技術・実績

Areas

対応技術

Works

実績

秘密保持契約に配慮し、企業名、製品名、固有の仕様は伏せています。実績には、当社代表がこれまでに担当した案件を含みます。

1. • 前処理の時間30 分 → から3 分
   • 見積書の列名を予測するモデルの精度85% → から96%

   システム開発会社（建設分野向け AI サービス）

   建設見積データから CO2 排出量を予測する AI の改善と推論 API の整備

   担当範囲

   AI 開発の全体（データ処理から学習、推論 API まで）の主要実装、後に AI・データ処理全体の技術リード

   領域

   AI・データ活用、開発基盤・運用自動化

   • Python
   • Pandas
   • PyTorch
   • FastAPI
   • Amazon Bedrock
   • Amazon SageMaker
   • Amazon OpenSearch Service
   • Databricks
   • MLflow
   • Google Cloud Run
   • GitHub Actions

   背景・課題

   建設工事の見積書（Excel）から CO2 排出量を予測する AI サービスでは、見積書の書式がテナントごとに異なり、前処理ロジックと学習モデルをテナント単位で作り分けていました。前処理は実行に時間がかかり、保守の負担も大きくなっていました。あわせて、図や長い表を含む施工手順書から必要な情報を検索できないことも課題でした。

   取り組み

   • ループ処理を多用していた前処理を、Pandas のベクトル演算を使う実装へ書き換えました。
   • 図や表を含む手順書に対して、Amazon Bedrock で図の要約を本文へ挿入し、表は構造を保ったまま分割してから検索対象にする検索拡張生成（RAG）を構築しました。
   • 散らばっていた実験環境を Databricks に集約し、MLflow で実験パラメータとモデル精度を対応付けて記録するようにしました。モデルを変更したときに、精度が下がっていないかを比較できます。
   • 見積書の列名を予測する AI について、モデル構造と前処理の改善点を示しました。
   • 推論処理を FastAPI の API として整理し、Google Cloud Run へのモデルのデプロイを担当しました。

   成果

   前処理の処理時間は 30 分から 3 分になりました。列名を予測する AI の精度は 85% から 96% に向上しています。実験の条件と結果を追跡できるようになり、テナント固有の作り分けに頼らない解析へ移行する土台ができました。

2. システム開発会社（音楽推薦サービス）

   脳波解析アルゴリズムの Python 移植と API 化

   担当範囲

   技術選定から移植、検証、API 化までを単独で担当

   領域

   AI・データ活用、クラウドアーキテクチャ

   • Python
   • NumPy
   • librosa
   • scikit-learn
   • PyTorch
   • FastAPI
   • Locust

   背景・課題

   外部の研究者が MATLAB で作成した脳波解析アルゴリズムを、音楽推薦サービスで使えるシステムへ移す案件です。元のコードはライセンス費用と実行環境の制約から、推論速度と同時接続数に課題がありました。

   取り組み

   • 高速フーリエ変換やメルスペクトログラム変換などの信号処理を解析し、NumPy と librosa で同等の計算を再実装しました。
   • 移植前後の計算結果の相関係数が 0.8〜0.9 に保たれていることを確かめ、アルゴリズムが変わっていないことを検証しました。
   • FastAPI で API を構築し、Locust で 1,000 件を超える同時接続を想定した負荷試験を行い、リソースの推移を可視化しました。

   成果

   限られた稼働時間のなかで、3 か月の納期どおりに技術選定、移植、テスト、API 化を完了し、サービスの商用リリースに貢献しました。

3. システム開発会社（エンターテインメント分野）

   実在人物の話し方を再現する対話 AI の開発

   担当範囲

   開発リード（設計からデプロイまで）

   領域

   AI・データ活用

   • Python
   • LangChain
   • Streamlit
   • Azure AI Search
   • Azure OpenAI Service
   • Amazon Bedrock
   • LangSmith
   • MySQL
   • Docker
   • Kubernetes
   • GitHub Actions

