G-gen の佐々木です。当記事では、Google Cloud Next '26 で発表された BigQuery に関する新機能について、公式の投稿記事「 What’s new in BigQuery: Powering the Agentic Era 」の内容をもとに紹介します。 はじめに Open, cross-cloud lakehouse Managed Iceberg Tables（GA） Iceberg REST Catalog の読み書き相互運用性（Preview） Cross-Cloud

データベースでNULL値を扱う際に問題となる「3値論理」について解説します。従来の真偽（True/False）に未知（Unknown）が加わることで、SQLクエリがエンジニアの想定外の挙動を引き起こすことがあります。PostgreSQLの具体的な例を用い、NULL許容列に対する比較処理で発生する問題と、`IS NULL`や`COALESCE`関数を使った正しいデータ取得方法を紹介し、NULL値の適切な扱い方の重要性を説明します。

こんにちは、Infrastructureチームの前多(@kencharos) です。AIの進化におびえながら、電気の資格の勉強でもしようかと考えている日々です。物理はいいですね。 さて、CloudSQLやAlloyDBで初回構築時に設定されるデフォルトユーザーをそのまま使っている方はいらっしゃいますか?いませんよね? 今回の話はAIネタではなくもっと地味なお話です。 データベースの権限設定のつらみ Terraform Postgres Provider の採用 パスワードの扱いについて CI/CDでの実行

はじめに BigQuery の在り方 パフォーマンスとコスト SQL で AI を使う：TabularFM と TimesFM の進化 非構造化データを SQL で扱う：AI.PARSE_DOCUMENT と Optimized Mode Graph で「なぜ」に答える：Measures と Conversational Analytics の連携 Lakehouse と Catalog Federation：データの置き場所を問わない世界へ エージェントは「構想」から「実用」へ まとめ はじめに 現在、

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 # 本シリーズでは、MCP(Model Context Protocol)の基本から実装まで段階を分けて解説します。 「AIエージェントに社内システムや外部APIの知識を与えたい」という方へ向けた内容になります。 今回はMCPそのものについて説明します。 今後、トランスポート（stdio, Streamable HTTP）ごとの実装、MCPの自動生成などへの展開を予定しています。 --> シリーズ目次 連載：AIエージェントとシステムをつなぐMCP入門 イントロダクション（本ページ） stdio

サイオステクノロジー株式会社 Saman 目次 機能紹介編 Agent Skills とは？ Context Engineering というアプローチ なぜ Agent Skills が必要か 課題 1：ES|QL は新しい領域 課題 2：API サーフェスが広く深い 課題 3：ベストプラクティスは訓練データにない Agent Skills でカバーされている領域 スキルは組み合わせ可能（Composable） インストール方法 準備：Node.js が必要 方法 1：npx を使う（推奨） オプション：

― 基礎から理解し、AIで劇的に効率化する ― データ分析を始めようとしたとき、多くの担当者が最初につまずくのは「分析手法の選び方」ではありません。その前段階にある、データを「使える状態」に整える工程――データクレンジング――です。 本記事では、非エンジニアの方や意思決定者の方でも全体像をつかめるよう、データクレンジングの基礎から実務上の課題、そしてAIによる新しいアプローチまでを体系的に解説します。 第1章　データクレンジングの全体像と重要性 1-1. データ分析は「準備」で8割決まる データサイエンス

AWS Bedrockで売上分析AIエージェントを構築してみた はじめに こんにちは。 新人研修の一環として、生成AIを活用した売上分析AIエージェントの開発を行いました。 今回の取り組みでは、ユーザーが自然言語で分析内容を指示すると、その内容に応じたSQLの生成、データ取得、グラフ描画までを自動で実行する仕組みを構築しました。 本記事では、AWS Bedrockを活用した売上分析AIエージェントの構成と、実装にあたって特に考慮したプロンプト設計や構成上のポイントについて紹介します。 システム構成 自然言

Find the “bottleneck” in operations, replace it with an AI agent, measure the results with KPIs, and report. It took us a while to realize that this perfectly rational approach was a breeding ground for failure. In this blog, we share the insights gained

はじめに マイクロサービスアーキテクチャ（MSA）のような多層のアプリケーション・多数の処理ルートを持つシステムでは、タイムアウト値の設計が重要です。呼び出しチェーンのどこかで待ち時間（＝タイムアウト値）の整合性が崩れると、想定外のタイムアウトが発生しやすくなるためです。 タイムアウト値の設計では、原則、呼び出し元のタイムアウト時間を、呼び出し先の想定処理時間よりも長く設定するのがベストプラクティスとされていますが、MSAのように、リクエストが通過するルートのパターンが複雑で多様なシステムにおいては、この

クラウドエース株式会社 第一開発部 喜村拓未です。 Cloud Armor の事前構成 WAF ルールを本番環境に適用する前に、プレビューモードでログを確認しながら誤検知を炙り出し、ルール除外でチューニングした経験をもとに、その手順と実際に使ったクエリをまとめました。 Cloud Armor の事前構成 WAF ルールと誤検知 Cloud Armor の事前構成 WAF ルール（Preconfigured WAF rules）は、OWASP ModSecurity Core Rule Set をベースにし

G-gen の佐藤です。当記事では、BigQuery から外部ストレージを参照する2つの構成、従来の外部テーブルと BigLake テーブルの違いを検証した結果を紹介します。 はじめに BigLake とは 検証方法 検証環境の構築 Cloud Storage 外部テーブルと BigLake テーブル 検証1. 列レベルのアクセス制御 概要 外部テーブルの場合 BigLake テーブルの場合 検証2. 行レベルのセキュリティ 概要 外部テーブルの場合 BigLake テーブルの場合 検証3. パフォーマン

! この記事は執筆者個人の体験・見解に基づくものであり、所属組織を代表するものではありません。 ! この記事では、筆者の環境で実際に詰まったポイントと、そのときに有効だった対処を紹介しています。 PC や WSL、SnowSQL、社内ネットワーク、Zscaler の設定によって挙動が異なることがあるため、環境によっては必要な手順や結果が変わる場合があります。 はじめに はじめまして。データマネジメント統括部の田辺と申します。 2025年に入社し、現在（記事公開時点）2年目です。 業務でSnowflakeを

はじめに はじめまして。 株式会社NTTデータグループ TC＆S分野 DSS事業部の平手愛と申します。 Snowflakeには、自然言語からコード生成やデータ分析を支援する「Cortex Code」という機能があります。 本記事では、プログラミング未経験者の視点から、Cortex Codeを使って「SQL生成からダッシュボード作成まで」を一通り検証してみます。 今回試したのは、Snowflake の AI コーディング支援機能である Cortex Code を使って Python コードのたたき台を生成し