こんにちは！クラウドソリューション開発部の西谷です。
皆さんは健康を意識していますか？もしそうでない場合、生産性で損をしているかもしれません。
この記事では、生産性と健康状態の関係と、より健康的になるための第一歩を提案します。
続きを読む
【フィジカル】生産性と健康状態の関係とは？
Tech blog
日々の開発業務で培った技術的な知見や、よりよいプロダクト提供のための技術的な取り組みなどを積極的に紹介をしていきます。
1台のVMに1000個のIPを！Azureで格安IoTデバイス・シミュレーターを構築してみた
IoTシステムの開発において、避けて通れないのが「数千台規模の同時接続テスト」です。
ただ、実際に数千台のデバイスを用意したり、VMを大量に並べたりするのはコストも管理工数もかかりすぎます。
そこで今回は、Azure VM わずか1台（＋サーバー1台）で、1,000個の独立したプライベートIPを使ってサーバーへ同時接続する、格安かつ強力なシミュレーター環境を構築してみました。
続きを読む
【1時間で完成】重要ログだけ通知！CloudWatch 簡単構築
こんにちは！
SJC共同開発推進室の坂根です。
システム運用をしていると、必ず直面するのが「ログ監視」の難しさですよね。
「とりあえずエラーを全部通知するようにしたけれど、通知が多すぎて結局スルーしてしまっている……」なんてことも。
本来、アラートは「今すぐ対応が必要な異常」を知らせるためのもの。
通知が埋もれてしまっては、せっかくの監視も意味をなしません。
そこで今回は、AWS CloudWatch・Lambda・SNS を活用して、『大量のログから重要なエラーだけを抽出して、メール通知する』という、実運用で役立つシンプルな仕組みを構築する方法をご紹介します。
AWS Amplify 入門：React + Vite で認証機能付きアプリを「サクッ」と構築
AWS Amplifyを使ってみた！
こんにちは！クラウドソリューション開発部の今野です。
AWS、いろんなサービスがありますよね～
EC2、DynamoDB、Lambda(うんうん、ここまでは有名)
「AWS Amplify」
アン…プリファイ…？？(そもそもアンプリファイってどういう意味)
Amplify、実は隠れた便利サービスなんです。
今回はAmplifyについて紹介していきたいと思います！
Google Play 16KBページサイズ要件対応【RN編】
こんにちは！
クラウドソリューション開発部の大川です。
今回は、React Native CLIを使ってAndroidアプリを開発している場合における、Google Play Consoleからの警告通知「16 KB ページサイズ要件」への対応方法について紹介します。
Swift開発もVS Codeで！SweetPad導入とメリット4選
こんにちは！
クラウドソリューション開発部の大川です。
今回は、iOSアプリ開発における開発環境の選択肢として、VS CodeだけでSwift開発ができる拡張機能「SweetPad」の良さについて紹介します。
iOSアプリ開発といえばApple標準のXcodeが必須ですが、「動作が重い」「普段使い慣れているVS Codeのキーバインドや拡張機能を使いたい」と感じることはありませんか？
そんな悩みを解消してくれるのが、今回紹介するSweetPadです。
入社3年間の成長と学び
はじめに
朝起きたら気温が6度で、布団から出られない——そんな日々を過ごしています。
みなさんこんばんは。クラウドソリューション開発部、入社3年目の寺谷です。
入社3年目も終わりが近づき、そろそろ4年目に突入しようとしています。
その前に、入社してからの3年間を振り返ってみようと思います。
【全ての新人エンジニアへ贈る】生成AI時代こそ「公式ドキュメント」を読むべき理由
こんにちは！デバイスソフトウエア開発部の山内です。
新卒未経験で入社してから2年弱、開発に携わってきました。
設計もインフラも実装も、結局ぜんぶ「勉強」だなぁ…と日々感じています。
そんな中、一つ思っていることがあります。新人エンジニア（私含め）が業務をする上で一番大切なことって、実は公式ドキュメントをちゃんと読む習慣なんじゃないか？と。
今回はその話をしようと思います。
前半部では開発における情報源の扱い方、「そもそも論」について再考してみます。
それを踏まえ、後半部では、公式ドキュメントを読むことのメリット・読み方・生成AI（※以下、本記事では「AI」と呼びます）とどう付き合うかといった実務的なお話を展開していきます。
PROLICA®入退場カウント機能のロジックを解説！
こんにちは！デバイスソフトウエア開発部の斎藤です。
生産性向上エッジAIカメラシステム「PROLICA®」を用いたリアルタイム映像解析システムの開発を担当しています。
PROLICA は、映像に対してディープラーニングによる物体検出を行うだけでなく、ARマーカー検知や信号機の色判定などの様々な画像処理機能を備えています。
本記事では、「車両や人の移動方向から入退場を判定し、その数をカウントする機能」について、数学的な記号などは極力使わずにロジックを解説します！
PROLICAの詳細や他の機能につきましては、弊社HPや過去の技術ブログをご覧ください。
WindsorMLのデータを用いた PINN による自動車周りの流れのシミュレーション
こんにちは！AX研究室のロベルト・フバチです。
近年、機械学習を流体力学の問題に応用する研究が注目を集めています。
その中でもPhysics-Informed Neural Networks（PINN）は、データに基づく手法と物理法則を組み合わせる点が大きな特徴であり、少量のデータでも物理現象を再現できる可能性を持っています。PINNの概要については、以前の投稿の一つで紹介いるのでそちらをご覧ください。
本ブログでは、公開されているCFDデータセットWindsorML（Ashton et al., 2024）を用いて、自動車周りの乱流空気流れのシミュレーションを行った事例を紹介します。対象は、WindsorMLデータセットに含まれる多数のシミュレーションケースの一つであるrun_0ケースです。
WindsorMLは、自動車空力を高精度に解析することを目的として構築された大規模かつ高品質なデータセットですが、その規模の大きさから、すべてのデータをそのまま利用することは実際には容易ではありません。
そこで本検討では、WindsorMLデータのごく一部のみを使用した場合に、PINNモデルがどの程度流れ場を再現できるのかを検証しました。元データは約2億点ですが、ベースライン用のデータとして約200万点（約1%）を抽出し、PINNの学習にはさらに少量の50,000点（約0.025%）を用いました。
この記事で分かること：
-
約2億点のデータセットに対して、学習点50,000点（約0.025%）という極少データでも、PINNで流れ場をどこまで再現できるか
-
限られた観測点で学習した場合に、再現しやすい領域／誤差が出やすい領域がどこに現れるか
-
少量データ学習を前提にしたときの、（本記事で用いた）学習設定・前処理が結果にどう影響し得るか
