次世代のデータベース パフォーマンスを実現: Cloud SQL 向け C4A Axion マシンと N4 マシンが一般提供開始 ※この投稿は米国時間 2025 年 10 月 18 日に、Google Cloud blog に投稿されたものの抄訳です。 今日のビジネス クリティカルなデータベース ワークロードでは、インフラストラクチャが満たすべき基準がかつてないほど高くなっています。組織は、パフォーマンス、費用対効果、スケーラビリティ、セキュリティに優れたシステムを求めています。しかし、これらの期待に応えるのは簡単なことではありません。データ量の急増、ワークロードの複雑化、生成 AI 向けの高度な分析とベクトル検索の新たな需要により、データベースのパフォーマンスに対するプレッシャーが強まっています。こうした傾向により、高性能のデータベース ワークロードの実行に、より高いコンピューティング能

リアルタイム性と正確性を最優先するため、Gemini 2.5 Flashを採用し、表現の多様性は型によるプロンプト設計で補完する方針としました。 ちなみに PoC では、Gemini 2.0 Flash lite のモデルも試していましたが、動的な情報が多く渡されるケースに弱く今回の要件では適さなかったので外しています。 Gemini 2.5 Proの利点と課題 Proは、表現の多様性や発想の広がりで優れ、同じ状況でも語り口を滑らかに変えられる利点がありました。ただ、今回のプロンプト設計や実験の範囲では、選手名を誤って出力するケースが多かったのです。 例えば「藤浪晋太郎投手」が「蔤浪晋太郎投手」と出力されるケースが確認されていたりと、、。 問題を複雑にしていたのは、誤りがUnicodeのエスケープ形式のまま出力されていた点です。正常に出力しているときは日本語なのですが、ログを確認すると「\

はじめに AIスペシャリストコースの2025年サマーインターンに、4週間参加させていただいた東京科学大学の岸本です。普段は反実仮想機械学習・マッチングについての研究をしています。 本記事では、私がインターンシップで取り組んだキャッチャーのスローイング分析についてご紹介します。AIを活用してキャッチャー本来の送球能力を評価するスローイングスコアの考案から、その分析結果を直感的に理解するための可視化ツールの開発、そしてスローイングスコアを用いた分析を行いました。 キャッチャーのスローイング評価における課題 近年、プロ野球をはじめとするスポーツ界では、選手のパフォーマンス評価や戦略立案にデータ分析が不可欠となっています。打者の打球速度、投手の球種や回転数など、さまざまなデータが活用され、その可能性が広がっています。横浜DeNAベイスターズの分析チームでは、このような背景から、キャッチャーの能力を

2025.10.21 技術記事 Grafana,Prometheus,Slothで実現するSLI/SLO管理入門：Slothの裏側を探るPromQL解読ガイド [DeNA インフラ SRE] by yuto.ota #infrastructure #sre #grafana #prometheus #sloth はじめに サービスの信頼性を定量的に評価し、管理するためのSLI/SLO。その実現方法には、高機能なSaaS製品を利用する方法もあれば、PrometheusやGrafanaといったオープンソースソフトウェア（OSS）を組み合わせて構築する方法もあります。特に、コスト面の制約や、既にGrafanaなどの監視基盤が稼働している環境では、後者を選択するケースも少なくありません。 しかし、PrometheusとGrafanaでSLI/SLO管理を実現しようとすると、一つの大きな壁に突き当た

Valkey 9.0リリース⁠⁠、スケーラビリティとパフォーマンスを大幅に向上 Valkey開発チームは2025年10月21日、キーバリューデータベースValkeyの最新バージョンValkey 9.0をリリースした。 Valkey 9.0: innovation, features, and improvements. Valkey 9.0 Delivers Performance and Resiliency for Real-Time Workloads -linuxfoundation.org Valkey 9.0 sets a new benchmark in open source, real-time performance — built for speed, scale, and reliability. A milestone powered by community c

こんにちは、FANBASEの中川(@kqito_n)です。 突然ですが、みなさんのGitリポジトリに実施されていないTODOコメントやFIXMEコメントはありませんか？ 開発を進めていく中で、以下のようなコメントを書いた経験は誰にでもあるのではないでしょうか。 // TODO: APIの仕様変更後にこの処理を削除する // FIXME: パフォーマンス改善が必要 これらのコメントはコードの中に埋もれ、開発チームから忘却される事もあるかと思います。 その上、これらが残り続けると、複雑性や認知負荷の増加、延いては最終的に技術的負債として蓄積される側面が危惧されます。 reminder-lintとは このような課題を解決するべく reminder-lint という検査ツールを開発し、多くの社内部署で利用していたものを、今回OSSとして公開しました。 https://github.com/Cybe

Updog By Datadog lets you spot issues early, backed by real impact across Datadog customer base. No status page updates.

