<?xml version="1.0" encoding="utf-8" standalone="yes"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom">
  <channel>
    <title>Posts on AI-Native.dev</title>
    <link>https://ai-native.dev/ja/posts/</link>
    <description>Recent content in Posts on AI-Native.dev</description>
    <generator>Hugo -- gohugo.io</generator>
    <language>ja</language>
    <lastBuildDate>Thu, 23 Jan 2025 09:00:00 +0900</lastBuildDate>
    <atom:link href="https://ai-native.dev/ja/posts/index.xml" rel="self" type="application/rss+xml" />
    <item>
      <title>【後編】AI×プラットフォームエンジニアリングで加速する未来</title>
      <link>https://ai-native.dev/ja/posts/code-ai-interview-platform-2/</link>
      <pubDate>Thu, 23 Jan 2025 09:00:00 +0900</pubDate>
      <guid>https://ai-native.dev/ja/posts/code-ai-interview-platform-2/</guid>
      <description>【後編】プラットフォーム✕コード✕AI：その選択、AI時代を生き抜けるか？ 本記事は 2024/11/12 に開催されたイベント「プラットフォーム✕コード✕AI - AI時代にそのプラットフォームで大丈夫?」の内容をもとに執筆されました。&#xA;「コード×AI ー ソフトウェア開発者のための生成AI実践入門」（以降「コードAI本」）の著者である 服部佑樹 と、「入門Terraform　クラウド時代のインフラ統合管理」を執筆された 草間一人さん(@jacopenさん) が、AI時代のプラットフォーム をテーマに対談した本記事は二部構成の後編です。（以降敬称略）&#xA;開発＆運用はどこまでAIに任せられる？実用的な視点で切り込む 服部：最近、企業からよく聞かれる声として「AIの恩恵って実際どこまであるの？」という疑問があります。例えばエディタに統合されたAIツールだったりするとと、特にSI企業からは「ウォーターフォール開発の中で見ると、V字の製造工程（コーディング）にしか効果がないんじゃないか」という話をする人がいます。この点についてどう思われますか？&#xA;草間：そうですね。確かにウォーターフォールモデルだったり、あとは設計・開発・運用とそれぞれが分断されている開発においては、AIの恩恵を最大限に得られないのは事実だと思います。ただ、それは逆に言えば、開発プロセス自体を見直すチャンスでもあるんです。DevOpsアプローチやチームトポロジーの考え方を取り入れることで、AIの効果を最大化できる可能性があります。&#xA;服部：ちょっとここから、プロセス全体でどのうようにAIを活用していくかの話にいきたいと思います。プラットフォームの運用面では、単にIaCのコード生成支援だけでなく、もっと別の部分で困っているという声も多いですよね。&#xA;草間：はい、その通りです。実は運用面でのAI活用はまだまだ発展途上なんですが、徐々に面白い取り組みが出てきています。例えば、私が所属するPagerDutyでは、PagerDuty Advanceという機能を提供していて&amp;hellip;&#xA;おっ、資料の準備が早いですね（笑）&#xA;服部：この話が出てくると思って、ページをすぐ出せるようにしておきました（笑）&#xA;草間：このPagerDuty Advanceは、インシデント対応時の大きな課題を解決しようとしています。インシデントが発生すると、運用チームは対応に追われる一方で、様々なステークホルダーからの問い合わせにも応えなければならない。この「今どうなってるんだおじさん」対応が実は大きな負担になっているんです。&#xA;服部：たしかに。これはどの業界でもきっと同じですよね。急いでいたり大変な案件ほど「今どうなってる？」って聞かれる（笑）でも、そういったソリューションを導入せずに、自前でSlackボットを作って対応している企業も多いと思うんですが、どちらがおすすめですか？&#xA;草間：実は、これが難しい質問なんです。自前で作るアプローチも全然アリです。ただし、重要なのは情報の範囲と質です。面白い統計があって、インシデントの約7割は開発やアップデート関連で発生しているんです。つまり、単にSlackのログだけでなく、GitHubのコミット履歴やTerraformの更新履歴など、様々なソースの情報を総合的に分析する必要があります。&#xA;服部：なるほど。結局のところ、個別のツールを使い分けて認知負荷が高くなるくらいなら、統合されたソリューションを検討する価値があるということですね。&#xA;草間：その通りです。特にインシデント対応のような時間との勝負の場面では、情報の統合と整理が重要になってきます。自社でノウハウがあればセルフビルドも良いですが、そうでない場合は既存のソリューションを活用するのも賢明な選択だと思います。&#xA;組織が変わる！AIが引き起こすチーム再編と情報共有のカギ 服部：次は、チーミングについて話をしていきたいと思います。プラットフォームチームとストリームアラインドチームの関係性は、AIの導入によってどう変化すると思いますか？&#xA;草間：このテーマは非常に重要ですね。AIの利点を最大限に活かすには、チームトポロジーの考え方を本気で実践する必要があると考えています。開発プロセスの改善だけでは不十分です。運用も含めた全体最適を目指すなら、DevとOpsの分断は大きな障壁になってしまいます。&#xA;服部：なるほどAIの効果的な活用には、知識の分断を避ける必要があるということですね。これってコードAI本にも書いたんですが、AIにとって重要なのは、まず「情報にAIがアクセスできること」です。組織の中で契約やライセンス、組織の壁などで阻まれた情報は、AIが活用できないですよね。AIがアクセスできる情報を組織の中でどれだけ増やすのかは、AIの活用の成否に大きく影響すると思います。DevOpsでも同じことが言えるでしょうね。&#xA;草間：そうですね。チームトポロジーにおけるストリームアラインドチームの特徴は、DevとOpsが分断されていないことです。同じチームが開発から運用まで一貫して担当することで、文脈や知識が途切れることなくAIに伝えられます。&#xA;服部：具体的にはどのような効果が期待できるのでしょうか？&#xA;草間：例えば、ソフトウェアのアップデートに関連するインシデントの特定が容易になります。また、運用上の問題に対してAIを活用したフィードバックループも構築しやすくなります。これは単なるコーディング支援を超えた、より本質的なAIの活用方法だと思います。&#xA;服部：大規模組織ではCenter of Excellence（CoE）の取り組みも増えていますよね。AIの文脈ではどうでしょうか？&#xA;草間：はい、最近では「AI CoE」という形で、AI活用を専門とするチームを設置する動きが出てきています。チームトポロジーの枠組みで考えると、複雑なサブシステムを担当する特化型チームとしてAIチームを位置づけるアプローチが考えられます。&#xA;また、既存のプラットフォームチームの中に、AIプラットフォームを専門に扱うチームをネストさせるという方法もあります。これは特に大企業向けのアプローチですね。&#xA;服部：透明性の確保も重要な課題になりそうです。プラットフォームのツーリング選定などで、各プロジェクトが独自に判断していた部分が、より統制の取れた形に変わっていく可能性がありますよね。&#xA;草間：その通りです。ゴールデンパスの考え方が非常に重要になってきます。AIを活用する際も、単にツールを導入するだけでなく、適切なドキュメンテーションやナレッジベースの整備が必要です。そうしないと、ストリームアラインドチームが困難に直面する可能性が高いですね。&#xA;服部：プラットフォームチームとストリームアラインドチームの間で、知識の共有や透明性の確保がより重要になってくるということですね。そして、それにはドキュメントやナレッジベースが必要になると。これ、インナーソースの考え方とリンクしていますね。コードAI本にも書きましたが、どうやって透明度が高く開放的な情報の共有を実現するかが、AIの活用においても重要になってくると思います。&#xA;草間：AIの導入によって、チーム間のコミュニケーションや知識共有の重要性は更に高まると考えています。プラットフォームチームは、単にツールや基盤を提供するだけでなく、AIの効果的な活用方法や制約事項についても明確に伝えていく必要があります。&#xA;服部：これまでの組織構造やプロセスを、AIの特性に合わせて最適化していく必要がありそうですね。&#xA;草間：その通りです。チームトポロジーの考え方は、AIの時代にむしろフィットすると考えています。知識の分断を避け、チーム間の効果的な協働を実現することで、AIの恩恵を最大限に受けることができるでしょう。&#xA;AI時代を勝ち抜くプラットフォームエンジニア、必須スキルはこれだ 服部：ところで、AI時代のプラットフォームエンジニアとして、これから必要なスキルセットについてお聞きしたいのですが。&#xA;草間：実は、AI時代だからといって特別なスキルセットが必要というわけではないんです。むしろ、従来のプラットフォームエンジニアに求められていた資質が、より重要になってくると考えています。&#xA;特に面白いのが、ゲームの例えで説明できるんです。例えば、ドラゴンクエストをプレイする時のスタイルを考えてみてください。単純に力づくでボスに挑むプレイヤーもいれば、スカラやスクルトなどの補助魔法をかけて、パーティー全体の能力を底上げしてから戦うプレイヤーもいますよね。&#xA;服部：なるほど、チーム全体のパフォーマンスを上げることに喜びを感じるタイプということですね。&#xA;草間：そうなんです。あるいはマインクラフトで、他のプレイヤーが使える便利な仕掛けを作るのが大好きな人とか。MMOゲームでいうところの「バッファー」的なロールを好む人たちですね。&#xA;このように、チーム全体の生産性を向上させることに喜びを見出せる人が、プラットフォームエンジニアとして向いているんです。純粋な技術力だけでなく、人やチームを観察し、全体最適を考えられる視点が重要になってきます。&#xA;服部：つまり、技術的なスキルはもちろん必要ですが、それ以上に「チームを強くする」という視点が重要だということですね。&#xA;草間：その通りです。AI時代になっても、本質は変わらない。技術を使って組織全体をより良くしていく、その視点こそがプラットフォームエンジニアに求められる最大の資質だと思います。&#xA;服部：確かに、単にAIを使いこなすだけでなく、それを組織全体の文脈でどう活用していくか、という視点は非常に重要ですね。&#xA;草間：はい。そして、これはAIに限らず、新しい技術が出てくるたびに求められる普遍的なスキルだと思います。技術の進化に振り回されるのではなく、「どうすれば組織全体がより良くなるか」という視点を持ち続けることが、プラットフォームエンジニアとして成長していく上で最も重要なポイントだと考えています。&#xA;AIとの協働について書いた「コードAI本」、そしてTerraformの入門書も好評発売中です。ぜひご一読ください！</description>
    </item>
    <item>
      <title>AIで加速する？エンジニア生産性のリアル</title>
      <link>https://ai-native.dev/ja/posts/code-ai-interview-productivity/</link>
