サイバーエージェントが開催する、社会人経験のあるデータサイエンティスト・機械学習エンジニア向けの採用説明会（オフライン）のお知らせです。 本イベントでは、同社の開発現場、カルチャー、キャリアパスについて、現役エンジニアが直接説明し、交流する機会を提供します。 キャリアの転換や更なる成長を目指すML/DSエンジニアで、要件定義から運用まで一気通貫で関わりたい方、大規模データ環境での開発に興味がある方におすすめです。
・双方向推薦システムにおける長期的マッチング最大化のための代理目的関数の設計と実証に関する研究発表。 ・2026年度人工知能学会全国大会（第40回）で発表された内容。 ・研究者、機械学習エンジニア、データサイエンティスト向け。
Google Cloudは、Apache Sparkのパフォーマンスを大幅に向上させるLightning Engineの一般提供を開始しました。これは、JVMのオーバーヘッドを排除し、ネイティブC++命令にコンパイルすることで、標準のSparkと比較して最大4.9倍高速な処理を実現します。また、ストレージコネクタの最適化や高度なクエリ最適化により、費用対効果も向上しています。この技術は、データ量が増大する現代のデータ処理におけるパフォーマンスとコストの課題を解決するために設計されており、既存のデータパイプラインに変更を加える必要なく利用可能です。 * 大規模データ処理におけるパフォーマンスとコストの課題を抱えるデータエンジニア、インフラエンジニア、およびデータサイエンティスト向けの記事です。 * Lightning Engineの導入により、Apache Sparkの処理速度が最大4.9倍向上し、費用対効果も2倍になることが解説されています。 * ネイティブ実行、最適化されたストレージコネクタ、高度なクエリ最適化などの技術的な詳細と、導入方法について説明されています。
Google Kubernetes Engine (GKE) の GKE Inference Gateway は、生成 AI ワークロードの推論を高速化し、応答時間を大幅に短縮する技術です。 この技術は、リアルタイムのモデルサーバー指標に基づき、AI ワークロードをインテリジェントにルーティングし、アクセラレータのアイドル時間を最小限に抑えます。 本記事は、AI 開発者、インフラエンジニア、データサイエンティスト、そして生成 AI の導入を検討している技術責任者向けです。
Google CloudのManaged Service for Apache Sparkが、サーバーレスとマネージドクラスタの2つのデプロイモードを提供開始しました。マネージドクラスタでは、Lightning Engineによるパフォーマンス向上、フレキシブルVMによるリソース確保、FinOps機能（ゼロスケール、スケジュール停止）、AI連携（MCPサーバー、Data Agent Kit）、次世代Lakehouse、Spark 4.1対応などが発表されました。 * Google CloudのManaged Service for Apache Sparkの新機能について解説しています。 * 大規模データ分析やデータサイエンスワークロードを効率化するための機能強化に焦点を当てています。 * サーバーレスおよびマネージドクラスタのデプロイモード、パフォーマンス向上、AI連携、FinOps機能などが紹介されています。
Google Cloud は、サーバーレス Apache Spark の最新バージョン 3.0 における新機能について解説しています。このバージョンでは、セットアップ不要のオンボーディング、起動時間の 75% 短縮、GPU アクセスの向上、Apache Spark 4.x のサポート強化、マルチゾーン サポートの強化などが実現されました。 * Apache Spark のワークロードをより簡単かつ迅速に実行するための、Google Cloud のサーバーレス Managed Service for Apache Spark の新機能を紹介。 * セットアップ不要のオンボーディング、起動時間の短縮、GPU アクセスの向上、Spark 4.x サポート、マルチゾーン サポート強化などの新機能により、AI/ML ワークロードの実行が容易になる。 * データサイエンティスト、バックエンドエンジニア、インフラエンジニア、および Google Cloud を利用して Apache Spark を活用したいと考えているすべての人々にとって有益な情報。
Google Cloudは、AIエージェントが企業データをより安全かつ効率的に活用できるように、AlloyDB for PostgreSQL向けのリモートModel Context Protocol（MCP）サーバーの一般提供を開始しました。この新機能により、リアルタイムデータへのアクセスが容易になり、AIエージェントの推論能力が強化されます。 この記事は、AIエージェントを活用して企業データを分析・活用したい開発者、データベース管理者、およびAIエンジニアを対象としています。 AlloyDB with remote MCP serverは、AIエージェントを運用データに直接接続し、パフォーマンス、セキュリティ、管理の面で強化された機能を提供します。
