top of page


AI-Powered Management Decision Support System (MDSS) Development Notes
本システムは、AI APIを業務へ組み込むことで、単なるチャットボットを超えた経営判断支援システムの構築を検証するプロジェクトです。売上、市場、競合、ニュースといった多角的な情報を統合し、現状分析、リスク分析、フィッシュボーン分析、マインドマップ生成、PDCA提案といったツールを駆使することで、複雑な経営課題の構造化と仮説生成を自動化し、最終的な意思決定を行う人間に対して質の高い判断材料を提供することを目的としています。
開発過程においては、API制限やコストといった実務上の課題に直面し、従来の「AI中心設計」から、日常の分析結果はデータベースから参照し、更新要求時のみAIを活用する「DB中心設計」へのアーキテクチャ刷新を行いました。この挑戦を通じて、技術的な実装のみならず、運用性、保守性、投資対効果というビジネス視点の重要性を再認識するに至りました。AIがコードを生成する時代において、エンジニアには「何が不足しているのか」を理解し、全体を設計・レビューする能力が不可欠であることを、本プロジェクトの実践を通じて証明しています。
6月24日読了時間: 4分


AIを作ってみる2
AI開発において、学習データの管理方法を見直しました。データ量の増加に伴い、手動メンテナンスの負荷と拡張性に限界を感じたため、Python環境にSQLiteを導入し、データ構造を刷新しました。
今回実装した技術的アプローチ:
SQLiteの導入: 学習データと性格データを構造化し、管理効率を向上。
ゆらぎ吸収(n-gram): 表記の揺らぎ(例:「こんにちは」「こんちは」)による冗長なレコード作成を防ぐため、TfidfVectorizer (char, 2-3) を実装し、検索精度を維持。
キャッシュ最適化: 再学習コストを抑えるため、更新フラグ付きのキャッシュ機構を実装。
気付きと課題:
AI開発において、正しい情報を教える以上に「誤ったデータを効率的に忘れさせる」仕組みの実装が最も難しいと痛感しました。
次のステップ:
現在は検索エンジンに近い状態ですが、今後は保持している性格データを動的に反映し、状況に応じた「自分らしい回答」を生成するパーソナリティ層の実装を進めます。技術を「自分」というOSにどう統合するか、引き続き追求してい
6月3日読了時間: 3分


PowerShellでのデータ抽出とSQL
Pythonがインストールされていない環境において、PowerShellを活用して大容量のデータ抽出を行う際、記述が容易な「CSVパイプ処理(Import-Csv)」と、やや煩雑な「OLEDBによるSQL処理」のどちらを採用すべきか、実機検証を交えて徹底比較しました。数千行程度の手軽な処理であれば1行で直感的に記述できるパイプ処理が最適ですが、データ量が数万行から10万行を超える規模になると、全データをオンメモリで処理するパイプ方式ではメモリの大量消費や深刻な速度低下(フルスキャン)を引き起こすリスクがあります。一方で、OLEDBを介してデータベースエンジン側に処理を委任するSQL方式は、コードが冗長でOfficeのビット数(32bit/64bit)に依存する制約があるものの、必要なデータのみを最適化してスマートに取得できるため、劇的な省メモリと高速化を実現できます。本記事では、Excel 2007から最新のOffice 365環境における接続文字列の記述方法や、実務で嵌まりがちな環境依存のエラー対処法まで、データ量に応じた最適な住み分けの目安を
5月27日読了時間: 3分


データベースパッケージについて Database package
表題の通りデータベースパッケージを使って、テーブルにデータを格納したデータを、アウトプットしてみる。 入力ファイル ロジック データベースへの接続方法 接続モード デフォルト 接続文字列に対象ファイルのフルパスを設定する。...
2024年6月30日読了時間: 2分
bottom of page