   背景・課題

   実在する人物の口調や価値観を再現する対話 AI を開発しました。事実を正しく答えるだけでは足りず、本人の公開投稿やインタビューに表れる話し方を反映する必要がありました。「それらしさ」という曖昧な要求を、改善の方向が分かる指標に置き換えることが課題でした。

   取り組み

   • 公開投稿とインタビュー記事から知識データを整備し、Azure AI Search によるベクトル検索と組み合わせました。
   • 生成結果と知識データの類似度を BLEU で計測し、LangSmith で入力から応答までの経過を追跡できるようにしました。プロンプトを変えたときの差を、主観だけでなく数値でも比べられます。
   • 既存環境の Azure に合わせつつ、Azure OpenAI Service と Amazon Bedrock を用途に応じて使い分け、API 費用と応答速度の釣り合いを取りました。

   成果

   プロンプトの改善と検索精度の向上を重ね、依頼者本人から高い満足を得られる再現度に到達しました。設計からデプロイまでを一貫して担当しています。

4. システム開発会社（対話 AI サービス）

   ストリーミング応答と会話履歴を両立する AI チャットの開発

   担当範囲

   技術リード

   領域

   AI・データ活用、クラウドアーキテクチャ

   • TypeScript
   • Next.js
   • Vercel AI SDK
   • LangChain.js
   • Zod
   • shadcn/ui
   • Vercel
   • Neon
   • Upstash
   • pnpm workspaces
   • GitHub Actions

   背景・課題

   娯楽性と実用性を兼ねた AI 対話サービスの開発です。AI SDK の更新で破壊的変更が続くなか、応答をストリーミングで返す速さを保ったまま、複雑な会話履歴の管理を組み込む必要がありました。

   取り組み

   • 応答のストリーミングは Vercel AI SDK、プロンプト制御と会話履歴の連携は LangChain.js が受け持つ構成を設計しました。公式テンプレートに依存していた部分は、破壊的変更を機に独自の実装へ置き換えています。
   • pnpm workspaces でモノレポへ移行し、サーバー側の処理と画面の責務を分けました。依存関係を整理し、型による検査を強めたことで、頻繁なライブラリ更新に対応しやすくなりました。
   • Vercel 上で Neon（サーバーレス PostgreSQL）と Upstash（Redis）を組み合わせ、利用者ごとのデータを低い遅延で読み書きできるようにしました。

   成果

   AI フレームワークの破壊的変更に追従する手順を確立し、複雑な対話の流れを制御できる画面側の構成を整えました。

5. 自社運用

   技術メディアの配信と、検証済みの成果物だけを公開するデプロイ経路の設計

   担当範囲

   設計・実装・運用

   領域

   開発基盤・運用自動化、クラウドアーキテクチャ

   • Astro
   • TypeScript
   • Cloudflare Workers
   • OpenTofu
   • Google Cloud Build
   • Docker
   • GitLab

   背景・課題

   日本語と英語の技術記事を公開する自社運用のメディアです。記事が増えても運用の手間と攻撃を受ける範囲を小さく保つこと、壊れた状態のまま公開されないことを重視しました。

   取り組み

   • 記事、画像、サンプルコードをそれぞれ別のリポジトリで管理し、ビルド時にだけ読み込んで Astro で静的な HTML を生成する構成にしました。配信は Cloudflare Workers の静的アセット配信を使い、実行時の API とデータベースは持ちません。
   • リンク切れ、翻訳の更新漏れ、途中で失敗したビルド、安全でない HTML を検出した場合は、公開を止める検査をビルドに組み込んでいます。
   • インフラは OpenTofu でコード化し、別のリポジトリにまとめて管理しています。
   • デプロイでは、Google Cloud Build が特定のコミットを検証してから成果物を作り、配信先を更新できる処理を一つに限定する構成へ移行しています。ビルド環境には配信先の API トークンを渡しません。

   成果

   実行時のサーバーを持たないため、公開後に運用しなければならない部分が少なく済んでいます。デプロイ経路は、誰がどの成果物を公開したかを後から確認できる形を目指して移行を進めています。

