1. はじめに はじめまして、NTTデータの菊地です。 普段はデータ分析やデータ活用に関する業務に携わっています。 Dataikuについては、業務をきっかけにほぼ初心者の状態から学習を始めました。 Dataikuに興味を持ったものの、 「そもそも何ができるの？」 「何から学習すればいい？」 「どこまで学べば、ある程度使えるようになる？」 と迷う方も多いのではないでしょうか。 私自身も同じ状態からスタートし、公式Learning Pathを中心に学習して、以下の認定資格を取得しました。 ・Core Designer ・ML Practitioner ・Advanced Designer

はじめに 株式会社NTTデータの峰松です。 私たちGleanチームは2026年9月10日と11日にグランドプリンスホテル新高輪で開催されたSnowflakeが主催するイベント「Snowflake World Tour Tokyo」に参加し、GleanとSnowflakeを連携したデモンストレーションを実施しました。 https://www.snowflake.com/ja/world-tour/tokyo/ 本記事では、当日の様子とデモの概要についてご紹介します。 基本情報 Snowflake World Tourは、Snowflakeの最新技術や活用事例を紹介するイベントです。

この記事の対象者 コーディングエージェントをローカルで構築したい方 GPU環境(筆者はRTX 3060(VRAM 12GB))をお持ちの方 Windows環境で実装したい方 ※本記事で紹介するツール・モデルの評価は執筆時点の検証結果に基づくものであり、利用にあたっては各組織のセキュリティポリシーおよび利用規約をご確認ください。 はじめに 近年Codex、Claude Codeなど多様なコーディングエージェントアプリが出ており、コーディングエージェントを誰でも試すことができる時代になりました。 一方で、投入してたコードや指示は学習用途で使われるケースもあり、セキュアな内容の取扱

はじめに 本記事は、以下のような方を主な想定読者としています。 個人情報・機密情報を扱うシステムの開発者 システム運用担当者 情報システム部門担当者 情報セキュリティ統制に関する内部監査・自己点検対応を担当する方 監査対応の場では、こんなやり取りが行われることがあります。 「ちゃんとやってますよ」 「今まで問題になったことはありません」 「たまにしかやらないので大丈夫です」 「この人しか分からないんです」 現場からすると自然な反応です。 しかし監査人は、その説明だけでは納得しないことがあります。 なぜでしょうか。 本記事では、監査対応でよく見られる“あるあるな会話”をもとに、

1. はじめに 株式会社NTTデータは2026年6月、株式会社Queueと対話型データ可視化AI領域で協業を開始しました。Queueが開発するSquadbaseと、NTTデータが持つデータ活用の知見やデータ基盤構築力を組み合わせ、企業のデータ活用を支援する取り組みです。 Squadbaseは、既存のデータ基盤に接続し、AIとの対話を通じてダッシュボードや業務アプリケーションを作成できるプラットフォームです。今回の検証では、機能一覧だけでは分からない次の3点を確かめました。 Snowflakeのような既存のデータ基盤へ接続した後、対話だけでどこまでダッシュボードを作り込めるのか 同じ

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 Productを、Delta Sharing経由でSAP Datab

1. はじめに Amazon Web Services（以下、AWS）が提供する代表的なリレーショナルデータベースサービスの一つにAmazon Auroraがあります。MySQLおよびPostgreSQLとの互換性を持ちながら、AWS独自の分散ストレージアーキテクチャを採用していることが特徴です。そのため、EC2などのサーバ上でMySQLやPostgreSQLを稼働させる場合とは内部の仕組みが大きく異なります。 Auroraを運用していると、CloudWatchに表示されるAurora固有のメトリクスについて、「これは内部のどの処理を表しているのだろう？」と疑問に思うことがあります。

はじめに 株式会社NTTデータの峰松です。 2026年8月25日～27日にサンフランシスコで開催された「Glean:GO 2026」と、その前日に開催されたパートナー向けイベント（Partner Day）に参加しました。 本記事では、イベントで発表された内容を振り返りながら、特に印象に残ったトピックスについてご紹介します。 なお、本記事には、筆者が当日聴講した内容やメモをもとに整理した内容が含まれます。書き起こしではないため、表現や数値などが公式発表と異なる場合があります。製品・機能の最新情報については、Glean社の公式サイトをご確認ください。 https://www.glean.

はじめに 最近、AI Agentについて調べる中で、LLMそのものの性能だけでなく、Agentを動かすための周辺の仕組みが重要だと感じることが増えてきました。 LLMそのものが高性能でも、どの情報を参照するのか、どのToolを使ってよいのか、どのような手順で仕事を進めるのか、どこまで自動実行してよいのかといった部分が決まっていなければ、実際の仕事を安心して任せることはできません。 こうした仕組みはAgent Harnessと呼ばれることがありますが、言葉だけでは具体的にイメージしにくいところがあります。 そこで今回は、OpenClawをWindows環境に導入し、実際に自分専用のAI

はじめに SAP Analytics Cloud（SAC）のQuick Builder（2026 QRC1新機能）を試してみました。 今回は、SAP Datasphereのデータを使った「計画実績分析」のストーリーを用意し、Quick Builderでどのような操作ができるのか確認します。 Quick Builderとは？ Quick Builderは、ストーリーを編集モードに切り替えることなく、表示中のテーブルを組み替えられる機能です。 例えば、以下のような操作ができます。 表示するメジャーの追加・削除 ディメンションの追加・削除 行・列に配置した項目の並び替え 行・列の軸