      <pubDate>Wed, 22 Jan 2025 09:00:00 +0900</pubDate>
      <guid>https://ai-native.dev/ja/posts/code-ai-interview-productivity/</guid>
      <description>本記事は 2024/10/24 開催イベント 「開発生産性 ✕ コード ✕ AI – AI時代の開発生産性向上への取り組み方」 の内容をもとに執筆されました。&#xA;「コード×AI ー ソフトウェア開発者のための生成AI実践入門」（以降「コードAI本」）の著者である 服部佑樹 と、「エンジニア組織を強くする 開発生産性の教科書」を執筆された ファインディ株式会社 CTO 佐藤 将高さん が、AI時代のプラットフォーム をテーマに対談した本記事は二部構成の後編です。（以降敬称略）&#xA;ベテランからジュニアまで：経験値差がもたらすAI活用の温度差 服部：最近、AIと開発生産性の関係について佐藤さんの方で何か見えてきている傾向はありますか？特にFindyさんではFindy Team+でメトリクスを取って開発生産性を計測されていますよね。&#xA;佐藤：そうですね。実は組織やエンジニアの経験レベルによって、かなり明確な違いが出てきているんです。面白いことに、私の観測では開発支援AIツールの活用度合いが、ジュニア、ミドル、シニアで明確に分かれているんですよ。&#xA;服部：具体的にはどんな違いが見られるんでしょうか？&#xA;佐藤：まず組織レベルでいうと、大きく3つのグループに分かれています。AIをバリバリ使いこなしている組織、使いたいけどまだ本格導入できていない組織、そして、たとえば「GitHub Copilotって何ですか？」というレベルの組織です。最後のグループは徐々に減ってきていますが。&#xA;服部：エンジニアの経験レベルによる違いも気になります。&#xA;佐藤：ジュニアエンジニアの場合は面白い現象が起きていて、AIの出力をそのまま使ってしまう傾向があるんです。コードの中身を十分理解せずにコピペしてしまうケースが少なくありません。 一方、シニアエンジニアは逆の傾向を示していて、「自分で書いた方が確実だ」という考えが強いんです。AIの補完機能は使うものの、全面的な依存は避ける傾向にあります。&#xA;服部：なるほど。じゃあ、最も恩恵を受けているのは&amp;hellip;？&#xA;佐藤：ミドルエンジニアですね。彼らは独力で開発できる能力を持っていながら、AIをうまく活用してチーム開発の効率を上げています。例えば、レビューの質を向上させたり、通常なら同僚に質問する必要がある事項をAIとの対話で解決したり。結果として、より質の高いプルリクエストを出せるようになっているんです。 特筆すべきは、AIをうまく使いこなせるミドルエンジニアが、シニアレベルの生産性を発揮できるようになってきているという点です。これは組織にとって非常に大きなメリットになっています。&#xA;タスク難易度で変わるAIの真価：ドメイン知識 vs. コード支援 佐藤：エンジニアの経験レベルによって、AIツールの活用度合いって結構違いが出てくるんですよね。シニアエンジニアになると、単純なコーディングよりもコードレビューの機会が増えてきます。&#xA;服部：なるほど。タスクの難易度によっても違いが出そうですね。&#xA;佐藤：そうなんです。ジュニアエンジニアは比較的シンプルなタスクを担当することが多いので、AIツールの恩恵を受けやすい。一方で、シニアエンジニアが担当するような複雑なタスクは、AIだけでは太刀打ちできないことが多いんです。&#xA;服部：具体的にはどういった部分でしょうか？&#xA;佐藤：例えば、ドメイン知識が必要な開発や、インフラ寄りのアーキテクチャ設計なんかですね。これらは単純なコードの問題じゃなくて、現実世界の様々な制約や要件を考慮しないといけない。AIツールはそういった文脈を完全には理解できないんです。&#xA;服部：なるほど。以前、「良いコード/悪いコードで学ぶ設計入門」の著者であるミノ駆動さんとお話した時も、依存関係の複雑さについて言及されていました。 コードの依存関係が増えてくると、AIがそれらの関係性を適切に理解するのは難しくなってきます。かといって、ドメインを細かく区切りすぎても、今度は逆に参照すべき対象が多くなりすぎて扱いづらくなる。 結局、人間の判断が必要になってくるわけです。&#xA;佐藤：私たちのFindy Team+でも、組織の生産性向上を目指していますが、AIで解決できる問題よりも、人間系の課題の方が多いんです。例えば、メンタルモデルが十分に形成されていないまま開発に取り組んでしまうケースとか。&#xA;服部：メンタルモデルの形成って、一朝一夕にはいかないですよね。&#xA;佐藤：そうなんです。これって継続的な改善と、誰かが地道に教え続けることが必要なんです。AIにも一定の役割はありますが、やっぱりテックリードや優秀なエンジニアからの直接的なフィードバックの方が効果的なことが多い。&#xA;服部：確かに、AIは受動的なツールですからね。こちらから問いかけないと答えは返ってこない。&#xA;佐藤：組織としての成長を考えると、VPエンジニアリングやテックリードからの能動的な指導の方が、より大きなインパクトを生み出せるんですよ。AIはあくまでもサポートツールとして活用するのが現実的かなと思います。&#xA;このように、AIツールの活用は確かに開発効率を上げる可能性を秘めていますが、エンジニアの経験レベルやタスクの性質によって、その効果は大きく異なってきます。特に、組織全体の生産性向上を考えた時、AIだけでなく、人間同士のコミュニケーションや指導の重要性は依然として高いと言えそうです。&#xA;AIがもたらす“実験室”――エンジニアの創造性を拡張するメトリクス視点 服部：最近、AIと開発の関係について考えることが多いんですが、佐藤さんはAIによって開発者体験がどう変わると思われますか？&#xA;佐藤：面白い質問ですね。エンジニアって、コードを書くこと自体が好きな人も多いと思うんです。でも、本質的にやりたいことって、頭の中にある設計をいかに早く動くものにできるか、というところだと思うんですよ。 私も開発していると脳汁バリバリ出る時があって、コーディング自体に中毒性を感じることもあるんですが&amp;hellip;&#xA;でも、エンジニアの本質って「実験好き」なんじゃないかって最近思うんです。自分の中に実験設備があって、それを自由に使って試行錯誤できる。そういう体験に魅力を感じている人が多いんじゃないかな。 実際、コードを書くのって、時には「めんどくさいなー」と思いながら書くこともありますよね（笑）。でも、本当にやりたいのは、アイデアを形にして、その結果を検証して、改善につなげていくサイクルなんです。&#xA;服部：そこでAIの出番というわけですね。&#xA;佐藤：そうなんです。AIを使えば、コードを書く時間を減らして、より本質的な「実験」の部分に時間を使えるようになる。「やりたくないこと」をAIに任せられれば、エンジニアはより創造的な部分に集中できるんです。 例えば、新しい機能のアイデアがあったとき、従来なら実装に時間がかかって諦めていたようなことも、AIを使えば素早くプロトタイプを作れる。そうすると、より多くの実験が可能になって、イノベーションのスピードが上がるんです。&#xA;服部：確かに！私も最近、AIを使って短時間でプロトタイプを作ることが増えました。アイデアから実装までのサイクルが劇的に短くなりましたね。&#xA;佐藤：そうそう。でも注意したいのは、AIに頼りすぎないことです。あくまでもAIは道具であって、エンジニアの創造性や判断力が重要なのは変わりません。 AIを上手く活用することで、エンジニアはより本質的な問題解決や創造的な作業に時間を使えるようになる。それが、これからのソフトウェア開発の姿なんじゃないかと思います。&#xA;服部：AIによって、エンジニアの仕事がより創造的で面白いものになっていく&amp;hellip;そんな未来が見えてきますね！&#xA;AI時代に必須のスキル―エンジニアが磨くべきコア能力 服部：AI時代のエンジニアに必要なスキルについて、佐藤さんはどのようにお考えですか？&#xA;佐藤：私の考えでは、これからのエンジニアに絶対に必要になってくる能力が2つあります。1つは「ディレクション能力」、もう1つは「意思決定・判断力」です。AIを使う場面が増えても、この2つの能力は決して代替できないんですよ。 例えば、AIに適切な指示を出すにしても、出てきた結果を評価するにしても、結局は人間の判断が必要になってくるんです。プロンプトをいくら工夫しても、最終的にそのアウトプットが正しいのか、使えるものなのかを判断できる力がないと、AIをうまく活用できません。 例えば、AIが生成したコードをそのまま使って「AIが出力したから」で済ませてしまうと、バグだらけのコードを抱え込むことになりかねません。結局、そのコードが何をしているのか、なぜそれを使うのかを理解し、判断できる力が必要だと思います。</description>
    </item>
    <item>
      <title>AI × モブプログラミングで生み出す次世代の開発スタイル - 知識共有の最前線</title>
      <link>https://ai-native.dev/ja/posts/code-ai-interview-agile/</link>
      <pubDate>Sun, 29 Dec 2024 09:00:00 +0900</pubDate>
      <guid>https://ai-native.dev/ja/posts/code-ai-interview-agile/</guid>
      <description>本記事は 2024/10/15 に開催されたイベント「アジャイル✕コード✕AI – AI時代のアジャイル開発とは！」の内容をもとに執筆されました。&#xA;「コード×AI ー ソフトウェア開発者のための生成AI実践入門」(以後「コードAI本」)の著者である服部佑樹と、著名なアジャイルコーチの川口 恭伸さんが、AI時代のアジャイル開発について対談しました。（以降敬称略）&#xA;モブプログラミングの核心へ：複数の視線が育む集合知 服部：&#xA;最近のソフトウェア開発現場でのAI活用について、川口さんの印象はいかがでしょうか？開発チームと近い位置で支援されている中で、どんな取り入れ方をされているのか、まずは大枠で教えていただけますか。&#xA;川口：&#xA;コード生成系AIは、かなり一般的になってきていますね。 ただ、私が特に注目しているのは、純粋なコーディング以外の領域でのAI活用です。例えば、かつてのエキスパートシステムのような専門家の知識を活用する場面で、チャットベースのUIや自然言語でのやり取りができる点は非常に興味深いですね。&#xA;また、テスト生成の分野でもAIの活用が進んでいます。私自身、アジャイル開発、特にモブプログラミングを推進している立場から見ると、AIとの相性の良さを強く感じています。&#xA;AI×モブプログラミングで「集合知」をブーストする新手法 川口：&#xA;モブプログラミングって面白いんですよ。実は、アメリカのスプリンクラー業界で圧倒的シェアを持つハンター・インダストリーズが生み出した手法なんです。私も2週間ほど現地で学ばせてもらいましたが、本質は「チームの知識をど真ん中に置く」というシンプルな考え方なんです。&#xA;4 eyesという考え方で、同じコードを必ず複数の目で見ることで、バグの早期発見や知識共有を促進する。これがチーム全体のスピードアップにつながるんです。面白いことに、このモブプログラミングという形態が、AIとすごく相性がいいんですよ。考えてみてください。モブプログラミングって、すでにチームで「集合知」を活用している状態なんです。誰かが分からないことがあれば、その場で質問して解決できる。AIはこの流れにすんなり入ってくるんです。一人で黙々とコードを書く「カウボーイコーダー」的なスタイルよりも、チームでAIを活用する方が、より効果的な使い方ができるんです。&#xA;服部：&#xA;私もコードAI本の中でAIモブプログラミングについて触れましたが、モブプログラミングの中でAIを使うと、AIの使い方自体も進化するんです。