内容詳細 Pythonを通じて実際に手を動かしながらディープラーニングの基礎から応用までを学べるテキスト．理論と実装を行き来することで知識が自然に定着し，実務に直結するスキルが獲得できることを目指した． 第1章　ディープラーニングとは 1.1　ディープラーニングの背景 1.2　ニューラルネットワークの基礎理論と発展 1.3　画像分類タスクを学ぶことで得られる汎用的スキル 1.4　プログラミング環境の構築 1章の章末問題 第2章　PyTorchによるモデル構築パターン 2.1　モデル学習におけるデータの種類 2.2　教師あり学習におけるモデル学習サイクル 2.3　コードテンプレートを活用したディープラーニングの実装手法 2章の章末問題 第3章　テンソル操作と自動微分 3.1　テンソルの次元数 3.2　テンソル基本操作 3.3　テンソルを活用した自動微分の仕組み 3.4　テンソルを活用した学習

シスコシステムズは、AIコーディングツールを用いてコーディングを行う際に、生成されるコードが脆弱性を持たず安全なパターンを用いたものにするためのルールセットなどを備えた「Project CodeGuard」をオープンソースで公開しました。 Markdownで書かれたセキュリティルールなど Project CodeGuardは、コミュニティによって作成されたMarkdown形式で書かれたセキュリティルールと、ルールが遵守されているかを検証するバリデータ、それらをGitHub Copilot、Codex、Claude Code、Cursor、Windsurfなどの主要なAIコーディングツール用に変換するトランスレータを備えています。 セキュリティルールは、以下の分野の脆弱性をカバーしています。 暗号化 ポスト量子暗号を含む安全なアルゴリズム、安全なキー管理、証明書の検証 入力の検証 SQLイン

ハードコアな読者から圧倒的な支持を受ける定番書籍の改訂版。本書では、Pythonの実務経験がある中・上級の開発者を対象に、Python言語の奥深さと高度な機能を実践的に解説します。本書を通してdoctestによる対話的な例を多用し、単なる知識の紹介にとどまらず、現場での応用力を高めるアプローチを重視しています。タプルのアンパック、デスクリプタ、メタクラスといったPython特有の機能に焦点を当てており、Pythonの能力を隅々まで使いきったコーディングを可能にします。 賞賛の声 まえがき 第I部　データ構造 1章　Pythonのデータモデル 1.1　第2版での変更点 1.2　Pythonicなトランプのカード 1.3　特殊メソッドの使い方 1.3.1　数値型のエミュレート 1.3.2　文字列表現 1.3.3　独自型の真偽値表現 1.3.4　コレクションAPI 1.4　特殊メソッドの概要 1

You signed in with another tab or window. Reload to refresh your session. You signed out in another tab or window. Reload to refresh your session. You switched accounts on another tab or window. Reload to refresh your session. Dismiss alert

本記事は ChatGPT によって書かれた connecttest: ConnectRPC 向けの軽量テスト DSL ConnectRPC でハンドラのテストを書くたびに、毎回 httptest.Server やクライアントの初期化、レスポンスコードやヘッダーの検証、connect.Error のデコードなど、同じようなコードを書いていることに気づきました。 「もっとシンプルに、ハンドラを直接実行して挙動を確認できたらいいのに」──そう思って作ったのが connecttest です。 connecttest は、httptest を使って ConnectRPC のハンドラを直接実行し、レスポンスを直感的にアサートできる DSL です。 使う理由 ConnectRPC は非常に良いフレームワークですが、ハンドラテストは往々にして冗長になりがちです。 たとえば、従来の書き方は次のようになります

はじめに AMD Ryzen AI Max+ 395 を搭載した EVO-X2 で、gpt-oss:20b を CPU/GPU/NPU で動作させて処理速度を比較します。 測定環境 プロセッサ: AMD Ryzen AI Max+ 395（16コア） OS: Windows 11 Pro 24H2 RAM: 64GB VRAM: 64GB モデル: gpt-oss:20b ソフトウェア: CPU/GPU: Ollama 0.12.6 NPU: FastFlowLM (FLM) 0.9.13 プロンプト: AIの将来を予測してください。 測定方法: Ollama: /set verbose FLM: /verbose 測定結果 単位: tokens/s（1秒あたりのトークン数） デバイス プロンプト評価速度 生成速度