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、Figma の AI プラグイン Layermate を使って「要件から UI をチャットで一気に起こす」ワークフローを検証しました。
結論から言うと、プロトタイピングの初速を劇的に上げる道具としてかなり実用域。
特に、画面間での文脈維持やレイヤー構造（Auto Layout含む）の出力が優秀でした。
一方で、複雑なレイアウトやコンポーネントの厳密な再利用は現時点で工夫が必要な印象です。
こんにちは！クラウドソリューション開発部の西谷です。普段生成AIを使っていて私が気を付けていることを3つにまとめて紹介します！
続きを読む
環境広場、今年はいちだんと賑やかでした。
クラウドソリューション開発部の寺谷です。会場で展示した子ども向け画像生成アプリは、気づけばブース前に小さな行列。タップひとつで絵が出るたび、「もう一回！」の連打コールで僕の腕も連打。
イベントの様子はこちらにまとめています。
今日はその心臓部 Stability AI を深掘りします。AIについて、料金、APIの使い方（React Native）、
そして日本語と英語プロンプト比較まで一気にどうぞ。
こんにちは！クラウドソリューション開発部の西谷です。GitHub CopilotでAI駆動開発フレームワークである「BMAD METHOD」を触ってみたので、その情報をシェアします！ 続きを読む
こんにちは、AX研究室の入澤です。ついに、待望の GPT-5 が登場しました！
本記事では、「何がどう進化したのか？」そして、「OpenAIが目指すAGI（汎用人工知能）の実現に、どれだけ近づいたのか？」について、簡単にご紹介していきます！
こんにちは！
SJC共同開発推進室の鈴木です。
最近、AIという言葉を耳にしない日はないくらい、あらゆる場面での活用が加速しています。「専門知識がないと無理なのでは？」と感じている方も多いのではないでしょうか。ご安心ください。AWSには、専門知識がなくてもすぐに生成AIを利用できる、便利なサービスがたくさんあります。今回は、AWSのAIサービスをご紹介します。
AX研究室の庄内です。AX研究室ではLLM・AIエージェントなどを含むAI・DX案件だけではなく、これまでデータアナリティクス部で取り組んでいた需要予測・異常予兆検知などを含む様々なAI開発も引き続き取り組んでいます。マイナーな分野ですが、地球環境分野へAIを適用するプロジェクトに結構携わっているので、これらの分野においても日々様々な技術動向を調査しています。
先日、「周回遅れのAI気象予測」という記事が日本経済新聞（2025年6月22日）に掲載され、欧米や中国に比べて日本のAI気象予測開発が遅れている現状に警鐘を鳴らしつつ、その利点を見極めた上での積極的な開発を促すよう指摘されました。政府の会議でもAI活用の方針が示されるなど、この分野が日本でも重要な社会的・技術的課題として認識され始めたことがうかがえます。
続きを読む
こんにちは！クラウドソリューション開発部の西谷です。GitHub Copilotのコードレビューを使ってみました。使うための設定や、感想をシェアします！ 続きを読む
こんにちはAX研究室のロベルト・フバチです。この投稿では、PINN（Physics-Informed Neural Networks、物理情報ニューラルネットワーク）を用いて、障害物の周囲を流れる流体のシミュレーション方法を紹介します。
PINNの概要については、以前の投稿の一つで紹介しました。一般的に、これらのネットワークは、自然界や産業界で発生する現象を記述する偏微分方程式を解くために使用されます。
そのような現象の一つが流体の流れであり、これは液体や気体の運動を研究する「流体力学」という分野の対象です。「流体」という用語は液体と気体の両方を指し、固体とは異なり、自由に流れたり形を変えたりする性質があります。
流体が障害物にぶつかると、その背後にカルマン渦と呼ばれる渦が発生することがあります。これらの渦は規則正しく並び、特徴的なパターンを形成します。この現象は、例えば風が旗のポールを通過する際に、旗が規則的に揺れることで観察できます。同様の渦は、島や岩の背後を流れる水、あるいは山地の周囲を流れる空気中の雲にも見られます。
このような流れをシミュレーションするために、PINNはナビエ–ストークス方程式や連続の式などの微分方程式（図2）を利用します。たとえば、管内の層流のような単純な流れでは、これらの方程式に含まれる物理法則だけでPINNが流体の速度分布を効果的に予測できます。
しかし、カルマン渦のような非定常で非線形性の強い複雑な流れでは、従来の数値流体力学（CFD）による完全な再現は計算コストや数値安定性の観点から困難です。一方、限られた測定点での観測データのみでは、流れ場全体の詳細な把握は不可能です。PINNsはこの課題に対し、ナビエ・ストークス方程式などの物理法則を損失関数に組み込むことで、少ない観測データからでも物理的に一貫した流れ場を学習・予測することができます。具体的には、測定された速度や圧力データと物理方程式の制約を同時に満たすよう学習することで、観測点以外の領域についても信頼性の高い流れ場情報を補間・外挿できます。このように、実験データと物理モデリングを統合したアプローチにより、カルマン渦の詳細な時空間構造を効率的に把握することが可能になります。
本稿では、トレーニングデータの量や準備方法が、カルマン渦PINNモデルの精度にどのように影響を与えるかを示します。
続きを読む