例えば、あるメンバーが「こういうプロンプトの書き方があるよ」と共有したり、チームの文脈に合わせたAIの使い方を皆で考えたり。これが個人では得られない学びになるんです。 学習プロセスの中でAIをどう活用するかは、多くの開発者が直面している課題ですよね。&#xA;川口：&#xA;面白いのは、従来のモブプログラミングでも、ナビゲーター役の人たちは常にGoogle検索をしながら情報を集めていたんです。今はその役割の一部をAIが担えるようになった。特に基礎的な部分から丁寧に説明してくれるので、初学者にとっても理解が深まりやすい。&#xA;服部：&#xA;例えば、私も最近知人と画面を共有しながら開発する機会があったんですが、参加しているメンバーから「次はこれをAIに聞いてみよう！」みたいなアイデアが次々と出てきて、探索的な学習がどんどん進んでいく。AIは学習の加速装置として機能していますよね。&#xA;川口：&#xA;AIが持っている知識も、結局は人間が作り出したドキュメントから学習したものなんです。Googleが登場して検索の世界が変わったように、今はその次のフェーズに来ている。でも本質は変わらない。AIは膨大な人間の知識を整理して提供してくれる、すごく優秀なアシスタントなんです。この認識を持っておくことが大切ですね。&#xA;服部：&#xA;モブプログラミングとAIの組み合わせは、チームの学習と開発の両面で相乗効果を生み出してますね。個人プレーではなく、チームとしてAIを活用する。これが、これからのソフトウェア開発の新しいスタンダードになっていくかもしれませんね。&#xA;スピード×品質：AIが切り拓く高速プロダクト開発の未来 - 「速さ」と「深い理解」を両立する鍵は何か？ 服部：&#xA;最近、多くの企業が生産性向上を目指してAIを導入していますよね。特に開発支援AIの導入判断では、投資対効果が重要な判断基準になっているように感じます。ただ、純粋な開発生産性の向上だけでなく、開発者体験の向上やチーム内の摩擦の軽減といった、数値化しにくい効果もあると思うんです。こういった部分について、川口さんはどのようにお考えですか？&#xA;川口：&#xA;そうですね。実はアジャイル開発のコミュニティでは、「開発生産性」という指標自体にあまり良い印象を持っていない人が多いんです。というのも、「これを作りたい、いつまでにできる？」という質問に対して、単純な関数では表せないことが多いからです。&#xA;むしろ重要なのは、チームメンバーがコードやプロダクトに対する深い理解を持っているかどうかです。具体的には、以下の3つの理解が重要だと考えています：&#xA;プロダクトが誰にどんな価値を提供するのか 実際のユーザーの声を理解できるレベルの知識 コードベースへの深い理解 これらの理解があることで、次のステップへの移行が素早くなります。&#xA;服部：&#xA;なるほど。つまり、単純な開発速度よりも、ビジネスニーズへの即応性が重要だということですね。&#xA;川口：&#xA;その通りです。ビジネスの世界では、「明日言われたことを明後日に提供できる」能力が非常に価値があります。極端な話、先回りして解決策を用意できれば、それだけで大きな価値になる。そこにAIは確実に貢献できると思います。&#xA;服部：&#xA;でも、AIの活用にも課題がありますよね。例えば若手エンジニアがAIの生成したコードをよく理解せずにコミットしてしまうような問題がある、なんて話も聞きます。&#xA;川口：&#xA;はい、それは課題です。表面的には動作するものの、中身を理解していないコードが組織のリポジトリに入っていくリスクは確実に高まっています。ただ、これは昔からある問題の新しい形とも言えます。機密情報の誤った公開や、理解していないコードを理解しているふりをするといった問題は、AIの登場以前からありました。&#xA;服部：&#xA;このような状況で重要なのって、チームとしてAIをどう活用していくかという方針づくりですよね。単にコードを速く書けるようになるだけでなく、チーム全体としての生産性向上につながる使い方を模索する必要があります。&#xA;組織の壁を超えて：マーケティングと開発の新しい関係性 川口：&#xA;XPの生みの親であるケント・ベックが、実はマーケティングと開発者の間にある深刻な対立を解消したかったという話は、とても示唆に富んでいます。典型的なシナリオを考えてみましょう。マーケティングサイドが「この予算でこの期限までに」と一方的に決めてしまい、開発者がその制約に縛られる。この構図、皆さんも見覚えがありませんか？&#xA;でも、ケント・ベックが提案したのは、そのパワーバランスを根本から変えることでした。開発者が「このペースなら安定的に開発できます」と示した見積もりは揺るがせないものとし、その上でマーケティングサイドと建設的な対話を始める。&#xA;そこで登場するのが、XPでいう「計画ゲーム」 や Scrumの「プロダクトバックログ」 といった仕組みです。これらは単なるツールではなく、両者の対話を促進し、意思決定を透明化するための「場」なんです。&#xA;服部：&#xA;つまり、上下関係ではなく、フラットな関係性を作り出そうとしたわけですね。&#xA;川口：&#xA;ええ。でも、ここで興味深いのは、XPが生まれてから20年以上経った今でも、この力関係があまり変わっていないという現実です。ケント・ベック自身が2019年に、この状況に「深い絶望と興味」を感じていると語っているんです。&#xA;服部：&#xA;それって本当に根深い問題ですよね。私も『コード×AI』という本を書いた時に、技術的なプラクティスについて多く触れましたが、結局のところ個人の技術力だけでは解決できない問題があると感じています。&#xA;川口：&#xA;そうですね。例えば、どんなに個人が頑張っても、締切りという制約の前では品質が犠牲になりがちです。結局、根本的な解決には、計画段階からの見直しが必要になってくる。</description>
    </item>
    <item>
      <title>一流エンジニアは、必ずしもプロンプトエンジニアリングの達人である必要はない。必要なのは「アンダースタンド」</title>
      <link>https://ai-native.dev/ja/posts/code-ai-interview-top-notch-2/</link>
      <pubDate>Sat, 28 Dec 2024 09:00:00 +0900</pubDate>
      <guid>https://ai-native.dev/ja/posts/code-ai-interview-top-notch-2/</guid>
      <description>【後編】世界一流 ✕ コード ✕ AI – AI時代のエンジニア思考法を探る 本記事は 2024/10/08 に開催されたイベント「世界一流 ✕ コード ✕ AI – AI時代のエンジニア思考法を探る！」の内容をもとに執筆されました。&#xA;「コード×AI ー ソフトウェア開発者のための生成AI実践勉強会」(以後「コードAI本」)の著者である服部佑樹と、「世界一流エンジニアの思考法」を執筆された牛尾剛さんが、AI時代のエンジニア思考法について対談しました。（以降敬称略）&#xA;本記事は二部構成のうちの後編となります。&#xA;プロンプトエンジニアリングの実態と限界 服部：最近、プロンプトエンジニアリングへの期待が高まっていますが、実際のところどうなんでしょう。私個人としては、そこまで信頼していないんですよね。&#xA;牛尾：私もまったく同感です。実際、トークン数が多くなるとすぐに嘘をつき始めますからね。ちょっとした表現の違いで出力が大きく変わってしまう。これって本当に信頼できるツールなのか？という疑問が残ります。&#xA;服部：私も本の中で書いたんですが、プロンプトエンジニアリングって、ある意味でロジカルシンキングに似ているんですよ。ロジカルシンキングにもMECEとか、あとは4P、3Cみたいなフレームワークがありますよね。確かに知っておくと便利ですが、それを毎回使うわけじゃない。プロンプトエンジニアリングも、そういったマインドセット的な位置づけなんじゃないかと。&#xA;最近、学術的な意味における狭義のプロンプトエンジニアリングと、ビジネスにおける広義のプロンプトエンジニアリング内容が混ざってきていて、それが中途半端なプロンプトエンジニアリング論として広まっているような気がします。 モデルが頻繁にアップデートされる中で、細かい技法を覚えても意味がない可能性がありますよね。&#xA;牛尾：むしろ、トークン数を減らすとか、そういった基本的なアプローチの方が重要だと思います。&#xA;服部：ただ、トークン数が増えれば増えるほど精度が落ちていくというリサーチ結果もありますからね。&#xA;牛尾：ほんとそうですね。私の経験でも、大量のテキストをクエリした結果を扱う際は、出力を安定させるのに苦労しました。最終的には必要最小限のプロンプトだけを使うようになりましたね。&#xA;服部：例えば、Goldman Sachsが社内ナレッジを学習させた独自のAIプラットフォームを構築しているという話もあります。各社「プロンプトエンジニアリング」を超えて、自社のナレッジをうまく活用する方向に進んでいるように見えますね。&#xA;牛尾：そうですね。でもそういった云々の前にまず重要なのは、組織がAIツールを「使いたい人が使える状態」にすることだと思います。全員に強制するのではなく、使いたい人が簡単に使える環境を整備する。&#xA;服部：なるほど。セキュリティの問題とか、申請手続きとか、そういった障壁を極力減らすということですね。&#xA;牛尾：そうです。エンジニアが「使いたい」と思った時に、すぐに使える環境があれば、自然と活用は広がっていくはずです。生産性の高い人は既存の方法で続ければいいし、AIツールを使って効率を上げたい人は使えばいい。そういう柔軟な環境作りが大切だと考えています。&#xA;チームの底上げ - AI時代のエンジニアスキル向上とは 服部：チームとしてのスキルの底上げについて、様々なアプローチがありますよね。私が観察してきた中では、社内チャンピオンを立てる方法や、トップダウンでリスキリングプログラムを実施するケース、さらには小規模チームでの知見共有など。特に最近は、モブプログラミングを通じてAIプロンプトの書き方やファイルの参照方法を実践的に学ぶような取り組みも見かけます。Microsoft ではどんな感じなんでしょうか？&#xA;牛尾：実は、私たちのチームでは組織だった教育というのはあまりないんですよ。せいぜい「ドキュメントをちゃんと書こう」みたいな、ふわっとした取り決めくらいです。ただし、環境面では恵まれていて、例えばGitHub Copilotは入社初日から使える状態になっています。&#xA;服部：なるほど。つまり、学びたい人が自由に学べる環境を整備する、というアプローチですね。&#xA;牛尾：そうなんです。例えば、O&amp;rsquo;Reilly Online（旧Safari Books Online）やPluralsightが見放題だったり。最近知ったんですが、New York Timesまで読めるんですよ。自分で契約してたのに知らなかった（笑）&#xA;服部：かなり充実した環境ですね！&#xA;牛尾：結局のところ、チーム内でもAIツールの使用頻度はバラバラなんです。例えば私や同僚のPaulは積極的に活用していますが、別の同僚のBalaは興味はあるものの、まだあまり使っていない。でも、それでいいんじゃないかと思うんです。AIはあくまでもツールですから。&#xA;AI時代の一流エンジニアとは 服部：そうなると、AI時代の世界一流エンジニアは、必ずしもプロンプトエンジニアリングの達人である必要はないということですね。&#xA;牛尾：そうですね。むしろ重要なのはアンダースタンド「理解力」だと思います。例えば、AIが時々嘘をつくということを理解していないと痛い目に遭います。実際、私も経験があるんですよ。&#xA;服部：どんなことがあったんですか？&#xA;牛尾：つい最近のことなんですが、AIが生成したコードをプルリクエストに含めたんです。メインのコードパスだから、もし問題があってもすぐに見つかるだろうと思って、あまり厳密にテストしませんでした。ところが&amp;hellip;&#xA;服部：何が起きたんですか？