本ブログは 2026 年 8 月 25 日現在の内容を基に記載しております。記載内容については今後変更される可能性があります。 こんにちは ! テクニカルインストラクターの室橋です。AWS クラウドの知識やスキルを証明する方法としての「 AWS 認定 」はご存知の方も多いかと思います。しかし、2025 年末より AWS Skill Builder に順次コースが追加されている「マイクロクレデンシャル」という新しいスキル証明については、まだご存じない方や、AWS 認定との違いがよくわからないという方もいらっしゃるかもしれません。 この記事では、マイクロクレデンシャルとは何か、AWS 認定との違い、そしてどう組み合わせて活用できるかをわかりやすく解説します。 マイクロクレデンシャルって何 ? マイクロクレデンシャルとは、 AWS Skill Builder 上で取得できる、特定の技術領域に特化した実践スキルの証明 です。 AWS 認定が広い範囲の知識とスキルを体系的に問うのに対し、 マイクロクレデンシャルは「その技術を実際に使えるか」にフォーカスしています。 ハンズオンラボを使用した実践的な評価を通じて、 特定のサービスや技術を「知っている」だけでなく「使える」ことを証明できます。 現在提供されているマイクロクレデンシャルの例を挙げると、以下のようなものがあります。 AWS データレイクハウスの実証 (2026 年 7 月末に新規追加) : AWS Glue ETL インジェスト、Apache Iceberg テーブルの最適化、AWS Lake Formation ガバナンスのトラブルシューティングを行い、故障した E コマースレイクハウスプラットフォームを診断して修正します。Amazon Athena、AWS Glue、Apache Iceberg、Amazon EventBridge、AWS Lake Formation、Amazon Data Firehose を含むデータ分析サービスの習熟度を実証する必要があります。 AWS データストリーミングの実証 (2026 年 7 月末に新規追加) :リアルタイムインジェスト、イベントストリーミング、ストリーム処理、データ配信パイプライン、ポイズンピル処理、スキーマ駆動型フォーマット変換のトラブルシューティングを行い、故障したヘルスケアストリーミングインフラストラクチャを診断して修正します。Amazon Kinesis Data Streams、Amazon MSK、Amazon Data Firehose、Amazon Managed Service for Apache Flink、AWS Glue を含むデータ分析サービスの習熟度を実証する必要があります。 AWS データビジュアライゼーションの実証 (2026 年 7 月末に新規追加) : 機械学習を活用した予測の設定、行レベルおよび列レベルのセキュリティの実装、再利用可能な SQL ビューの構築、テーブル計算と条件付き書式を含むダッシュボードの公開を行い、ストリーミングプラットフォームの分析レイヤーを構築します。Amazon QuickSight、Amazon Athena、Amazon Redshift Serverless、AWS Glue Data Catalog を含むデータ分析サービスの習熟度を実証する必要があります。 AWS MLOps の実証 (2026 年 5 月末に新規追加) : Amazon SageMaker AI、Amazon Elastic Container Registry、Amazon API Gateway、AWS Lambda、Amazon CloudWatch を含む機械学習サービスの習熟度を実証する必要があります。 AWS エージェンティック AI の実証 (2026 年 5 月末に内容更新) : Amazon Bedrock AgentCore、Amazon Bedrock Guardrails、Amazon Cognito、AWS Lambda、Amazon OpenSearch Service を含むエージェンティック AI サービスの習熟度を実証する必要があります。 AWS アプリケーションネットワークの実証 : Elastic Load Balancing、Amazon VPC Lattice、Amazon API Gateway、Amazon CloudFront、Amazon Elastic Container Service (Amazon ECS) を含むネットワーキングサービスの習熟度を実証する必要があります。 AWS インシデント対応の実証 : AWS CloudTrail、AWS Identity and Access Management、Amazon EC2、Amazon S3、Amazon RDS、AWS Config を含むセキュリティサービスの習熟度を実証する必要があります。 AWS サーバーレスの実証 : Amazon CloudFront、AWS CodeBuild、AWS CodePipeline、Amazon DynamoDB、AWS Lambda、Amazon Simple Storage Service、Amazon Simple Notification Service、Amazon Simple Queue Service、AWS Step Functions、AWS WAF を含むサーバーレスサービスの習熟度を実証する必要があります。 