1. はじめに これまで、私はSnowflakeという名前こそ知っていたものの、その認識は「クラウド上の便利なデータベース」程度に過ぎませんでした。 もっと正直に言えば、Snowflakeがもたらす本質的な価値や、ほかのDWH（データウェアハウス）との差別性を十分に理解していませんでした。

本稿は、SBI ネオバンキングシステム株式会社による AWS EKS Auto Modeの活用について、主導されたSBI ネオバンキングシステム株式会社 新藤様より寄稿いただきました。 はじめに SBI ネオバンキングシステム株式会社（以下、弊社）は、地方銀行向けのインターネットバンキングサービスをマルチテナント型 SaaS として開発・運用しています。サービス基盤には Amazon Elastic Kubernetes Service（以下、Amazon EKS）を採用しており、従来は AWS Farg

こんにちは。SCSKの岡尾です。 皆さん、S3 Tablesについてご存じでしょうか。 AWS re:Invent 2024で発表され、話題を呼んだ新機能「 Amazon S3 Tables 」。データレイクの構築・運用を根本から変えるポテンシャルを秘めたこのサービスについて、「実際にどう使えるの？」「既存のS3バケットと何が違うの？」と気になっている方も多いのではないでしょうか。 本記事では、S3 Tablesの基本的な概要を紹介しつつ、実際にS3 Tablesへのデータ連携（ETL処理）を実装する中で

こんにちは。ファインディ株式会社でテックリードマネージャーをしている戸田です。 2026年4月15日に、Findy AI Meetup in Fukuoka #5を福岡で開催しました。 今回のテーマは「AI×育成 AI時代のエンジニア育成」です。 この記事では、当日の登壇内容を振り返りながら、生成AI時代におけるエンジニア育成で私たちが直面した課題と、そこから見えてきた「変わらない大切なこと」を紹介します。 https://findy-inc.connpass.com/event/383906/ find

こんにちは、LINEヤフー株式会社の迫川です。社内システムのデータ基盤開発を担当しながら、Orchestration Development Workshopのギルドメンバーとしても活動しています。O...

AWS（Amazon Web Services）のデータレイク機能 Amazon S3 Tables を利用して、 Apache Icebergテーブルの作成からアクセス制御まで一通り検証しました。 本記事では、S3 Tablesの検証を通して発生した ハマりポイントとその対処方法を中心に紹介します。 1. 前提 本記事では S3 Tablesを利用したApache Icebergテーブルを検証しています。 最初にIcebergとS3 Tablesについて簡単に説明します。 参考記事： Amazon S3

こんにちは。ソリューションアーキテクトの水野です。AWS のプロフェッショナルサービスでは、ブラザー工業株式会社 プリンティング＆ソリューションズ事業にてアジャイル導入をご支援しています。今回、同事業のエンジニアの方々に AI-DLC を用いた新しい働き方を体験していただくため 2026 年 2 月と 3 月にそれぞれ 3 日間にわたって「AI-DLC 体験会」を開催しました。本ブログでは、私が聞き手となり、体験会に参加された八十嶋様、宇野様、前田様、梅本様にインタビューした内容をまとめました。 AI-D

はじめにこんにちは。SRE（Site Reliability Engineer）として働いているDahee Eoです。私たちのチームは、Media Platform SREをはじめ、グローバルトラフィ...

こんにちは、Service Reliability Group(SRG)の鬼海 雄太(@fat47) ...

はじめに タイトルの問いに対して、結論から言うとベクトル検索が完全に不要になった、ということはないです。一方、「各文書を分割→ベクトル化→並列に配置して検索」のような従来RAGのアーキテクチャだと対応できないユースケースは多々あります。 本記事では、従来のベクトル型RAGの特徴を振り返り、技術的課題を再認識するとともに、最新のRAGアーキテクチャの利点を踏まえて、これらとベクトル検索をいかに共存させるかを再検討します。 RAG（Retrieval-Augmented Generation） RAGの定義

はじめに 従来のAzure Database for PostgreSQL Flexible Serverでは、いわゆるマスター・レプリカ構成が一般的でした。この構成では、インスタンスのスケールアップの他にリードレプリカを追加することで参照系クエリのスケールアウトが可能です。しかし、Amazon Web Services（AWS）のAuroraのReader Endpointのように単一のエンドポイントでリードレプリカへ自動的に負荷分散する仕組みは提供されておらず、アプリケーション側で接続先を切り替える、

本ブログは 【寄稿】AI民主化に向けた丸紅の取組 （丸紅株式会社）の続編です。 みなさん、こんにちは。総合商社を担当しているソリューションアーキテクトの林です。 前回のブログでは、 丸紅株式会社 デジタル・イノベーション部が内製で開発した社内生成 AI プラットフォーム「Marubeni Chatbot」の誕生から、7,500 人以上への展開、そして業務時間 25〜65% 削減という成果をご紹介しました。 あれから約1年半。丸紅グループの生成AI活用は、さらに大きく進化しています。前回のブログに引き続き、

はじめに Power BIでレポートを作成する際、データの取り込み元としてExcelやCSV、あるいはSQL Serverなどのデータベースを利用するのが一般的です。 しかし、インポートモードで扱うデータが「数十GBクラスの大容量」になったとき、その運用に頭を抱えたことはありませんか？今回は、30〜60GBという膨大なデータを扱うプロジェクトにおいて、運用効率化のためにSharePoint接続を検証・導入した際の知見を共有します。 対象読者 ・Power BIで扱うデータ量が肥大化し、パフォーマンスや運用

はじめに さくらのナレッジ編集部の法林です。 3月18日(水)に、オンラインセミナー「国産GPUクラウドで実現する次世代AIモデル開発 x ブロックチェーン連携 ― 事例企業が語る基盤の選定・構築・運用のリアル」が開催さ […]

AI事業本部 アドテクカンパニー Dynalystに所属している平田聡一朗と申します。本記事ではSt ...