&#xA;牛尾：HTTPメソッドの「POST」を「POTT」と書いていたんです。人間だったら絶対にこんな間違い方はしない。だからこそ、レビューでも誰も気づかなかった。人間は「HTTPメソッドなんて間違えるわけない」と思い込んでいるから、そこを見落としてしまうんです。&#xA;服部：「想定外の間違い方」というわけですね。&#xA;牛尾：そうなんです。結局、パッチを当てることになって面倒なことになりました（笑）。これも、AIを使う上で重要な学びでしたね。&#xA;AI時代の一流エンジニアに求められるのは、プロンプトの書き方よりも、ナレッジが必要です。 もう今の時代、AIを使わない手はないですよね。生産性が劇的に向上するわけですから。そう、重要なのはナレッジです。AIツールも、操作する側がちゃんと理解していないとダメなんです。 これはアーキテクチャ的に適切かどうかの判断など。実際に運用してみて初めて分かることもあります。そしてAIの特性を理解した上での適切な活用方法が重要なのかもしれません。&#xA;それって地道な勉強や実際のコーディング経験、運用でひどい目に遭った経験から得られるものなんですよ。 AIは面倒な作業をどんどんリプレイスしてくれますが、イノベーティブな部分は依然として人間がやるしかない。&#xA;服部：現在の言語モデルは結局のところ次の語を予測するモデルですからね。&#xA;牛尾：そうそう。文脈に沿ったものしか出せないわけです。だから、これからの時代に最も価値のある人材というのは、AIの特性をしっかり理解した上で、適切に活用できる人なんじゃないかな。「このAIが書いたコードはOK」「これはダメ」としっかり判断できる人が求められると思います。&#xA;服部：ツールは進化し続けますが、エンジニアとしての本質的な能力の重要性は変わらないということですね。 ありがとうございました！&#xA;AIとの協働について書いたコードAI本は好評につき重版決定。 そして牛尾さんの「世界一流エンジニアの思考法」も絶賛発売中です。 AI時代のエンジニア思考法について、さらに深く学びたい方は、両書をお手に取ってみてください。</description>
    </item>
    <item>
      <title>【後編】AI時代の品質重視エンジニア育成戦略</title>
      <link>https://ai-native.dev/ja/posts/code-ai-interview-code-quality-3/</link>
      <pubDate>Fri, 27 Dec 2024 09:00:00 +0900</pubDate>
      <guid>https://ai-native.dev/ja/posts/code-ai-interview-code-quality-3/</guid>
      <description>本記事は 2024/11/07 に開催されたイベント「ソフトウェア品質✕コード✕AI – AI時代のソフトウェア品質管理にどう向き合うか」の内容をもとに執筆されました。&#xA;「コード×AI ー ソフトウェア開発者のための生成AI実践入門」(以後「コードAI本 」)の著者である服部佑樹**と、森崎修司さん、和田卓人さん、山口鉄平さん、金子昌永さんが、AI時代の品質管理について議論しました。（以降敬称略）&amp;gt;&#xA;本記事は3部構成のうちの後編となります。&#xA;AIと共存するエンジニアスキルアップのポイント 服部:&#xA;エンジニアのAI利用というところでいうと、結局みなさんが考えるのは、「どうやってエンジニアを育成していけば、AIを使いこなせるようになるのか？」という点ですよね。これも必ずこうだとは言えないんですけど、「生成AIを使いこなせるのは上級エンジニアじゃないか」という話がある一方で、初級エンジニアでも学習観点で得るものが大きい、という話もあります。実はコードAI本にもそのあたりは書かせていただきました。 AI時代に求められるスキルセットとは何でしょうか？&#xA;山口:&#xA;そうですね、個人的に感じるのは、従来、エンジニアとしてスキルアップするために学習していく際、本・インターネット検索・人に聞く、という学び方が一般的でしたが、生成AI・AI技術の登場で新たな勉強手段が増えたと思います。特徴としては、従来よりもフィードバックが圧倒的に速い点が挙げられます。高速なフィードバックをもとにトライ＆エラーを繰り返して学びを加速できるスキル、つまり「高速フィードバックループを活用できる力」が求められるわけではないですが、それがあると学びが加速すると思っています。今後、トライ＆エラーを上手く回せる人がより伸びるのではないか、というのが私の考えです。&#xA;和田:&#xA;エンジニアのスキルセットという点では、山口さんのお話に近いですね。学習の手段が増え、めちゃくちゃ速い即時フィードバックを得られるようになったことは、人間の学習理論的にも非常に大事なポイントです。即時フィードバックは学びを加速します。ただ、AIが言っていることが正しいとは限らない。なので、学びを加速できる一方で、それを疑う、検証するマインドセットがセットで必要です。 今、各企業でも「AIがこう言っているから、このコードを書きました」というプルリクエストが増えています。学びの加速と疑う心、検証するスキルは裏腹の関係ですけど、両方大事。今はふわっと聞けるようになった分、キーワードを得やすくなり、それを起点にダブルチェックする。ChatGPTの回答とGoogle検索結果を比較して、微妙に違う点を自分で調べる、というような作業が必要です。そういうダブル・トリプルチェックで学びが加速すると思います。&#xA;品質×AI活用＝未来型教育プログラムの設計指針 服部:&#xA;社内で、こういった教育プログラムを展開されたりしていますか？品質を重視したり、AIとやり取りした上で良いコードを書いていく、エンジニアのスキルセットを上げていくために、ジュニアの方々にどう学んでもらうか、何か取り組まれていますか？&#xA;金子:&#xA;組織が大きくなると必要性は増してくると思います。例として、Wikipediaが登場したとき、学生がそのままコピペでレポートを書いてしまう問題がありましたよね。同じようなことがソフトウェアでも起こりうると思います。 生成AI以前でもツールが出力した結果をそのまま使って、品質が担保されないケースはありました。例えば、ユニットテストを自動生成するツールで、ブランチカバレッジ100%のテストは生成できても、仕様に対応したアサーションが書かれていないのに「完璧だ」と信じてしまうようなことが現実にありました。つまり、生成物を鵜呑みにせず、自分できちんと検証する教育が必要になります。 先ほど和田さんがおっしゃったように、ふわっと質問できるようになった一方で、自分が知らなかった一時情報にもたどり着けるようになるなど、学びのプロセスが変わってきています。教育プログラムとしては、こうした「AIが示す情報を鵜呑みにせず、自分で検証する」姿勢や「期待値調整」を教えることが必要になると思います。&#xA;服部:&#xA;和田さんにもお伺いしたいです。和田さんは企業へのコンサルなどもされていると思うので、「どう教育していけばいいか」みたいな話題は身近ですよね。最近、そういった相談は増えていますか？どう対応されていますか？&#xA;和田:&#xA;そうですね。「生成AIによる学習支援やコーディング支援を全社レベルで導入すべきか？」という相談は増えています。基本的には「良いものですよ」と答えています。ただし、用法・用量を守る必要がある。不可逆な変化が起きているので、全社で変わる、慣れることが必要です。 慣れるには、日々使うことで期待値調整ができます。「これぐらいは任せられる、ここは怪しい」などの肌感覚が必要です。教育用途としては、即時フィードバックが得られるのは大きなメリット。「ふわっと聞ける」メリットも大きいです。ただ、期待値を上げすぎないことが大事ですね。 『コードAI本』もその期待値調整のためにとても役立ってます（笑い）。たいていのAI本は「これからAIが全部コードを書く」みたいな勢いですが、実際にはそんなことはない。そこをうまく期待値調整していくようなメッセージを伝えています。&#xA;服部:&#xA;私も、いわゆる「プロンプトエンジニアリングが世界を変える」的な本ではなくて、もっと現実的なトーンの本を書きたかったんですよね。最初は特に、コードを書いていない方ほど、AIに対する過度な期待があるので、期待値調整から入るのが大事だと改めて感じます。私もずっとそうやっています。&#xA;未来を拓く！AI×エンジニアリングの新たな可能性 服部:&#xA;最後に将来展望、まとめ的なものとして、これからどうなっていくのか、人間はどうあるべきか、あるいはGitHub側やAI側への要望など、伺いたいと思います。&#xA;山口:&#xA;難しいですね……。AIの道具としての利用は続くし、確実に良くなると思います。ただ、爆発的に世界が変わるかというと、そこまで期待していないのが正直なところです。領域によると思います。各所の作業や、人間がやらかしがちなミスをアシストしてくれる道具としては、より使えるようになるはず。&#xA;金子:&#xA;私が期待する未来としては、いまはSaaS型でサブスクする形が多いですけど、将来的にはオンプレで自己ホスティングできるようになってほしいです。自社固有の情報、プロダクト固有の情報、自分個人の情報をAIに与え学習させたり忘れさせたりできるようになれば、例えば20年分のリポジトリを学習させて問題解決に活用できるかもしれない。 また、テキスト以外も解釈できるようになってほしいですね。ビジュアルやバイナリ的なものも「いい感じに」解釈してくれれば、ソフトウェアエンジニアリングのプロセス全体を扱える時代が来るかもしれません。&#xA;森崎:&#xA;未来予測、難しいですね。ただ、これからは「なぜその出力が得られたのか」という根拠が説明されるようになることを期待しています。根拠がわからないと疑いが拭えないので。プロンプトを工夫すれば理由説明は可能ですが、モデル内部の説明可能性が高まれば、もっと頼れるものになる気がします。 根拠が示されない間は、完全には信じられないので「それっぽい回答の中に漏れがないか」を疑える力が必要。難しい問題を生成AIに聞いて、その回答が間違っていて、自分もその間違いに気づけないとなるとお手上げなので、そこは注意が必要。生成AIには固有の間違い方のパターンがあるので、それを理解しておくことも大事です。 私たちが行った実験でも、難しい問題ほど生成AIが間違い、人間もそれを信じ込んでしまう傾向がありました。これがしばらく続くのではないかと思います。&#xA;和田:&#xA;みなさんが言ったとおり、AIをどう理解し、期待値を調整し、疑うべき点は疑うことが大事です。学習のフィードバックが早くなったので、結果としては人間側の能力向上が必要になります。AIを使いこなすには、人間もより多くを学習し、検証しなければなりません。 今後、ソフトウェア開発者は増えるでしょう。それに伴い低品質なソフトウェアも増えると思いますが、それは問題解決できる人が増えることでもあります。新たな可能性が開かれるのであれば、悲観する必要はないと考えます。&#xA;AIとの協働について書いたコードAI本は好評発売中。 対談の皆様の著書や翻訳書もぜひご一読ください！</description>
    </item>
    <item>
      <title>開発にAI？もちろんゴリゴリ使ってますよ！ —— 一流エンジニアのAI利用術</title>
      <link>https://ai-native.dev/ja/posts/code-ai-interview-top-notch-1/</link>
      <pubDate>Thu, 26 Dec 2024 07:00:00 +0900</pubDate>
      <guid>https://ai-native.dev/ja/posts/code-ai-interview-top-notch-1/</guid>
