかに期待してArgoCDを使い続けよう、という状況です。 www.weave.works まとめ Kubernetes のGitOpsツールとしてArgoCDを利用しています Dockerイメージのビルドとプッシュ用CIツールとして、GitLabCIを利用しています ArgoCDを利用することで柔軟なデプロイフローを実現することできます この記事では我々のシステムではどのようにGitOpsデプロイを実現しているか？という構成を紹介させて頂きました。 Kubernetes の運用ツールはまだまだ デファクト と呼べるようなものが揃っていない状況ですが、日々新しい機能が盛り込まれたり統廃合される様子は、ウォッチしていて楽しいものでもありますね。 Enigmoでは Kubernetes をはじめとしたCloud Native Computingの運用に一緒に立ち向かう仲間を募集しています。 hrmos.co 明日の記事の担当はサーバサイドエンジニアの @hokita222 さんです。おたのしみに。