いずれも、特定のユースケースや技術領域に絞り込んだ内容になっているのが特徴です。 注意 : 各マイクロクレデンシャルには制限時間が設けられており、 途中で中断することはできません。 開始する前に、まとまった時間をしっかり確保してから取り組んでください。また、不合格になった場合は再受験までに 25 日間 の間隔を空ける必要があります。 十分に準備を整えてから臨むようにしましょう。 なお、本番に取り組む前に、 AWS マイクロクレデンシャル – お試し版  で動作環境や出題の雰囲気をあらかじめ確認することができます。初めて挑戦する方はまずこちらから試してみることをおすすめします。お試し版にも少しハードルを感じる場合は AWS のテクニカルインストラクターがマイクロクレデンシャルについて紹介している  無料の動画コース で雰囲気をつかんでいただくのも良いでしょう。 マイクロクレデンシャルのもう一つの大きな魅力は、 AWS Skill Builder から無料で挑戦できる 点です。リリース当初は有料サブスクリプションが必要でしたが、現在は Skill Builder にアクセスさえできれば誰でも無料で挑戦できます。また、登場してまだ日が浅いコンテンツということもあるため、早い段階で取得すれば、実践スキルを持つエンジニアとして差別化を図れます。 さらに、マイクロクレデンシャルに合格すると Credly からデジタルバッジが発行 されます。LinkedIn などの SNS やプロフィールでシェアすることで、実践スキルをアピールする際に役立てることができます。 AWS 認定との違い マイクロクレデンシャルと AWS 認定は、どちらも「AWS のスキルを証明するもの」ですが、目的や評価の観点が異なります。 比較項目 AWS 認定 マイクロクレデンシャル 対象範囲 幅広いサービスと概念を網羅 特定の技術・ユースケースに特化 評価方法 選択式の試験 ハンズオンラボ・実践的な課題 証明できること 広範な知識やスキルを「理解、所持している」こと 特定スキルを「実際に使える」こと 学習範囲 幅広い学習が必要 特定領域に集中した利用や学習が必要 取得場所 AWS 認定試験会場 / オンライン試験 AWS Skill Builder 一言でまとめると、 AWS 認定は「知識の幅」、マイクロクレデンシャルは「スキルの深さ」を証明するもの と言えます。 こんな方におすすめ マイクロクレデンシャルは、 すでに AWS 認定 (Associate レベル以上) を保有している方が次のステップとして取り組むのに最適 です。 AWS 認定は幅広い知識やスキルを体系的に証明するものですが、「実際の現場でそのサービスを使いこなせるか」という実践面はカバーしていません。 Associate レベル以上の認定を持つ方は前提となる知識の土台がすでにあるため、マイクロクレデンシャルのハンズオン評価に取り組む準備ができている と言えます。 逆に、認定未取得の状態でマイクロクレデンシャルに挑戦すると、前提知識の不足から難易度が高く感じる可能性があります。まずは関連する AWS 認定の学習で知識の土台を固め、その上でマイクロクレデンシャルで実践スキルを証明するのが効率的な進め方です。 AWS 認定と関係性の深いマイクロクレデンシャルはこれ 各マイクロクレデンシャルは、特定の AWS 認定と内容的なつながりを持っています。関連する AWS 認定の学習をしながらマイクロクレデンシャルに取り組むと、理解がより深まります。 マイクロクレデンシャル 関連するAWS認定 AWS データレイクハウスの実証 DEA (Data Engineer – Associate) AWS データストリーミングの実証 DEA (Data Engineer – Associate) AWS データビジュアライゼーションの実証 DEA (Data Engineer – Associate) AWS MLOps の実証 MLA (Machine Learning Engineer – Associate) AWS エージェンティック AI の実証 ・DVA (Developer – Associate) ・MLA (Machine Learning Engineer – Associate) AWS アプリケーションネットワークの実証 ・SOA (CloudOps Engineer – Associate / 旧 SysOps Administrator – Associate) ・ANS (Advanced Networking – Specialty : 2026 年 12 月 31 日に試験終了) AWS インシデント対応の実証 ・SOA (CloudOps Engineer – Associate / 旧 SysOps Administrator – Associate) ・SCS (Security – Specialty) AWS サーバーレスの実証 DVA (Developer – Associate) たとえば、 AWS Certified Data Engineer – Associate (DEA) の取得を目指している方であれば、 データレイクハウス・データストリーミング・データビジュアライゼーション の 3 つのマイクロクレデンシャルがすべて関連しています。 