      <description>【前編】世界一流 ✕ コード ✕ AI – AI時代のエンジニア思考法を探る！ 本記事は 2024/10/08 に開催されたイベント「世界一流 ✕ コード ✕ AI – AI時代のエンジニア思考法を探る！」の内容をもとに執筆されました。&#xA;「コード×AI ー ソフトウェア開発者のための生成AI実践勉強会」(以後「コードAI本」)の著者である服部佑樹と、「世界一流エンジニアの思考法」を執筆された牛尾剛さんが、AI時代のエンジニア思考法について対談しました。（以降敬称略）&#xA;本記事は二部構成のうちの前編となります。&#xA;AIツールの実践的な活用法 服部：今日は実践的なAIの活用法について、特に一流エンジニアの現場でどう使われているのか、深掘りしていきたいと思います。まず率直に伺いたいのですが、牛尾さんはAIをどの程度活用されていますか？&#xA;牛尾：もう完全にゴリゴリ使ってますよ（笑）。時には痛い目に遭うこともありますが。&#xA;服部：具体的にはどんな使い方が多いんでしょうか？&#xA;牛尾：一番よく使うのは、やっぱりGitHub Copilotですね。コードを書こうとすると「たぶんこういうコードが欲しいんでしょ？」って提案してくれる。そのサジェストが本当に的確で「その通り！」ってなることが多いんです。&#xA;でも、私にとって特に重要なのは英語周りのサポートですね。私、日本にいた頃は「英語が上手い」って言われてたんですよ。でも、アメリカに来たら&amp;hellip;まあ、単なる「英語下手くそ」ですよ（笑）。&#xA;服部：その経験は非常にわかります&amp;hellip; 英語のネイティブスピーカーと働く中で、具体的にどんな課題に直面されたんですか？&#xA;牛尾：変数名やメソッド名、ログの文字列なんかで苦労しましたね。レビューでも指摘されがち。というのも、「良いネーミング」って単なる文法や単語の知識だけじゃないんですよ。すごく微妙なニュアンスが必要で。でも、AIはそこが得意なんです。&#xA;例えば、自分で趣味のアプリを作るときなんかも、プロジェクト名全部AIに考えてもらってます。「こういう責務を持ったクラスを作りたいんだけど、いい名前ない？」みたいな感じで相談するんです。&#xA;服部：なるほど。ちなみにMicrosoftの中、特にAzure Functionsチームでの命名規則はどうなってるんですか？最近のAIは、かなり記述的で詳細な変数名を提案してくれますよね。&#xA;牛尾：実は、チームの厳密な命名規則というのはないんですよ。むしろコンテキストが重要で、「周りがこうなってるから合わせよう」くらいの感覚です。面白いのは、AIが自然とある程度の制約の中で提案してくれること。本当に必要な部分は勝手にやってくれるので、プログラマーとしてはそこまで意識しなくていい。&#xA;それより大事なのは、他の人が見たときに「わかりやすい」と感じるネーミングですね。そこは人間の判断が必要な部分かもしれません。&#xA;服部：AIツールを使いこなしながらも、最終的な判断は人間が行う。そのバランス感覚が重要だということですね。&#xA;牛尾：そうですね。AIは強力な助手ですが、あくまでツールです。私たちエンジニアの「意図」や「目的」を理解した上で使うことが大切です。特に命名のような、コードの可読性に直結する部分では、AIの提案をベースにしつつも、人間が最終判断を下す必要があります。&#xA;服部：その辺りの判断力こそが、これからのエンジニアに求められる重要なスキルになりそうですね。&#xA;AIとの協働に適したコード設計とは 服部：最近のAIツールの進化は目覚ましいものがありますが、チーム開発の文脈でAIと上手く協働していくには、どういったコード設計が望ましいとお考えですか？&#xA;牛尾：そうですね。例えばMicrosoftのAzure Functionsのようなマイクロサービス環境では、コードベースが非常に大きくなりがちです。そうなると、AIにコード全体のコンテキストを理解させるのが難しくなってきます。&#xA;服部： AIのコンテキストウィンドウには限界がありますからね。そうなると、コードの分割や関心の分離がより重要になってきそうですね。実際には、AIとの協働を意識することで、従来のベストプラクティスがより重要になってきているんです。例えば、コードの分離をきちんとやっておくと、AIによるコードレビューの精度も上がりますし、コメントの付与なども効率的になります。&#xA;牛尾：そうですね。インデントの付け方一つとっても、最近のAIは結構賢くなってきていて、適切なサジェストをしてくれるようになりました。以前はそこまで賢くなかったんですが、今では文脈を理解したより自然なコードの提案をしてくれます。&#xA;服部：コードの一貫性という観点では、どうお考えですか？特に、長年運用されているプロジェクトでは、時代によって適切なコードの書き方も変わってきますよね。&#xA;牛尾：そうなんです。例えばC#なんかは、どんどん新しい機能が追加されていって、現代的な書き方が可能になっています。ただ、古いコードベースでは使えなかった機能も多いわけです。なので、完全な統一性を求めるのは現実的ではないんですよ。&#xA;服部：では、チーム内でのコードの一貫性はどう担保されているんでしょうか？&#xA;牛尾：私たちの場合、厳密なルールは設けていないんです。代わりに、プルリクエストのレビュー時に、コードの読みやすさを重点的にチェックしています。結局のところ、他の開発者が理解しやすいかどうかが一番重要なんです。&#xA;服部：AIとの協働という観点では、ちゃんとAIの癖を理解しておくことも重要なんでしょうね。 時々嘘をつくし、与えられた命令を無視することもある。文脈を完全に理解していないこともよくあります。だからこそ、コードを適切なサイズに分割して、AIが扱いやすい単位にすることが重要です。&#xA;牛尾さんのほうで具体的なAIのユースケースのおすすめは領域はありますか？&#xA;牛尾：ベンチマークのコード生成なんかは、AIが得意とする領域の一つですね。これまでは面倒くさがって後回しにしがちだった作業も、AIを使えば効率的に実装できます。&#xA;服部：いいですね。これまでの話だと、やはりAIの特性を理解した上で、それに合わせて活用方法を模索していく必要がありそうですね。 AIとの共同を考えると、結果的に人間にとっても理解しやすく、メンテナンスしやすいコードになっていきますよね。私がコードAI本で書いたことはまさにそのことなんです。AIとの協働を意識することで、より良いコード設計の実践につながっているというわけです。&#xA;今つくっている個人開発アプリからの学び 服部：今取り組んでいるプロジェクトについて教えていただけますか？&#xA;牛尾：面白いプロジェクトに取り組んでいるんですよ。Microsoftのサービスグループで、世界中から上がってくるインシデント対応の自動化に挑戦しています。特に複雑で開発チームでないと解決できないような案件を扱うんですが、正直なところ、これをAIに任せられないかなと考えているんです。&#xA;服部：なるほど。日々の業務で感じる課題から生まれたアイデアなんですね。&#xA;牛尾：そうなんです。例えば、私の専門分野に関する質問が毎日のように集中してくるんですよ。これをAIに任せられれば、もっと高度な仕事に時間を使えるんじゃないかと。特に気づいたのが、Kusto Queryを使った調査作業なんですが、インシデントごとに違う対応が必要でも、根底にあるメンタルモデルは実は同じなんです。&#xA;服部：Kusto Queryというのは、MicrosoftのSQL-likeなログクエリ言語ですよね。&#xA;牛尾：その通りです。例えば「このテーブルをクエリして、こういう結果が出たらこっちを調べる」というような流れ。個々のケースで違いはあるんですが、大きな思考の道筋は似ているんです。これをAIに任せられないかと。&#xA;服部：でも、そういったクエリをAIに扱わせるとなると、トークン数の制限とか色々な課題がありそうですね。クラウド製品のログを考えると、考えるべきテーブルが膨大すぎて、AIがそれを全て理解するのは難しいかもしれません。&#xA;牛尾：最初は本当に苦労しましたよ。簡単なものはすぐできるんですが、それを安定させるのが一番の課題でした。トークン数が増えると、AIが嘘をつき始めるんです。何回か実行してうまくいったと思っても、次は全然違う結果が返ってきたり。&#xA;服部：その課題をどのように解決されたんですか？&#xA;牛尾：アーキテクチャで解決しました。例えば、複数のステップに分割して実行するようにしたんです。実際の現場では、使うカラムやパターンって意外と限られているんですよ。そこに着目して、ファンクションコーリングのような形で、パターンごとに処理を分けました。&#xA;プレーンテキストからAIにwell-formedなJSONを生成させ、それをソースジェネレータでコードに変換したり。プロンプトもDSLを作ってワークフローにして、各ステップ間でトークン数を最小限に抑えるような工夫をしています。&#xA;服部：なるほど。AIの出力を完全に信頼するのではなく、人間が検証できる形で結果を表示する仕組みも入れているんですね。</description>
    </item>
    <item>
      <title>【中編】AI時代を牽引するソフトウェア品質革命：新たな指標と戦略</title>
      <link>https://ai-native.dev/ja/posts/code-ai-interview-code-quality-2/</link>
      <pubDate>Wed, 25 Dec 2024 07:00:00 +0900</pubDate>
      <guid>https://ai-native.dev/ja/posts/code-ai-interview-code-quality-2/</guid>
      <description>本記事は 2024/11/07 に開催されたイベント「ソフトウェア品質✕コード✕AI – AI時代のソフトウェア品質管理にどう向き合うか」の内容をもとに執筆されました。&#xA;「コード×AI ー ソフトウェア開発者のための生成AI実践入門」(以後「コードAI本」)の著者である服部佑樹と、森崎修司さん、和田卓人さん、山口鉄平さん、金子昌永さんが、AI時代の品質管理について議論しました。（以降敬称略）&#xA;本記事は3部構成のうちの中編となります。&#xA;AI × 品質管理：プロセス変革へのリアルな視点 服部:&#xA;「AIによって開発プロセスは劇的に変わるのか?」この問いに対して、多くのエンジニアが頭を悩ませています。生成AIツールが企業に導入され始めた今、開発現場でも大きな変革の波が押し寄せています。しかし、その実態はどうなのでしょうか。 特に品質管理のプロセスについて、AIをどう活用できるのか、皆さんの見解を伺いたいと思います。&#xA;森崎:&#xA;そうですね、品質管理のプロセスにAIがどう役立つか。それをふまえて、もし何か変える、改善するポイントがあるとしたらどこかということになりそうですね。 人手でやっている部分を肩代わりさせることで、スピードアップや作業コスト（工数）が減る、というのはまず考えられますよね。得意・不得意がはっきりしてくると、このプロセスは入れ替えた方がいいとか、まとめてやった方がいいとか、そういう再構成のアイデアが出てくる可能性はあります。 ただ現状では、AIに完全に信用できる結果を出させるのはまだ頼りない印象です。だから今の人手によるプロセスをそのまま踏襲し続ける部分は多く、なかなか変わりにくいと思っています。 また、生成AIの結果をノーチェックで使うのは非常にリスキーです。チェックサムのような簡易チェックでも良いのですが、何らかのチェックが必要だと思います。「任せっきりで、気づいたらおかしな成果物ができていた」では困ります。生成AIの出力結果をチェックせずに、そのまま開発が進んでいないか、どこかで振り返る必要がある。そういう意味でプロセスが変わるというよりは、チェックプロセスが追加される感覚ですね。 結局、生成AIを使ったら、チェックばかり増えて人手でやるより遅くなった、みたいなことにならないか。それが短期的な視点かと思います。 長期的には、性能が上がってくればプロセス全体の再構築の話も出てくるかもしれません。最近の生成AIのモデルのアップデートのたびに性能向上を実感しますし、将来的には「全体的にプロセスを変えた方がいい」という議論が出てくる可能性はあると思います。&#xA;AIコードレビューへの挑戦とその限界 服部:&#xA;結局、AIの書いたコードのレビューをしていると、「自分で書いた方が早かったんじゃないか」問題が起こりますよね。 