登録して招待リンクを共有すると、動画再生報酬と紹介報酬を獲得できます。

検索結果 定期採用
定期採用 コミュニティ
1つのキーワードが1つのコミュニティです。
コミュニティ作成
アカウント
見つかりません
定期採用 を含む検索結果
【2027年度定期採用】 WEBエントリーシート・自由課題の受付を締め切りました。ご応募いただいた皆さん、ありがとうございます! 皆さんの熱い書類は心をこめて読ませていただきます!
もっと見る
「橋のコンシェルジュ」が大分県杵築市の橋梁定期点検業務で採用
定期的に電博のハイクラスがdroga5(アクセンチュア)に年収2,000万〜あたりで転職するイメージがあったが、最近はベイカレントが広告人材の採用に力を入れているのを感じる。1,500-3,000万のスカウトを頻繁に見聞きする。
もっと見る
【PFX400 交換用フィルターのご紹介】 PFX400インテークキットや、PFX400を採用した各種インテークシステムをお使いの皆様へ。 ㅤ PowerFilter PFX400は、低い吸入抵抗と高い集塵性能を両立した高性能スポーツフィルターです。 汚れたまま使用を続けると、吸入抵抗が増え、本来の吸気性能を十分に発揮できません。 ㅤ モンスタースポーツでは、 ✅ 5,000kmごとの点検・清掃 ✅ 10,000kmを目安にフィルター交換 を推奨しています。フィルターの汚れや破損がある場合は、走行距離にかかわらず交換してください。 ㅤ 愛車のパフォーマンスを維持するためにも、定期的なメンテナンスをおすすめします。 ㅤ ▼交換用PFX400・インテークキット詳細はこちら ㅤ #powerfilter# #monstersport# #PFX400# #メンテナンス# #モンスタースポーツ# #パワーフィルター#
もっと見る
Z世代の退職理由、限界突破→電話番が「〇〇電池工場です」と応答、「採用担当が悪い定期」まで飛び出す 一言の言い間違いが、本人より採用や教育体制の問題として見られています。
もっと見る
投資判断の前に、PDFから数字を抜き出して転記する仕事はどれだけ残っているのでしょうか( Lobby Capitalが主導し、Madronaが参加。評価額は公表されていません。資金は製品拡張と、開発、顧客支援、営業などの採用へ使います。 対象は年金、大学基金、病院などの長期資金を運用するチームです。外部の運用会社から届く報告書、保有情報、過去の判断などをつなぎ、調査・報告・監視をAIエージェントへ任せる基盤を提供します。 会社の説明では、新しい資料を読み、数字を更新し、分析を準備して、何が変わったかを追跡。数字は出典へたどれ、人の判断が必要なときは担当者へ戻す設計です。 たとえば四半期の報告書を集めるだけでなく、前回から変わった点を担当者が確認できる状態にする。AIが運用判断を代行したり、投資収益を保証したりする発表ではありません。 汎用チャットへ文書を1枚ずつ渡す使い方から、機関が持つ記録をつなぎ、定期的な仕事を進める使い方へ。専門家が判断に入る前の準備を、継続して引き受ける点が面白いです。
もっと見る
AIエージェントをエンタープライズシステムに組み込むプラクティス 【セマンティックレイヤー -- 組織知識グラフと指標定義の一元化】 💡 「売上を教えて」とAIに聞いたら、税込?税抜?受注ベース?入金ベース? -- 定義が曖昧なまま回答するAIは、正確に間違える最悪のツールです。指標と組織の「意味」を一元管理し、ハルシネーションを定義済みの事実で置き換えます。 🔥 解決する課題 - 数値/用語のハルシネーション:「売上」の定義が曖昧なまま回答し実際と異なる数値を生成する - 指示語の解決不能:「私のチーム」「先月」等の曖昧な参照を正確に解決できない - 組織階層スコープの欠如:部署・プロジェクトに応じたデータ範囲の制御ができない 🏗️ 提案パターン BIのセマンティックレイヤー(dbt Semantic Layer / Cube等)でメトリクス定義を一元管理します。「売上 = 受注金額の税抜合計、期間はFY基準」のように厳密に定義します。組織グラフはSCIM/HRIS(Workday等)から同期し、「私のチームの売上」を「ユーザーの所属部署メンバーの受注金額合計」と自動解決します。自然言語の曖昧性をハルシネーションではなく定義済みの事実で解決する仕組みです。 ✅ 選定条件 - 採用する場合:分析支援・組織横断の業務・権限依存の処理、指標や用語の定義が重要な業務 - 採用しない場合:定義が固まっていない探索的な領域(定義の整備が先) ⚠️ 落とし穴 - 定義の維持コスト:メトリクス定義と組織グラフの鮮度を保つ運用フローが必要です - 定義の粒度:細かすぎると管理が破綻し、粗すぎると曖昧性が残ります。利用頻度の高い指標から段階的に整備します - 組織変更への追従:部署再編・異動が頻繁な組織ではSCIM同期の頻度とタイミングが重要になります 🛠️ 実装方針 1. dbt Semantic Layer / Cubeでメトリクス定義(「売上 = 受注金額の税抜合計、期間はFY基準」等)を一元管理し、エージェントの第一級コンテキスト源として接続します 2. Workday / OktaからSCIM同期で組織グラフ(人・部署・プロジェクト・役職・権限)をNeo4j / Amazon Neptuneに構築します 3. 自然言語→定義済みメトリクス/関係へのマッピングレイヤーを実装し、「私のチームの売上」を「所属部署メンバーの受注金額合計」と自動解決します 4. 利用頻度の高い指標から段階的に定義を整備し、定義の鮮度を保つ定期レビューの運用フローを確立します 5. 組織グラフの変更検知(部署再編・異動)をSCIM同期のWebhookで即時反映し、スコープ制御の遅延を最小化します #AIエージェント# #エンタープライズアーキテクチャ#
もっと見る
AIエージェントをエンタープライズシステムに組み込むプラクティス 【MCPゲートウェイ / ツール・フェデレーション(MCP Gateway)】 💡 「エージェント5つ × SaaS 10種 = 50本の個別統合。この掛け算地獄を解消するのがMCPゲートウェイです。」 エージェントが増え、接続先SaaSが増えるたびに統合コストが爆発します。ツール定義の乱立、スキーマの不整合、そしてSaaSのサイレント仕様変更による暗黙の破綻。これらをアーキテクチャレベルで解決します。 🔥 解決する課題 - N(エージェント)×M(SaaS)の統合コスト爆発 - 各エージェントが独自にツール定義を持つことによる重複・不整合 - ツール経由の間接プロンプトインジェクション - エージェントに見えるツールが多すぎることによる選択精度の劣化 - SaaSのサイレント仕様変更(APIレスポンス形式変更等)による暗黙の破綻 🏗️ 提案パターン 各SaaSコネクタをMCP(Model Context Protocol)サーバとして束ね、ゲートウェイがツールの発見・認可・呼び出し監査・スコープ制御を一元管理します。ツール許可リストを主体(部署×エージェント種別)で動的に絞り、エージェントに見えるツールを必要最小限にします。危険ツール(削除・送金・外部送信など不可逆操作)には承認フックを設置します。さらに、ツール定義/APIスキーマを「契約」としてバージョン管理し、定期的に実APIと突合してドリフト(乖離)を検知します。後方互換のないドリフトを検出した場合は、アラート+該当ツールの一時無効化で安全側に倒します。 ✅ 選定条件 - 採用する場合:連携SaaSが10種以上。複数エージェントが共通ツールを使う。N×M統合の複雑さに困っている。 - 採用しない場合:ツールが2〜3個固定の単機能エージェント(直結のほうが堅牢でシンプル)。依存APIが安定していて変更頻度が極めて低い環境。 ⚠️ 落とし穴 - エージェントに露出するツールが20〜30を超えると選択精度が低下します。tool RAGで意図に応じて動的に絞るか、役割別サブエージェントに分割してください。 - 契約テスト(ドリフト検知)を導入しないと、SaaS側の仕様変更に気づかず、エージェントが誤ったデータを処理し続けます。Salesforce APIのフィールド変更などは実際に起きる頻度が高いです。 - MCPサーバの認可設計を後回しにすると、全エージェントが全ツールにアクセスできる状態が放置されます。 🛠️ 実装方針 - 各SaaS(Salesforce / ServiceNow / Jira / Slack / Box 等)のMCPサーバを構築します。公式MCPサーバがあればそれを採用し、なければOpenAPI定義からツールを自動生成して自作MCPサーバとして用意します。 - MCPゲートウェイを配置し、ツールレジストリ(カタログ)を構築します。各MCPサーバが提供するツールを一覧化し、部署×エージェント種別でアクセス可能なツールを動的にフィルタリングする許可リストを設定します。 - OAuth 2.1 ベースの認可と承認フックを設定します。不可逆操作(削除・送金・外部送信)を行うツールにはP09(動的認可PDP)と連携した承認ゲートを設置し、人間の承認なしに実行されない構成にします。 - 契約テスト(Pact等)とスキーマレジストリでドリフト検知パイプラインを構築します。週次でツール定義と実APIスキーマを突合し、後方互換のない変更を検出した場合はアラート+該当ツールの自動無効化を行います。 - tool RAG または役割別サブエージェント分割で、各エージェントに露出するツール数を20以下に制御します。意図に応じて動的にツールを絞り込み、選択精度を維持します。 #AIエージェント# #エンタープライズアーキテクチャ#
もっと見る
AIエージェントをエンタープライズシステムに組み込むプラクティス 【MCPゲートウェイ / ツール・フェデレーション(MCP Gateway)】 💡 ポイント 「エージェント5つ × SaaS 10種 = 50本の個別統合。この掛け算地獄を解消するのがMCPゲートウェイです。」 エージェントが増え、接続先SaaSが増えるたびに統合コストが爆発します。ツール定義の乱立、スキーマの不整合、そしてSaaSのサイレント仕様変更による暗黙の破綻。これらをアーキテクチャレベルで解決します。 🔥 解決する課題 - N(エージェント)×M(SaaS)の統合コスト爆発 - 各エージェントが独自にツール定義を持つことによる重複・不整合 - ツール経由の間接プロンプトインジェクション - エージェントに見えるツールが多すぎることによる選択精度の劣化 - SaaSのサイレント仕様変更(APIレスポンス形式変更等)による暗黙の破綻 🏗️ 提案パターン 各SaaSコネクタをMCP(Model Context Protocol)サーバとして束ね、ゲートウェイがツールの発見・認可・呼び出し監査・スコープ制御を一元管理します。ツール許可リストを主体(部署×エージェント種別)で動的に絞り、エージェントに見えるツールを必要最小限にします。危険ツール(削除・送金・外部送信など不可逆操作)には承認フックを設置します。さらに、ツール定義/APIスキーマを「契約」としてバージョン管理し、定期的に実APIと突合してドリフト(乖離)を検知します。後方互換のないドリフトを検出した場合は、アラート+該当ツールの一時無効化で安全側に倒します。 ✅ 選定条件 - 採用する場合:連携SaaSが10種以上。複数エージェントが共通ツールを使う。N×M統合の複雑さに困っている。 - 採用しない場合:ツールが2〜3個固定の単機能エージェント(直結のほうが堅牢でシンプル)。依存APIが安定していて変更頻度が極めて低い環境。 ⚠️ 落とし穴 - エージェントに露出するツールが20〜30を超えると選択精度が低下します。tool RAGで意図に応じて動的に絞るか、役割別サブエージェントに分割してください。 - 契約テスト(ドリフト検知)を導入しないと、SaaS側の仕様変更に気づかず、エージェントが誤ったデータを処理し続けます。Salesforce APIのフィールド変更などは実際に起きる頻度が高いです。 - MCPサーバの認可設計を後回しにすると、全エージェントが全ツールにアクセスできる状態が放置されます。 🛠️ 実装方針 - 各SaaS(Salesforce / ServiceNow / Jira / Slack / Box 等)のMCPサーバを構築します。公式MCPサーバがあればそれを採用し、なければOpenAPI定義からツールを自動生成して自作MCPサーバとして用意します。 - MCPゲートウェイを配置し、ツールレジストリ(カタログ)を構築します。各MCPサーバが提供するツールを一覧化し、部署×エージェント種別でアクセス可能なツールを動的にフィルタリングする許可リストを設定します。 - OAuth 2.1 ベースの認可と承認フックを設定します。不可逆操作(削除・送金・外部送信)を行うツールにはP09(動的認可PDP)と連携した承認ゲートを設置し、人間の承認なしに実行されない構成にします。 - 契約テスト(Pact等)とスキーマレジストリでドリフト検知パイプラインを構築します。週次でツール定義と実APIスキーマを突合し、後方互換のない変更を検出した場合はアラート+該当ツールの自動無効化を行います。 - tool RAG または役割別サブエージェント分割で、各エージェントに露出するツール数を20以下に制御します。意図に応じて動的にツールを絞り込み、選択精度を維持します。 #AIエージェント# #エンタープライズアーキテクチャ#