認定試験の勉強と並行して取り組むことで、実践的なスキルも同時に身につけられるのではないでしょうか。 まとめ: 両方合わせることで「知識」と「スキル」の両方を証明できる AWS 認定とマイクロクレデンシャルは、それぞれ単独でも価値がありますが、 組み合わせることでより説得力のあるスキル証明 になります。 AWS 認定 : 「このサービス群を体系的に理解している」という広い知識・スキルの証明 マイクロクレデンシャル : 「この技術を実際の場面で使える」という実践的なスキルの証明 たとえば、AWS Certified Machine Learning Engineer – Associate (MLA) を持ちながら AWS MLOps Demonstrated も取得していれば、「機械学習の知識があり、MLOps の実践的な運用もできる」と示せます。採用担当者やプロジェクトのステークホルダーに対しても、より具体的な能力をアピールできます。   AWS 認定 マイクロクレデンシャル 強み 知識やスキルの幅・体系性 実践スキルの深さ 活用シーン キャリアの基盤づくり、転職・昇進のアピール 特定プロジェクトへのアサイン、専門性の強化 ぜひ、AWS 認定の学習を進めながら、関連するマイクロクレデンシャルにも取り組んでみてください。知識とスキルの両輪を揃えることで、AWS エンジニアとしての市場価値をさらに高めることができます。 まずは自分が目指している、もしくは所持している AWS 認定に対応するマイクロクレデンシャルから始めてみるのがおすすめです。 著者について 室橋 弘和 (Hirokazu Murohashi) AWS トレーニングサービス本部 Technical Instructor 兼 Customer Success Manager Cloud Quest とデカ盛りのお店巡りをこよなく愛するマン。老眼鏡が必要になってきました。

Kubernetes 1.35では、kube-proxyの動作モードのうち、IPVSモードが非推奨（deprecated）になりました。 https://kubernetes.io/blog/2025/12/17/kubernetes-v1-35-release/#deprecation-of-ipvs-mode-in-kube-proxy 本稿では、このIPVSモードの非推奨化を受け、最近のkube-proxyの動作モードについて調査した内容をまとめます。 kube-proxyとは kube-proxyは、Kubernetesのコアとなるコンポーネントの一つです。 Kubernet

こんにちは。2026年4月にラクスに入社し、楽楽精算開発部に配属された木村です。 この記事では、入社してから実務に入るまでの約4ヶ月間に受けた研修の内容と、配属後の研修中に学んだことを書きます。ラクスのエンジニア職に興味がある方のご参考になれば幸いです。 研修の内容は年次によって変わる可能性があるため、ご注意ください。 なぜラクスを選んだか 入社から実務に入るまでの流れ 新入社員合同研修 技術研修 配属後研修（楽楽精算） 配属後研修で得た気付き おわりに なぜラクスを選んだか ラクスを選んだ理由の1つは、若手にも挑戦の機会がある環境だと判断したからです。 就職活動では、若手にも挑戦の機会があるかを重視していました。やったことのない仕事に挑戦することで、できることを増やしていきたいと考えていました。選考の際、面接の逆質問を通して若手の挑戦機会について直接確認できたことが、入社を決める後押しとなりました。 入社後に社員の方とお話しする中で、実際に成果を出した若手が新しい役割やプロジェクトを任された事例を本人や周囲の方からお聞きしました。年次に関係なく成果を出していれば挑戦の機会を与えてもらえる環境なのだと改めて実感しました。 入社から実務に入るまでの流れ 入社から実務に入るまでのスケジュールは以下の通りです。 期間 内容 4/1 - 4/10 新入社員合同研修 4/13 - 6/30 技術研修 7/1 - 9/11 配属後研修 配属後研修の期間は目安です。配属時の経験や知識によって、研修期間は前後します。 以降でそれぞれの研修について説明していきます。 新入社員合同研修 ビジネスマナーなど社会人としての基礎に加え、就業規則や人事制度といった社内の制度、クラウドサービスのビジネスモデルや各プロダクトについて学びます。 今年は生成 AI 活用研修がありました。生成 AI の特徴と社内で利用できる AI の説明から始まり、 Gemini とNotebookLM（現Gemini Notebook）のハンズオンがありました。最後に Gemini の Canvas 機能を使ってアプリを作るハッカソンがありました。Gemini は学生のときから使っていましたが、Canvas 機能でアプリを作れることまでは知りませんでした。 技術研修 約2ヶ月半、エンジニア職の新卒全員で受ける研修です。Webアプリケーションの設計から運用保守までの一連の開発プロセスを実践できるようになることを目指した内容になっています。具体的な学習内容は以下の通りです。 