GitHub Copilotも最近レビュー機能を出したり、CodeRabbitのようなレビュー特化のAIツールもあります。ただ、コードレビューに関しては様々な観点があって、意図を組み込むのは難しいと感じます。&#xA;和田:&#xA;開発プロセスとの関係ですよね。品質管理プロセスの中で、例えばテストケースが欠落していないかなど、AIをピアとしてダブルチェックさせる形は考えられます。 ただ、もっと前工程、要件定義やお客様とのやりとりをサマライズしたり、仕様をツリー状に落として無矛盾性をチェックしたりする部分の方が、AIの影響は大きいかもしれません。 またマネジメント面もあります。プロジェクトマネジメントをAIに任せることで、人間よりスケーラブルに管理できる、という動きがアメリカでは出てきています。 コードレベルではあまり変わらないかもしれませんが、全体最適を考えると、今後大きく変わってくる可能性はあります。&#xA;服部:&#xA;ありがとうございます。 コードレベルに関しては、私もコードAI本で「レビューをしやすい形に落とし込み、人間が意思決定しやすくする補助としてAIを使う」といったことを書きました。AIは判断はできないので、判断支援としての位置づけですね。 要件定義や前段階のところでは、AI活用への期待や議題が多いのは確かです。マネジメントの領域でも今後広がる余地があるかもしれません。&#xA;森崎:&#xA;補足させていただくと、コードコメント生成などは生成AIが得意とするところです。レビュー用コメントは人間が素早くチェックしやすいですし、人間が1から考えるよりサッと出せる。 また、テストコードが整備されているプロダクトコードであれば、長く研究されている自動修正の手法も流用できそうです。「自動修正してみたけど、どうですか？」と提案して、人間が「OK」とマージするプロセスも成立しますよね。 実行トレースを与えると、ソースコードだけを与えるより良い理解が得られ、コードコメント生成も精度が上がるという研究もあります。 逆に、ざっと仕様を書いて大量のコードを生成させると、チェックが大変で人間が「チェックマシン」にならざるを得ない。この点、逐次補完でインタラクティブに進めるのは生成AIの活用として適切だけれど、一括生成は人間の負荷が大きい印象です。&#xA;服部:&#xA;コメントにも「ハルシネーション（幻覚出力）」が指摘されていますが、確かに明らかに間違ったものはわかりやすいけれど、「より良い」かどうかの判断は難しい。結局トレースしなきゃいけないので手間がかかる。 コードレビューにおいて、プロンプト設計をするなら、どんな点に留意すべきでしょうか。&#xA;森崎:&#xA;繰り返しになってしまいますが、レビュー対象を絞り、分量を適度に調整することが大切だと思います。典型的なコード（学習データに大量にあるようなコード）であればAIレビューはそこそこ上手くいく印象ですが、特殊なコードになるとスルーされたり、的外れな指摘をすることがあります。 テストコードがあると「このテストが失敗するからここが間違い」と根拠を示せるため、理由とともに問題点を指摘するようなプロンプトが有効かもしれません。 また、「この部分とこの部分を付き合わせて、矛盾がないかチェックしてください」といった、読み方の前提を示す方法もあります。そうすると、AIはその方針に沿って問題を指摘してくれます。&#xA;和田:&#xA;レビューでは「言っていること」と「やっていること」が整合しているかが重要です。意図は人間が示すとして、コードやコメント、処理内容が一致しているかをAIにチェックさせるわけですね。 AIも、人間も、ノイズに騙されることはありますが、ダブルチェックしながら進めていくようなアプローチが有効かもしれません。&#xA;AI時代のコードレビュー：マインドセットと組織カルチャー再考 服部:&#xA;ここからはマインドセット的な話になります。 社内でのコードレビューやレビューイー・レビューアーの関係、AI時代には何か変わるのでしょうか？ 「AI時代、こういうことを考えた方がいい」という点があれば、山口さん、金子さん、いかがでしょうか。&#xA;山口:&#xA;社内でもCopilotを使ってコードを書く人は増えています。 ただ、生成されたコードは、意図がコードから読み取りづらい場合が多いんです。人間がコードを書かず、AI任せだと「なぜこうなったの？」と、後から開発者に聞く場面が増えています。 正直、それはあまり良いことではないと思います。開発者がコードの意図を明確に把握していない状態は、コピペしたコードと同じようなレベルですよね。それは内在的品質を保つ上で望ましくない。&#xA;服部:&#xA;中にはコードをよく読まずに「LGTM」（問題なさそう）と言って承認する人もいるでしょう。これはどう対処すべきでしょうか。&#xA;山口:&#xA;それは難しい問題です。コードの内部品質や保守性を重視する文化が欠けている組織状態かもしれません。 コードは中長期的なドキュメントでもあるわけで、そういった状況を見かけたら、レビュー時に「本当に大丈夫？」と問いかける必要があります。&#xA;金子:&#xA;レビューアーとしては、AIに助けられてコードを書いている人が、AIがなくても書ける人なのか、それともAI頼みでコードベースを理解していないジュニアレベルなのか、意識せざるを得ない時代になってきたと思います。 AIがいないと一定のアウトプットが出せない人がチームにいる場合、その人が自力では使えなさそうな文法やライブラリに着目した教育的なサポートが有効でしょう。 さらに、AIに助けられて出したコードでも、自分が責任を持つべきだという意識が必要です。&#xA;AI生成テスト活用術：攻めと守りのバランス 服部:</description>
    </item>
    <item>
      <title>【後編】AI時代のエンジニアの知的装備 - 問題解決能力を磨く</title>
      <link>https://ai-native.dev/ja/posts/code-ai-interview-mino-driven-2/</link>
      <pubDate>Tue, 24 Dec 2024 08:00:00 +0900</pubDate>
      <guid>https://ai-native.dev/ja/posts/code-ai-interview-mino-driven-2/</guid>
      <description>【後編】良いコード / 悪いコード × AI – AI時代のソフトウェア設計 本記事は 2024/10/11 に開催されたイベント「良いコード / 悪いコード × AI – AI時代のソフトウェア設計」の内容をもとに執筆されました。&#xA;「コード×AI ー ソフトウェア開発者のための生成AI実践入門」(以降「コードAI本」)の著者である服部佑樹と、「良いコード／悪いコードで学ぶ設計入門」(以降「ミノ駆動本」)でお馴染みのミノ駆動さんが、AI時代における知的装備について対談しました。（以降敬称略）&#xA;本記事は二部構成のうちの後編となります。&#xA;持っておくと良い「引き出し」 - 開発者リテラシー 服部:&#xA;「引き出し」として、こういった知識を持っておくとAI時代に活用しやすい、というものはありますか？ 参考になる書籍でも構いません。「ミノ駆動本を読め」でもいいですよ（笑）。&#xA;ミノ駆動:&#xA;もちろん自分の本も参考になりますが（笑）、カプセル化や関心の分離については、さまざまな設計技術書に記載があります。ただし、必ずしも「カプセル化」や「関心の分離」という言葉を使わずに説明している本も多いんです。用語は異なるものの、同様の考え方が深く解説されているケースがよくあります。&#xA;そういった書籍を幅広く読むことで、「こんな考え方もあるのか」といった新たな発見が得られます。それが最終的には良いプロンプトを書くための新たな知見につながるんですよね。&#xA;服部:&#xA;やっぱり技術書を読むことが大事ということですかね（笑）。AIは確かに優秀な学習ツールですが、ある程度自分で「引き出し」を作っておかないと、「どう質問すれば良いコードか悪いコードか判別できるのか」といった判断が難しいですよね。&#xA;ミノ駆動:&#xA;そうですね。最終的には、指示する側がどれだけ問題の違いを理解しているか、つまり解像度の高さが問われます。多様な技術書や記事を読んで理解を深め、その上で何度も試行錯誤を重ねることで、的確な指示ができるようになると思います。&#xA;服部:&#xA;コードレビューの重要性はこれからますます高まりそうですね。AIがコードを書くようになり、「書く」よりも「提案されたコードをレビューして修正する」工程が増えるかもしれません。現状、レビューの手法には何か変化がありますか？&#xA;ミノ駆動:&#xA;現時点ではまだ実験段階ですね。チーム全体に導入して大きく変わるところまでは至っていません。期待はされているのですが、実際には「とにかく早く作ってほしい」という要求もあり、なかなか本格運用には至っていない状況です（笑）。&#xA;服部:&#xA;組織としてコードレビューのスキルをどう伸ばすかは、大企業やデジタルネイティブ企業でも悩みの種です。最終的には地道に積み上げていくしかない、という結論に戻ってくることが多いですね。&#xA;AIが表層的な知識（「Reactでこうした方が良い」程度）を提案するようになっても、その先にある本質的な理解や設計思想は、人間が学び続けてメタ的な理解を深めないといけない。結局、人は学び続ける必要がありますよね。&#xA;ミノ駆動:&#xA;全く同感です。最終的には、人間が問題の本質を見抜くリテラシーを持たなければなりません。&#xA;言語化の重要性 服部:&#xA;チャット中に「プロンプトを書くために言語化する過程で、ドメイン知識も増える」というコメントがありました。確かにプロンプトを考えながら、自分自身が学んでいると感じることは多いです。&#xA;カプセル化や関心の分離をAIに提案させるには、まずこちらが「なぜ分離するのか」を理解し、それを言語化しなければなりませんよね。AIにコードを見せずに意図的に分離する設計もあるようですし、さまざまなアーキテクチャで工夫している方々も多いようです。&#xA;ミノ駆動:&#xA;そうですね。AIに投げるコード範囲をあえて分離し、影響範囲を制御する手法はあり得るでしょう。&#xA;「将来の拡張性を考えた設計」や「AI時代における分離手法」はまだ模索中ですが、本質的な目標は変わりません。良い設計は、結局同じ目的に沿ってカプセル化・分離が行われるわけです。&#xA;依存関係との戦い - 結合度 服部:&#xA;イベント前の打合せでも話したのですが、依存関係をどう扱うか悩みますよね。どこまで分離すべきか。DDDなどでもいろいろな面から分離しますが、AIに対してコンテキストが不足する場合もある。&#xA;静的解析ツールやIDEのリファクタリング機能との兼ね合いも出てきます。この悩みをどう考えればいいのでしょうか。&#xA;ミノ駆動:&#xA;これは難しい問題です。依存関係（結合度）は昔からのテーマで、強く関連するものはまとめ、関係の薄いものは分離すべきです。&#xA;強い関連があるものを無理に分離すると整合性が崩れますし、最終的に「どこで分けるか」はドメイン知識がなければ判断できません。ドメインを理解しない限り、適切な関心分離は不可能なんです。&#xA;生成AIは一般的な答えは示せても、特定のドメイン固有の判断は苦手です。そこがまさに現時点での難しさだと思います。&#xA;服部:&#xA;結局ドメイン知識がないと厳しい、ということですね。&#xA;ファインチューニングと組織としての利用 服部:&#xA;組織でAIを活用しようとすると、「自社コードを学習させたい」という声がよく出ます。でも、「学習させるに値するコード」を本当に持っているのか、と問うと、意外にない場合も多い。&#xA;ゴールドマンサックスのような例ではファインチューニングしたモデルで生産性を向上させているようですが、そもそも自社がファインチューニングさせるべき価値のあるコードとは何でしょう。&#xA;ミノ駆動:&#xA;やはり、その企業がコアな価値を発揮する部分だと思います。つまり、コアドメインに関わるコードですね。&#xA;コモディティ化した部分を学習させても大きな価値はありません。コアな部分に内包されている独自の知見をAIに学習させることが、有意義だと考えています。&#xA;服部:&#xA;確かに、自社独自のコア要素がコード化されている企業は意外と少ないものです。</description>