Google スプレッドシートと BigQuery を連携させる「コネクテッド シート」機能を紹介します。 これにより、ビジネスユーザーは慣れたスプレッドシート環境で、BigQuery のペタバイト級データをリアルタイムかつ安全に分析できるようになります。 データ抽出の手間が省け、データガバナンスを維持しながら、セルフサービスでのデータ探索、運用レポート作成、カスタム指標の計算が可能になります。
「データなくして事業成長なし」をテーマに、CDOが全社データ基盤構築の舞台裏を語る。 データ活用を推進するための組織体制や具体的な取り組みについて解説。 データサイエンティスト、エンジニアリングマネージャー、プラットフォームエンジニア、プロダクトマネージャー、経営層、事業責任者向け。
Google Cloudは、グラフアルゴリズムをSpannerデータベースにネイティブに統合した「Spanner Graphアルゴリズム」を発表しました。これにより、不正検出、ソーシャルネットワーク分析、レコメンデーションなどのユースケースで、複雑な関係性を持つデータを、オペレーショナルデータベースのパフォーマンスを損なわずに、迅速かつ低コストで分析できるようになります。 * Google CloudのSpannerデータベースにグラフアルゴリズムがネイティブ統合され、データ分析の迅速化とコスト削減を実現します。 * 不正行為検出、SNS分析、レコメンデーションなど、多様なユースケースで活用可能です。 * データパイプラインの簡素化と、リアルタイム分析によるインテリジェントなアプリケーション構築を支援します。
Google Cloud Storage (GCS) が、AI エージェントが非構造化データに安全かつ効率的にアクセスするための Model Context Protocol (MCP) サーバーを提供し、スマートストレージを実現する新しい方法について解説します。 - GCS MCP サーバーは、Palo Alto Networks、Airwallex、Snap などの企業がどのように AI エージェントを構築し、ビジネス課題を解決しているかの事例を紹介します。 - リモート MCP サーバーとローカル MCP サーバーの 2 つのオプションを提供し、開発者はインフラ管理をオフロードしたり、カスタムツールを構築したりできます。 - この技術は、AI エージェントによるデータ活用を促進し、様々な業界でのイノベーションを支援します。この技術は、AI エージェントによるデータ活用を促進し、様々な業界でのイノベーションを支援します。
• タクシーアプリ『GO』が実践するデータ活用事例を紹介。 • RDBのシンプル化、車載デバイスデータの圧縮、DataformによるSQL開発、LookerとStreamlit/コネクテッドシートの使い分け、ローカル開発環境、リネージ管理の現実的なアプローチ、BigQuery UI改造など、7つの工夫点を解説。 • データサイエンティスト、バックエンドエンジニア、インフラエンジニア、プラットフォームエンジニア、データベースエンジニア、およびデータ活用に関心のある技術者向け。
CA DATA NIGHT #9の開催レポートです。スポーツの現場におけるAI・データ活用の最前線について、具体的な事例を交えながら紹介されています。 - スポーツ業界におけるAI・データ活用の最新動向を知りたい方 - データサイエンティストや機械学習エンジニアの業務内容に興味がある方 - スポーツビジネスのDX推進に関心のある方
・J1サッカークラブにおけるデータ分析と現場実装の最前線について解説するイベント ・データサイエンス技術者向けの技術共有コミュニティ「CA DATA NIGHT」の第9回開催 ・サッカーチームのデータ活用に関心のある技術者やデータサイエンティスト向け
- Data Streaming World Tour 2026で発表された、ストリーム処理基盤のFlinkへの移行検証と、システムにおける適材適所の適用に関する実践的な内容。 - 高度なストリーム処理技術の導入や、既存基盤からの移行を検討しているエンジニア。 - システムアーキテクチャの設計や、パフォーマンス最適化に関心のある技術者。
