この記事の対象者 System One Model(本記事ではLaya)を用いたテーブルデータの分類問題に興味がある方 Layaの実装に興味がある方 はじめに 2026年9月にリリースされたJevと呼ばれるモデルが話題になっています。 このモデルは通常の生成AIと異なり、文章を一切生成せず、高速な「判断」と確率・確信度のみを出力する、TypeSafe AIが開発した「System One Model」と呼ばれる新しいカテゴリのモデルです。 System Oneとは、心理学者ダニエル・カーネマンの著書『ファ

はじめに ⏱️ 読了目安 記事全体：約15分 Hands-onのみ：約9分 SAP Datasphereにすでにデータがあり、「このデータをSAP Databricksで分析したい」と思うケースはないでしょうか。 また、CSVなどで管理している独自のFact / MasterデータをSAP Databricksで分析したいケースもあります。 本記事では、以下の2つのシナリオを想定します。 シナリオ1：SAP S/4HANAのデータをDatabricksで分析したい SAP S/4HANA由来のData P

リクルートのデータ推進室長 野村が自ら聞き手となり、現場の最前線で試行錯誤を続けるスペシャリストたちの「手の内」を紐解く連

This year, ONE CAREER launched its first-ever global internship program through "TechJapan," a platform designed to help exceptional students from institutions like the Indian Institutes of Technology (IIT) forge careers in Japan! For this interview, we s

Kaggleで開催された心電図画像のデジタル化をテーマにした医療系コンペティションの参加レポートです。画像の正規化やセグメンテーション技術を活用したAIモデルの構築手法について詳しく解説しています。

G-gen のバロキです。当記事では、Anthropic の Claude Code と Google Cloud の データサイエンスエージェント という 2 つの AI ツールに、同一のデータセットと指示を与えて比較しました。自動生成されるデータ分析ノートブックに、どのような違いが生まれるかを検証しました。 概要 はじめに データサイエンスエージェントとは Claude Code とは 検証の前提条件 使用したデータセット 投入したプロンプト 評価の観点 生成されたノートブックの全体像 データサイエン

本記事は 春のスキルアップ応援フェア2026 4/24付の記事です 。 こんにちは、ひるたんぬです。 最近料理にハマっており、仕事終わりは可能な限り自分で料理を作ろうと心がけています。 そんな私はWebサイトに数多あるレシピのお世話になっているのですが、材料欄によく「少々」「ひとつまみ」といった記載を見かけます。これら二つを使い分けているレシピもあり、分量に差はあるのか気になったので調べました。 【少々のはかり方】親指と人差し指の2本で軽くつまむ。 【ひとつまみのはかり方】親指、人差し指、中指の3本の指で

はじめに 2026年3月24日に、NTTグループ内でKaggle勉強会が開催されました。 本記事では、当日の内容に基づいて、 Kaggleの始め方や活用方法 各社の取り組み 実務との関係 といったポイントを整理します。 これからKaggleに取り組みたい方や、 社内でのデータ分析・AI活用に関心のある方の参考になれば幸いです。 勉強会の概要 本勉強会は、NTTグループ内の有志メンバーによる取り組みとして開催され、 Kaggleに取り組んでいる参加者を中心に、事例や経験の共有が行われました。 目的としては、

はじめに 2026年3月26日、初の試みとして、リクルート本社オフィスにて 「産学連携技術交流会」 を開催しました。本イベント

はじめに 2026年2月27日、リクルートの技術カンファレンス「RECRUIT TECH CONFERENCE 2026」が開催されました。動画リンクま

リクルートのデータ推進室長 野村が自ら聞き手となり、現場の最前線で試行錯誤を続けるスペシャリストたちの「手の内」を紐解く連

はじめに はじめまして。NTTデータでデータサイエンティストを務めております池野です。 本記事では、Databricks Assistantを活用して需要予測モデルを構築してみた内容をご紹介します。 内容に少しボリュームがあるため、前編・後編の2部構成でお届けします。 前編：背景・コンセプト整理からEDA（探索的データ解析）、需要要因の仮説出しまで 後編：特徴量設計、ベースライン構築、機械学習モデル構築、振り返りまで 需要予測はビジネスインパクトの大きいテーマですが、実務では前処理やEDA、特徴量設計など

はじめに 人材領域でデータ分析を担当している羽鳥です。KaggleのVesuvius Challenge - Surface Detection コンペにソロで参加し、1391

はじめに こんにちは、セーフィー株式会社 AI開発部でテックリードを務めます橋本です。 先日、AI開発部において、技術力の向上およびメンバー間の連携強化を目的とした1日完結型のハッカソンを開催いたしました。私たちAI開発部は普段から画像を用いたアルゴリズム開発を行っていることもあり、今回のテーマには画像分類タスクを選定しました。 具体的には、Kaggleのコンペティション「Paddy Doctor: Paddy Disease Classification」を題材とし、水田の稲の画像から9種類の病気と正常

2025年9月、チェコ・プラハで開催されたレコメンドシステムの国際カンファレンス「RecSys 2025 」。その公式コンペティシ