    </item>
    <item>
      <title>【前編】AI時代に問い直す「ソフトウェア品質」：人とAIが共創する次世代開発の在り方</title>
      <link>https://ai-native.dev/ja/posts/code-ai-interview-code-quality-1/</link>
      <pubDate>Mon, 23 Dec 2024 07:00:00 +0900</pubDate>
      <guid>https://ai-native.dev/ja/posts/code-ai-interview-code-quality-1/</guid>
      <description>本記事は 2024/11/07 に開催されたイベント「ソフトウェア品質✕コード✕AI – AI時代のソフトウェア品質管理にどう向き合うか」の内容をもとに執筆されました。&#xA;「コード×AI ー ソフトウェア開発者のための生成AI実践入門」(以後「コードAI本」)の著者である服部佑樹と、森崎修司さん、和田卓人さん、山口鉄平さん、金子昌永さんが、AI時代の品質管理について議論しました。（以後敬称略）&#xA;本記事は3部構成のうちの前編となります。&#xA;AI時代のソフトウェア：「AIに優しいコード」とは何か？ 服部：&#xA;まず和田さんにお伺いしたいんですけれど、良いコードって何ですかね。ざっくりとしたところからのスタートで恐縮なんですけれども。&#xA;和田：&#xA;AI時代の良いソフトウェアって、実はAI時代じゃないときの良いソフトウェアとあまり変わらないんですよね、結論から言うと。 結局、解析性や理解容易性が高くて、修正性・変更容易性が高くて、モジュール化されている、といった点は同じです。AIが扱うのが得意なソフトウェアは、人間にとっても優しいコードなんです。人間にとって優しいコードやソフトウェアが、AIにとっても優しい。結局、あまり変わらないという感じですね。&#xA;服部：&#xA;ちょうど森崎さんにもお聞きしたいんですけれど、AI時代の良いソフトウェアってどうですかね？&#xA;森崎：&#xA;和田さんの後に話すのはちょっと緊張しますが（笑）。&#xA;あまり変わらないというのは僕も賛成です。リーダビリティとかメンテナビリティって、今まで人間視点で「可読性」や「保守しやすさ」と言っていました。でも「AIリーダブル」なコードみたいな概念が、これから出てくるんじゃないかなと思うんですよね。 僕もいろいろ試しているんですけど、例えば名前の付け方によってAIが混乱することがあります。本来の用途と全然違う変数名を付けたコードだと、簡単なソートのプログラムを読ませてもトンチンカンな回答を生成AIが返すことがあって。コードがある程度モジュール分割されていれば大丈夫なんだけど、それが雑に混ざっていると、変な解釈をするケースがあります。 もう一つ付け加えると、学習データに含まれていそうな「典型的なコード」であれば、割と良い結果を生みやすいんですよね。特殊な書き方をすると、学習データにその並びがなくて、不適切な出力をすることもあるようです。&#xA;服部：&#xA;なるほど、ありがとうございます。確かに今後は「AIリーダブルなコード」っていう観点で見ると、コードだけでなくフレームワークやその周辺も変わるかもしれないですよね。&#xA;森崎：&#xA;そう思います。例えばダイアグラムも、できればAIが解釈しやすい形で表現する。UMLの図とかも、マルチモーダル対応の生成AIであってもビットマップだと厳しいので、Mermaidのようなテキストベースの記述にしてAIにも扱いやすいようにする。そういう点は大事かなと思います。&#xA;和田：&#xA;そうですね。テキスト表現になっていることや、コード自体が「ローコンテクスト」な形で書かれていることが重要かもしれません。つまり、背後にある人間の暗黙知をあまり前提としない、情報量が多めでも「読んだら分かる」コードになっているほうが、AIにとっても読みやすい。初見の人間に優しいコードは、AIにとっても読みやすいコードという感覚ですね。 これまでは「コードを読めば分かるコードにはコメントはいらない」と言われてきましたが、コメントの有無でAIの読みやすさが結構変わる感触があります。その辺のバランスや可読性・理解容易性への配慮は、これからシーソーのように傾くのではと予想しています。&#xA;森崎：&#xA;今の和田さんの話で思い出したんですけど、コードに実行履歴やプロファイラの出力結果をつけてそれを生成AIに読ませると、つけないときよりも正しくコードを理解できる、というような研究もありました。 僕ら人間がいきなりプロファイラの結果を渡されても「うーん」となるんですが、生成AIだとそれをうまく活用してくれる場合もある。与える情報を適切に増やすことで、可読性や理解が向上しそうですね。&#xA;服部：&#xA;ゼロショットで処理できる情報量、つまりフロントエンドのフレームワークでBootstrapが使われているとか、そういう「AIが知っている」という前提があることで、AIが楽になるケースはありそうですね。 この前のGitHub Universeで「GitHub Spark」という、自然言語だけでアプリが生成できるサービスのプロトタイプが発表されました。実際触ってみると、使えるフレームワークや機能に制約をもたらすことで、逆に安定して色々と創造性を膨らませられるようになっているんです。今後そういった「ガード付きフレームワーク」が増えるんじゃないかなと思いました。&#xA;新たな品質指標の可能性：AIから見たわかりやすいコード 服部：&#xA;良いコードを作るとき、「じゃあ何が良いコードなのか？」って抽象的ですよね。変更容易性などの指標がありますが、新しい品質指標はあり得るんでしょうか？ それとも既存の指標で十分なんでしょうか？&#xA;森崎：&#xA;外部品質、つまりユーザが感じる品質はそんなに変わらないと思います。 内部品質、例えば拡張性や可読性など、そういったところは考慮しなきゃいけない要素が増えるかもしれないです。これまではサイクロマティック複雑度とか条件分岐の多さなど、人間が追いかけられた指標があった。でも生成AIだと、どこかで追いかけるのをやめちゃう可能性がある。 あるいはCI/CDパイプラインに、生成AIを組み込んで「このコードはAI的に可読性が高いか？」といったチェックを入れることも必要かもしれません。&#xA;和田：&#xA;僕もそこは期待してます。これまでの内部品質の指標は本当に機械的なものばかりでした。サイクロマティック複雑度とかメンテナビリティインデックスとか、構造的な側面しか測れなかった。 意味のわかりやすさや名前付けの妥当性といった「認知的な側面」は、定量化が難しくて人間のレビュー頼みだったんですが、今後はAIでそういう認知的側面の評価もある程度自動化できる可能性がある。 数年後には、名前がわかりやすいか、一貫性があるか、といった評価をAIで行えるようになるかもしれません。&#xA;森崎：&#xA;そうですね、人によって「わかりやすさ」が変わるのが、AIだとある程度安定して評価できるかもしれない。読みやすさは今まで主観的だったけど、ちょっと客観視できるようになる可能性があります。 この前試したとき、生成AIに「このコードは人が書いたものか、生成AIが書いたものか？」と聞いたら、「生成AIが書いたものですね、なぜなら○○」と理由づけてくれたりして、意外と特徴をつかんでいるんですよ。 今までは「この人はこうだから」みたいな人間特有のバイアスがあったけど、AIの視点を使えばそれを分離できる仕組みが作れるかもしれない、と思っています。&#xA;和田：&#xA;最終的には、解析性や理解容易性って人間のためのものですが、今後はコードを読むのは人間だけではなく、AIも読むことを前提にできる。 AIが読みにくいと判断すれば、第三者的な「悪者」をAIに担わせて「AIが読みにくいって言ってるから直そう」というふうにチームで品質底上げが図れるかもしれないですね。 今までもlintツールやstatic analysisツールを「悪者」にすることで品質を底上げする流れがあったけれど、今度は認知的側面にもそれを適用できるかもしれない。面白い時代になってきたと思います。&#xA;服部：&#xA;GitHub Copilotも、最初は文字列類似度メインでしたが、今はCopilot Editなど（検索ベースですが）ある程度依存関係を見てコードを直そうとしたり、解析と生成を組み合わせる方向に進化していますよね。 今後は検索＋生成だけでなく、コード解析＋生成という形が増えて、「AIに優しいコード」がさらに明確な価値を持つようになるかもしれませんね。&#xA;品質維持と進化：AI時代における実務へのインパクト 服部：&#xA;ではここからもう少し実務的な視点に移りたいと思います。 実務でAIを使う際、楽になる領域・ならない領域、注意が必要な部分はありますか？&#xA;山口：&#xA;和田さんもおっしゃっていましたが、実はそんなに大きくは変わらないと思っています。AIは道具で、ブーストをかけるもの。 簡単なことはより簡単になるし、難しいことはそう簡単には楽にならない。ハルシネーションはもちろん気をつけなければなりませんが、従来できなかったことが突然すごく簡単になる、というよりは、あくまで補助的な位置づけかなと。 特に注意点としては、分からなくてもAIが「とりあえず動くもの」を生成できてしまう点です。従来は書けなければ何も出てこなかったけど、今は何か出てきてしまう。そこをきちんとコントロールする必要はあると思います。</description>
    </item>
    <item>
      <title>【前編】新時代到来？AI×プラットフォームで切り拓くTerraform活用の勘所</title>
      <link>https://ai-native.dev/ja/posts/code-ai-interview-platform-1/</link>
      <pubDate>Sun, 22 Dec 2024 07:00:00 +0900</pubDate>
      <guid>https://ai-native.dev/ja/posts/code-ai-interview-platform-1/</guid>