カテゴリ 内容 IT基礎 ハードウェア基礎、ネットワーク基礎 Java プログラミング入門、Collection API、ラムダ式、Stream API、例外処理 オブジェクト指向 クラス、継承、委譲、カプセル化、インターフェース、ポリモーフィズム、SOLID 原則 データベース RDBMS、SQL、JDBC、Entity と DAO パターン Webフレームワーク Spring Boot、Thymeleaf、DI コンテナ、Spring JDBC フロントエンド HTML/CSS、JavaScript、jQuery、Ajax による非同期処理、React テスト ソフトウェアテスト入門、JUnit、TDD バージョン管理 Git AI駆動開発 プロンプト、Design Doc、ADR セキュリティ SQL インジェクション、XSS 運用保守 パフォーマンスチューニング、ロギング インフラ Linux、シェルスクリプト、Docker、Apache & Tomcat 連携、デプロイ AI 駆動開発は今年から追加された内容です。Claude Code のようなコーディングエージェントを使う研修ではなく、コンテキストエンジニアリングの講義でした。仕様と意図を Design Doc、ADR、Javadoc として書き出し、それらをプロンプトとともに Gemini へ渡してコードを生成させるという内容でした。実装しながら設計や仕様を固めていくスタイルに慣れていたので、先に仕様を文書化してから生成させる進め方には苦戦しました。AI を使いこなすためには、開発スタイルを変えていく必要があると感じました。 これらの学習と並行して、朝の時間に技術発表か小テストがありました。技術発表とは、担当者が特定のテーマについて勉強したことを発表する取り組みです。1周目は『リーダブルコード』、2周目は技術や用語の説明でした。 研修の最後にはチームで EC サイトを開発しました。商材はいくつか用意されていましたが、今年は全チームが独自の商材を扱う EC サイトを開発しました。私たちのチームは編み物のキットを商材に選びました。ただ、チームに編み物の経験者がいなかったため、機能のアイデアは出せるものの、それが実際に使われるものなのか判断できませんでした。そこで、編み物の経験がある同期や、編み物の専門店で働いている方にインタビューを行い、曲がりなりにも根拠を持って仕様を決めていくことができました。 これは実際のプロダクト開発でも同じではないかと思います。顧客への解像度が低いまま作った機能は価値として届きません。根拠がないまま議論を続けても結論は出ず、リリースも遅れます。ラクスが顧客志向を重要視する理由が少し分かりました。 配属後研修（楽楽精算） 楽楽精算の開発に必要な技術やドメイン知識を学ぶ研修です。主に以下のことを学びます。 楽楽精算の機能 楽楽精算で利用されている技術 楽楽精算のシステム構成 最後に楽楽精算に機能を追加する課題に取り組みます。学習メニューの詳細は2022年の記事でも紹介されているので、こちらをご覧ください。 tech-blog.rakus.co.jp 変わった点としては、資格の取得が任意になったこと、サポートサイト課題の負担が減ったことがあります。楽楽精算のサポートサイトには「フムフム」という AI チャットボットが導入されています。以前はサポートサイトのほぼ全ページを読む必要があったようですが、チャットボットのおかげで知りたい情報をピンポイントで入手できるようになりました。 配属後研修で得た気付き ここでは、楽楽精算に機能を追加する課題で学んだことを書きます。 同期のプルリクエストに LGTM（Looks Good To Me）を返した後、メンターの方から以下のようなコメントを頂きました。 “ LGTMと判断したレビュー観点をリストアップして貰えますか？ ” 1行消して1行足すだけのプルリクエストだから、そんなに時間はかからないだろうと思い、レビューの観点を書き出すと、思いの外、手が止まりました。同期が書いた値の意味は理解していましたが、なぜその値にするのかまで説明できませんでした。その値がどこでどう使われているのかを調べ直すことになり、返信までに20分以上かかりました。 自分も同じ課題をやったはずなのに、なぜ理由を説明できなかったのか。自分なりに考えた結果、実装時に自ら判断する機会を作らなかったからだという結論に至りました。 自分で実装する場合、何を書くかを自分で選ぶ必要があります。選ぶ以上、なぜその値にしたのかという理由が自分の中に残ります。一方、AI に実装を任せると、すでに選ばれた状態のコードが出てきます。出力を読んで確認はしますが、なぜ他ではなくその値なのかを考えなくても先に進めてしまいます。今回の課題でも、なぜその値にするのかまで踏み込めていなかったため、理由を説明できませんでした。 AI を活用するのが当たり前となった現代において、すべてを自分で実装するのは現実的ではありません。AI に実装させる前提で、なぜその実装にしたのか自分で判断する機会を意図的に設ける必要があることを学びました。 おわりに 約4ヶ月の研修を通じて、技術面はもちろん、プロダクト開発における顧客志向の重要性や、AI を活用した実装において自ら判断を下す必要性など、実務に通じる気付きを得ることができました。 判断する機会の必要性について、現時点で明確な解決策を持っているわけではありません。これから実務が始まるので、日々の業務の中で試行錯誤しながら、実装の理由を見失わない進め方を見つけていきたいです。 この記事が、ラクスのエンジニア職に興味がある方のご参考になれば幸いです。