6. システム開発会社（文書管理分野）

   Office 文書を軽量形式へ移行するための変換エンジンの技術検証

   担当範囲

   技術リード（技術選定、試作、技術レポート）

   領域

   AI・データ活用

   • Rust
   • Tauri
   • Kotlin
   • docx4j
   • Google Cloud Functions

   背景・課題

   特定製品への依存を減らすため、Microsoft Office 形式（.docx、.pptx）の文書を Markdown などの軽量な形式へ変換するエンジンが求められていました。既存の Java 系ライブラリでは、数式（OMML）やレイアウト情報を正確に再現することが難しい状況でした。

   取り組み

   • Kotlin と docx4j による既存の JVM 系の方法を検証したうえで、性能とメモリ安全性が求められる解析処理には Rust を採用しました。
   • XML Schema に基づいて Office 文書の内部データ構造を解析し、既存ライブラリで再現できない要素を特定しました。数式変換のように難しい部分は、Rust で独自に実装する方針を立てています。
   • Tauri を使ったデスクトップアプリとして試作し、複数の OS で動作を確認しました。

   成果

   試作を通じて技術的な難所と実装費用を明らかにし、次期システムに向けた技術レポートと実装ロードマップを作成しました。

7. 大手企業（社内情報システム）

   3,000 台規模の端末へのセキュリティパッチ配布と管理業務の自動化

   担当範囲

   技術担当（3 名体制のうち技術判断を担当）

   領域

   開発基盤・運用自動化、クラウドアーキテクチャ

   • Active Directory
   • グループポリシー
   • WQL
   • VBA

   背景・課題

   約 3,000 台の Windows 端末にセキュリティパッチを適用し、エンドポイントセキュリティ製品を移行する案件です。要となる Active Directory の管理者が不在で、構成を説明できる人も資料もありませんでした。

   取り組み

   • 既存の Active Directory の構成とグループポリシーをサーバー上の設定から一つずつ解析し、安全に配布できる経路を設計し直しました。
   • WQL で配布対象の端末を正確に抽出する条件を作り、配布計画と進捗を集計する Excel を VBA で自動化しました。組織単位（OU）の操作と切り戻しの手順も定型化しています。
   • 技術的な作業と、社内の承認・調整の業務を分担する体制を提案しました。

   成果

   手作業による集計の誤りをなくし、管理工数を月約 60 時間減らしながら、パッチ適用率 100% を維持しました。

8. 地域の IT 産業振興団体が主催する研修

   エンジニア研修の講師と、生成 AI・Go 言語の教材開発

   担当範囲

   講師・教材開発

   領域

   AI・データ活用

   • Go
   • Python
   • LangChain
   • Streamlit
   • PyTorch
   • TensorFlow

   背景・課題

   地域の IT 産業振興を目的とした団体が主催するエンジニア研修で、Go 言語と生成 AI の講師を担当しました。既存の教材は網羅性と正確さに欠けており、現場で使える水準まで内容を組み直す必要がありました。

   取り組み

   • Go 言語の教材を精査し、言語仕様の正確な理解と並行処理などの実務的な題材を軸に、全編を作り直しました。
   • LangChain と Streamlit を使い、4 時間で検索拡張生成（RAG）のシステムを構築するハンズオン教材を新たに開発しました。
   • PyTorch と TensorFlow による物体検出の解説動画と教材を制作しました。

   成果

   50 名以上のエンジニアを対象に登壇し、受講者アンケートで 5 点満点中 4.5 点の評価を得ました。

Credentials

保有資格

次の資格の保有者が在籍しています。

クラウド

• Google Cloud Professional Cloud Architect
• Google Cloud Professional Cloud DevOps Engineer
• Google Cloud Professional Cloud Security Engineer

セキュリティ

• 情報処理安全確保支援士試験 合格

AI・データ

• JDLA Deep Learning for ENGINEER（E資格）