      <description>【前編】「AI時代のプラットフォーム変革！」 - 確信を生む&amp;quot;コード×AI×プラットフォーム&amp;quot;の実践知 本記事は 2024/11/12 開催イベント 「プラットフォーム✕コード✕AI - AI時代にそのプラットフォームで大丈夫?」 の内容をもとに執筆されました。&#xA;「コード×AI ー ソフトウェア開発者のための生成AI実践入門」（以降「コードAI本」）の著者である 服部佑樹 と、「入門Terraform　クラウド時代のインフラ統合管理」を執筆された 草間一人さん(@jacopenさん) が、AI時代のプラットフォーム をテーマに対談した本記事は二部構成の後編です。（以降敬称略）&#xA;本記事は二部構成のうちの前編となります。&#xA;プラットフォームエンジニアリングの本質 - 開発者体験の抜本的向上 服部：まず草間さんに伺いたいのですが、プラットフォームエンジニアリングって具体的にどういったものなんでしょうか？&#xA;草間：プラットフォームエンジニアリングの本質は、開発者の認知負荷を下げることにあります。クラウドネイティブ技術の進化に伴い、開発者が対応すべき技術の範囲と深さは増す一方です。これが開発生産性の低下を招いているんですね。&#xA;服部：なるほど。その課題に対してプラットフォームエンジニアリングはどうアプローチするんでしょうか？&#xA;草間：共通基盤を作って開発者の負担を減らすというアプローチです。ただし、単に技術的な基盤を作るだけではなく、組織論的な視点も重要です。開発者のニーズに寄り添った、実際に使ってもらえる基盤を作ることが肝心なんです。&#xA;AIとプラットフォームの融合ポイント - インテリジェント基盤の可能性 服部：AIとの関係性について、具体的にはどういった接点があると思いますか？&#xA;草間：大きく2つの方向性があると思います。1つは「AIを動かすためのプラットフォーム」。例えばOpenAIやAnthropicのような大規模AIサービスは、実はKubernetesの上で動いているんです。膨大な計算リソースを効率的に管理するには、クラウドネイティブなプラットフォームが不可欠なんですね。&#xA;服部：なるほど。もう1つの方向性はどうでしょう？&#xA;草間：もう1つは、既存のプラットフォームエンジニアリングをAIで強化する方向です。例えば、AIを使ってKubernetesのマニフェストやTerraformのコードを書くといった使い方は、もう当たり前になってきていますよね。&#xA;服部：確かにそうですね。今日もInfrastructure as Codeのコードを書く時にどうやってAIを使ったらいいのかは聞こうと思ってたんです。ちなみに運用面での活用事例はありますか？&#xA;草間：面白い例として、CNCFのサンドボックスプロジェクトのk8sgptがあります。これはKubernetesクラスタのトラブルやエラーログをAIで分かりやすく説明してくれる仕組みです。プラットフォームに組み込まれることで、運用の質が自動的に向上していくんです。&#xA;服部：これはいいですね！私は前職がMicrosoftで、そこで草間さんと絡みがあったわけですけど、当時はクラウドのログを扱うのも多く大変でした。新人エンジニアの学習曲線も緩やかになりそうですね。&#xA;草間：そうなんです。従来なら熟練エンジニアの経験が必要だった判断も、AIのサポートがあれば新人でもより早く成長できる。これは大きな変化だと思います。&#xA;服部：他はどうでしょう？例えば、プラットフォームエンジニアリングにおける**「セルフサービス」**の重要性について、もう少し詳しく聞かせていただけますか？&#xA;草間：従来は開発環境の準備にも運用チームへの申請が必要で、時間もかかっていました。これをポータル経由で自動化し、開発者が自分で必要なリソースを調達できるようにする。これがセルフサービス化の本質です。&#xA;服部：今後、AIがセルフサービス化をどう変えていくと思いますか？&#xA;草間：クラウドサービスの設定項目は年々増加の一途です。AWSやAzureのコンソールを見ても、初心者には何を選べばいいのか分からない。ここでAIが適切な選択肢を提案してくれれば、より使いやすいプラットフォームが実現できるはずです。&#xA;Infrastructure as Code × AI の可能性と課題 - 新たな生産性ブースト 服部：Infrastructure as Code(IaC)とAIの組み合わせについて、率直なところどう思われますか？個人的には、まだまだ課題が多いように感じています。特にAIが扱えるトークン長や精度の問題が大きいと思います。&#xA;草間：ええ、確かに現状では課題が山積みですね。例えば、PulumiがリリースしているPulumi AIという製品があります。これは自然言語でインフラ構成を指示すると、自動的にコードを生成してくれる機能なんですが&amp;hellip;正直なところ、まだまだ発展途上という印象です。&#xA;服部：そうですよね。「こういう環境が欲しい」と一言で伝えても、本当に求めているものが出てくることは稀ですよね。でもAIにただ聞くよりも良さそう！（実際に触って）&#xA;草間：その通りです。インフラストラクチャには無数のパラメータや複雑な依存関係が存在します。それを自然言語で一発で正確に表現するのは現状困難なんです。&#xA;ただし、興味深いのは、AIが生成するコード自体の質はそれほど悪くないんですよ。明らかな誤りは少なく、基本的には動作するコードを出力してくれます。問題は&amp;hellip;&#xA;服部：それが本当に求めているものかどうか、ですよね。&#xA;草間：はい。例えば「Example」という名前のリソースが生成されたとして、実際のプロダクション環境では全く別の命名が必要になってきます。結局のところ、人間とAIの対話を通じて、徐々に精度を高めていく必要があるんです。&#xA;Infrastructure as CodeからInfrastructure as Softwareへ - コードの次なる進化 服部：Terraformのファイル構成について、AI時代になって何か変化は起きそうでしょうか？</description>
    </item>
    <item>
      <title>【前編】「良いコード」というクソデカキーワード - 品質特性を考えよう</title>
      <link>https://ai-native.dev/ja/posts/code-ai-interview-mino-driven-1/</link>
      <pubDate>Thu, 19 Dec 2024 07:00:00 +0900</pubDate>
      <guid>https://ai-native.dev/ja/posts/code-ai-interview-mino-driven-1/</guid>
      <description>【前編】良いコード / 悪いコード × AI – AI時代のソフトウェア設計 本記事は 2024/10/11 に開催されたイベント「良いコード / 悪いコード × AI – AI時代のソフトウェア設計」の内容をもとに執筆されました。&#xA;「コード×AI ー ソフトウェア開発者のための生成AI実践入門」(以降「コードAI本」)の著者である服部佑樹と、「良いコード／悪いコードで学ぶ設計入門」(以降「ミノ駆動本)でお馴染みのミノ駆動さんが、AI時代においてソフトウェアの品質特性を考える上での視点を共有しました。（以降敬称略）&#xA;本記事は二部構成のうちの前編となります。&#xA;「良いコード」というクソデカ主語 - 品質特性を踏まえて考えよう 服部:&#xA;まずはじめに、そもそも「良いコード」とは何でしょうか。AI時代になって、その定義や基準は変わるのでしょうか？&#xA;ミノ駆動:&#xA;「良いコード」という言葉自体が「クソデカ」な言葉なんですよね。実際、ソフトウェアには機能性、可用性、移植性、完全性など、さまざまな品質特性があります。結局のところ、「良いコード」とは、これらの特性のうちどの特性に優れているかを明確にする必要があるのです。&#xA;したがって、「良いコード」と一口に言っても、パフォーマンスに優れたコードであれば「パフォーマンスに優れた良いコード」ですし、保守性や変更容易性に優れたコードであれば「変更容易性に優れた良いコード」と言えます。&#xA;つまり、品質特性に基づいて「どの特性を指して“良いコード”と呼んでいるのか」を定義することから始めるべきだと考えています。&#xA;服部:&#xA;なるほど、ありがとうございます。実際、「リファクタリングしてください」といった非常に抽象的なコメントをAI支援ツールに投げかける事例をよく見かけますが、それが「スタイルを改善してほしい」のか、「パフォーマンスを向上させてほしい」のか、あるいは「依存関係を整理したい」のか、「アーキテクチャレベルで再構築したい」のかが曖昧では、ツール側も対応が難しいですよね。結局、人間側が考えなければならない点が残るわけです。&#xA;最近、リファクタリングやAIの活用方法で、何か面白い事例や有用な活用例はありますか？&#xA;ミノ駆動:&#xA;私は現在、自分の「分身」を増やす試みをしています。私一人では設計観点でのコードレビューをすべて賄えないため、自動生成型AIにレビューを任せられないか実験中です。&#xA;とはいえ、「リファクタリングしてください」といった曖昧な指示では、AIは適切なアイデアを出しづらいものです。また、「このコードが良いか悪いか判断して」と頼んだとしても、パフォーマンスや可用性といった異なる品質特性に関する回答が返ってきてしまい、狙いどころを定めづらい状況があります。&#xA;カプセル化と関心の分離 ミノ駆動:&#xA;そこで重要になるのが、たとえば変更容易性を高める設計原則です。カプセル化が適切か、関心が明確に分離されているか、といった観点を明示的にプロンプトとして与えると、AIの判断精度が向上します。&#xA;やはり、曖昧な指示ではなく、明確な基準に基づく指示をAIに与えることが、的確な提案を得るポイントだと思います。&#xA;服部:&#xA;おっしゃる通りです。私も著書で述べましたが、AIツールを介してコードを記述したりリファクタリングしたりする際は、「どの基準で“良い”と判断するのか」を明確にすることが肝要です。&#xA;GitHub CopilotをはじめとするAIツールは裏でコードを収集して自動的にプロンプトを生成しますが、断片的なコードを無造作に提示するだけでは、的確な提案を得にくくなります。そこで、コードを小さなチャンクに分解したり、説明的なコメントを書き加えたり、関心の分離を意識することで、AIからの提案の質が向上すると考えています。&#xA;命名やスタイルガイドの明示も同様で、記述的な情報を与えるとAIが理解しやすくなり、非ネイティブな開発者でもAIの提案でより自然な命名が可能になります。&#xA;カプセル化と関心の分離に対する想い 服部：「良いコード」というテーマは非常に大きな話題です。その中で、「カプセル化と関心の分離」や「命名とAI」、「リファクタリングとAI」、「コードレビューとAI」といった具体的なトピックがあります。&#xA;特に「カプセル化と関心の分離」について、ミノ駆動さんはどのようにお考えですか？&#xA;ミノ駆動:&#xA;非常に強い思いがあります（笑）。変更容易性という観点で言えば、それは「コードを素早く正確に変更でき、バグを埋め込みにくい度合い」を指します。技術的負債があると、当然変更容易性は下がります。&#xA;この変更容易性を高めるには、古くから言われている基本原則を守ることが近道です。その中でも「カプセル化」と「関心の分離」は特に重要な2つの原則です。&#xA;カプセル化とは、データとそれを操作するロジックをひとまとめにすること。関心の分離とは、ソフトウェアを機能や目的別に明確なモジュールへ分けることです。要するに、密接に関連する要素はまとめ、異なる関心領域は明確に分離することで、ある機能の変更が他の無関係な機能に影響しづらくなります。&#xA;SOLID原則など多くの設計原則は、ほとんどこのカプセル化と関心の分離で説明できるほど、重要な基本概念だと思います。&#xA;生成AIによるコードレビュー ミノ駆動:&#xA;このカプセル化と関心の分離を生成AIに理解させ、コードレビューで活用するのは非常に奥が深い取り組みです。何度も試行錯誤する中で、自分自身がこれらの原理を本当に理解しているかを再確認する機会にもなります。&#xA;AIとの対話で、こちらが明確な基準を提示すればAIもそれに応じた回答を返すようになりますし、その過程で「ここはまだ曖昧だったな」と自分自身が気づかされることもあります。まるでAIとの対話を通じて双方が成長していく、不思議な感覚がありますね。&#xA;服部:&#xA;なるほど。プロンプトの書き方や落とし込み方が極めて重要になるわけですね。&#xA;リファクタリング手法を体系的に適用したり、オープンクエスチョンをクローズドクエスチョンに変えることで、AIに「どの手法を使うべきか」「なぜそれが適切なのか」と問うと、より的確な回答が得られる場合があります。&#xA;マーチンファイラーのリファクタリングカタログなど、AIが知っている領域を活用することで、理由づけが容易になり、レビューや改善の軸が明確になります。こうした手法は、AIと協調しながら「良いコード」を模索・前進する有効な方法の一つだと感じます。&#xA;ミノ駆動:&#xA;まさにその通りです。品質特性を明確にし、その基本原則（カプセル化と関心の分離）を理解した上で、プロンプトを工夫してAIと対話しながら改善していく流れは、今後いっそう重要性を増していくでしょう。&#xA;AIとの協働について書いたコードAI本、そしてより成長させやすいコードの書き方と設計を学ぶ入門書のミノ駆動本、ぜひご一読ください！</description>
    </item>
  </channel>
</rss>