クラシルでデータエンジニアとしてAI-Readyなデータ利活用に取り組む著者が、組織全体でデータの一貫性と意味を定義する「オントロジー」の重要性について論じています。 Tier設計によるデータ信頼性の担保や、Claude Codeを活用したデータ業務の効率化などの実践例を挙げながら、データエンジニアがデータの本質的な理解と管理に貢献すべきであることを主張しています。 - データエンジニアが組織のオントロジー構築に積極的に関わるべきであること。 - Tier設計やAI活用によるデータ信頼性向上の事例。 - データエンジニアがデータの本質的な理解と管理を通じて組織に貢献する方法。
Trustpilotは、Gemmaモデルを活用したリアルタイムデータ拡充アーキテクチャをGoogle Cloud上で構築し、数百万件のレビューを低コストかつ高精度で処理するシステムを実現しました。 このアーキテクチャは、ファインチューニングされたGemmaモデルをvLLMでサービングし、Dataflowと連携させることで、レビューのメタデータ抽出、分類、感情分析などを効率的に行います。 本記事は、機械学習エンジニア、データサイエンティスト、インフラエンジニア、そしてGoogle Cloudを利用するアーキテクトやプロダクトマネージャーに向けて、大規模言語モデルを本番環境で活用する際の技術的課題とその解決策について解説しています。
ChatworkとBPaaSの特性の違いから学んだAI機能開発のベストプラクティスについて解説しています。 AI開発における実践的な知見や、異なるサービス間でのAI機能実装のノウハウに関心のある開発者やエンジニア向けです。 AI機能開発の効率化や品質向上に役立つ情報を提供します。
- データとAIの活用に、高度な検索技術を掛け合わせることで、新たな可能性を切り拓く - ビズリーチの検索エンジニアたちが、サービスの中核を担う検索機能の進化と、その挑戦の軌跡を紹介 - データサイエンティスト、機械学習エンジニア、バックエンドエンジニア、インフラエンジニア、プラットフォームエンジニア、アーキテクト、テックリード、コーポレート関係者向け
- 検索・レコメンド基盤の開発は、単なるAPI実装やモデルの導入に留まらず、サービスごとの多様な要件や急増するトラフィックに対応する必要があり、継続的な開発と改善が不可欠です。 - この記事は、LINEヤフーのメディアPF開発の現場で、基盤開発が「作るだけ」で終わらない理由とそのリアルな取り組みについて解説しています。 - 対象読者は、プラットフォームエンジニア、バックエンドエンジニア、データサイエンティスト、および大規模サービスにおける基盤開発に関心のあるエンジニアです。
Google for Startups Accelerator: MENA-Tプログラムの最新コホートとして15社のAIスタートアップが選出されたことを紹介する記事です。 これらのスタートアップは、健康、サステナビリティ、開発ワークフロー、医療、Eコマース、教育、製造、法律、調達、セキュリティ、建設、小売など、多岐にわたる分野でAIを活用し、課題解決を目指しています。 本記事は、AI技術を活用して事業を成長させたいスタートアップの創業者や、最新のAI技術動向に関心のあるエンジニア、プロダクトマネージャー、経営層向けの内容となっています。
LayerX社がJSAI2026（6月10日）に合わせて開催するランチ懇親会の案内です。 AI技術や事業、仕事内容についてフランクに話し合い、学生インターンシップの紹介も行われます。 参加対象はJSAI2026参加学生で、定員6名、参加費無料です。
LayerXがJSAI2026（6月9日）に開催する、AI技術や事業、インターンシップに関する学生向けの懇親会です。 AI技術や実際の仕事内容についてカジュアルに話せる機会であり、企画中の学生インターンシップの紹介も行われます。 参加はJSAI2026参加学生限定で、定員6名のため抽選となる可能性があります。
AI時代の到来により、Googleはデータセンターネットワークを根本的に進化させています。AIワークロードの膨大な計算リソースとネットワーク要件に対応するため、GoogleはAI Hypercomputerを中心に、チップからアプリケーションまでを統合したAI技術スタックを構築し、ネットワークインフラを再設計しました。 * AI時代の要求に応えるため、Googleはネットワークインフラを「AI Hypercomputer内のファブリック」「AI Hypercomputer間のファブリック」「グローバルネットワーク」の3つの柱で再構築し、Virgo Networkなどの革新的な技術を導入しています。 * AIワークロードの帯域幅、低遅延、高信頼性といった厳しい要求を満たすため、ネットワークのスケールアップとスケールアウトを可能にするアーキテクチャを採用し、障害発生時の迅速な検知と復旧を実現する自律信頼性機能を強化しています。 * この進化したネットワークインフラは、AIトレーニングから推論まで、あらゆるAIワークロードを支える基盤となり、Google Cloudの顧客がAIの可能性を最大限に引き出すことを支援します。