はじめに dbt Labsが提供している「dbt Analytics Engineering Certification Exam」を受験し、無事合格することができました。 この記事では、これから受験する方の参考になればと思い、 試験の概要 実際に行った勉強方法 試験申し込み・受験環境の準備 試験当日に知っておくとよいこと について、私自身の受験経験をもとに紹介します。 本記事で扱う「dbt Analytics Engineering Certification Exam」の合格後に発行された認定証です。認定証上では「dbt Certified Developer」と表記されて

1. はじめに エージェントフレームワークの設定ミスで困るのは、例外で止まるケースよりも、機能が有効にならないまま動き続けるケースです。前者はその場で気づけますが、後者は結果が返ってくるため、コストや品質の差として後から現れます。 2026/09/21（日本時間では 09/22 早朝）に公開された Strands harness は、この仕分けを設計方針として持っています。 https://strandsagents.com/blog/introducing-strands-harness/ strands-harness 0.1.1 のコードには、方針そのものが書かれた関数がありま

1. はじめに 長時間動くエージェントでは、会話履歴がそのまま input トークンとして積み上がります。1M コンテキストのモデルであっても、毎リクエストで数十万トークンを送り続ければコストと遅延が増えていきます。この履歴を要約して畳む仕組みが Compaction です。 AWS（Amazon Web Services）は 2026/09/22 に Claude Opus 5.5 を Amazon Bedrock で提供開始しました。long-running なコーディングや知識作業のコラボレータという位置づけのモデルです。 https://aws.amazon.com/abou

1. はじめに エージェントのコストは、モデル単価よりも「同じ仕事に何トークン入力したか」で決まります。ツールの結果が長いほど履歴が膨らみ、次のターンではその全量がまた入力に乗るためです。この履歴の膨張をフレームワーク側で抑える仕組みがあると、同じモデル・同じタスクのままコストが変わります。 2026/09/21（日本時間では 09/22 早朝）に Strands Agents の開発チームが Strands harness を公開しました。本記事は、その同じ日に strands-harness 0.1.1 を触ってみた記録です。公式ブログには、context 管理によって同一モデル

1. はじめに 長いシステムプロンプトを毎リクエストへ載せる構成では、Prompt Cache が効くかどうかが input 側のコストを大きく左右します。ただし、キャッシュが取れていなくてもレスポンス自体は正常に返るため、HTTP 200 だけでは cache hit / miss を判定できません。本記事では usage.input_tokens_details の cached_tokens と cache_write_tokens を使って判定します。 AWS（Amazon Web Services）は 2026/09/18 に Moonshot AI の Kimi K3 を

1. はじめに エージェントに長期記憶を持たせると、記憶は増える一方になります。Amazon Bedrock AgentCore Memory の長期記憶レコードには、レコードを自動で消す仕組みが用意されていません。短期イベントには eventExpiryDuration がありますが、そこから抽出された長期レコードは、明示的に削除するまで残り続けます。 AWS（Amazon Web Services）の公式ブログ「Designing lifecycle policies for AgentCore memory」（2026/09/04 公開）では、この掃除を外側のジョブとして組む構

1. はじめに エージェントに長期記憶を持たせると、会話から抽出されたレコードが増え続けます。Amazon Bedrock AgentCore Memory には、短期イベントに eventExpiryDuration という期限がありますが、そこから抽出された長期記憶レコードを自動で消す仕組みは用意されていません。 AWS（Amazon Web Services）の公式ブログ「Designing lifecycle policies for AgentCore memory」（2026/09/04 公開）では、この削除処理を外側のジョブ（以下、クリーンアップジョブ）として組む構成が

はじめに これまで、NIST CSFを用いたセキュリティリスク可視化や、FISC安全対策基準を基にしたセキュリティアセスメントに携わる中で、アセスメントの品質を維持しながら、いかに効率的に実施するかという課題に直面してきました。例えば、既に別のフレームワークに基づく評価結果が存在する場合、その結果を有効活用できれば重複する確認を削減できるのではないかと考えていました。本稿では、この課題に対して既存のアセスメント結果を転用できる可能性について検証します。 本稿での取り組み 異なるセキュリティフレームワーク間でのマッピング方法を説明しているNIST IR8477の考え方を発展させて、

SAP BDCナレッジ集：SAP Business Data Cloud導入で最初に設計したいこと／Jouleを支えるIAMとランドスケープ（後編） 前編について 前編では、SAP Business Data Cloud（BDC）導入時に、認証局をどこに置くか、SAPサービスを横断してどのアイデンティティを利用するかという観点から、AI連携時代の認証局設計について整理しました。 特に、JouleなどのAIサービスとの連携を見据えると、認証を単なるログインの仕組みとしてではなく、SAP BTPやSAP Analytics Cloudなどを含めた全体アーキテクチャの基準点として考える

前置き AIで簡易なペネトレーションテストをする場合、基盤がAWS（Amazon Web Services）ならAWS Security Agent（現在はAWS Continuumの一部）が楽ですが、他クラウドを利用しているケースや、すでにAWS Bedrock以外のLLM基盤を整備しており、それを利用したいケースを想定して、本記事を書いてみました。 はじめに 2026年9月現在、LLMの性能向上によってWebセキュリティを取り巻く状況は大きく変化しており、特にフロンティアモデルと呼ばれる高性能なLLMを用いたWebシステムへの攻撃が脅威となっています。 従来は攻撃には、脆弱性