もっと見る
# AIエージェントをエンタープライズシステムに組み込む意思決定ポイント # 汎用大モデル vs 小型FT|推論エンジンの選択 🎯 ポイント エージェントの推論エンジン、GPT-4クラスの汎用大モデルをプロンプトで制御するか、タスク特化の小型ファインチューニング(FT)モデルを使うか。「大きいほど賢い」は正しいですが「大きいほど正解」ではありません。タスクの多様性・呼び出し頻度・コスト制約・変化の速度によって最適解が変わります。多くのエンタープライズでは、まず汎用大モデルで始めてログから教師データを蓄積し、高頻度タスクから順にFTに置き換える段階的移行が現実的な最適解です🔑 📋 概要 汎用大モデル+プロンプトは、タスクが多様で事前に列挙しきれない場合、ビジネス要件の変化が速い場合、新しいツールやAPIの追加にプロンプトの変更だけで対応したい場合に強みを発揮します。小型FTモデルは、タスクが狭く定義され入出力パターンが安定している場合、呼び出し頻度が高くコスト削減が重要な場合、レイテンシ要件が厳しい場合に適しています。両者は排他ではなく、ルーター+専門モデルというハイブリッド構成で組み合わせるのがエンタープライズの標準的なアプローチです📊 🔍 意思決定のポイント 判断フローは以下の通りです。 タスクの種類が10以上あり頻繁に新しいタスクが追加されるなら、汎用大モデルを選びましょう。プロンプト変更だけで新タスクに対応できる柔軟性が決定的な優位性です。 月間リクエスト数が数十万件以上なら、小型FTのコストメリットを試算してください。API呼び出しコストだけでなく、学習コスト・GPU運用コスト・教師データ管理コストも含めた総所有コストで比較することが重要です。 レイテンシ要件がP95で500ms以内なら、小型FTを優先的に検討しましょう。大規模モデルの推論時間では達成困難なケースがあります。 教師データを数千件以上用意・継続的に更新できないなら、汎用大モデルに留めましょう。不十分な教師データでFTしても、汎用大モデルの精度を下回ります。 ビジネス要件の変更頻度が月次以上なら、再学習コストを考慮して汎用大モデルを維持する方が有利な場合が多いです⚡ 💡 要点と詳細 ハイブリッド構成の3パターンを理解してください: ルーター+専門モデル — 汎用大モデルでリクエストの意図を分類し、定型タスクは小型FTモデルにルーティングします。意図分類のコストは小さく、専門タスクの推論コストを大幅に削減できます。Slack Botが全社横断の質問を受け付け、チケット分類は小型FT、複雑な調査は汎用大モデルという振り分けです。 FTで下書き、大モデルで仕上げ — 小型FTモデルで高速に下書きを生成し、品質が重要なケースだけ汎用大モデルで検証・修正します。コストと品質のバランスを取る実用的なパターンです。 段階的移行 — 初期はすべて汎用大モデルで運用し、呼び出しログから教師データを蓄積して、高頻度タスクから順に小型FTに置き換えます。これが最もリスクが低く、多くのエンタープライズが採用するアプローチです🔄 ⚖️ トレードオフ 早すぎるFT投資は最もよくある失敗です。十分なログが溜まる前にFTモデルを構築し、精度が汎用大モデルを下回ります。最低でも3か月分のログを蓄積してからFTを検討してください。PoC段階でFTに手を出すのは時期尚早です😰 FTモデルの陳腐化も深刻です。ビジネスルールや製品ラインナップが変わったのに教師データが更新されず、古い知識で回答し続けます。再学習パイプラインの自動化は、FTモデルの運用における必須投資です。 コスト比較の誤りも多発します。API呼び出しコストだけで比較し、FTモデルの学習コスト・推論インフラ(GPU)運用コスト・教師データ管理コストを見落とします。TCO(総所有コスト)で比較しないと判断を誤ります。 品質評価の欠如も見逃せません。FTモデルの精度を定期的に評価せず、モデルドリフトに気づきません。汎用大モデルとのA/Bテストを継続的に行う仕組みが品質保証の基盤です⚠️ 🛠️ ユースケース 全社ヘルプデスクエージェント(Slack Bot):IT・総務・人事・経理の幅広い問い合わせに対応。汎用大モデルで意図を分類し、チケットカテゴリ・優先度の自動振り分け(月間数万件)は小型FTにルーティング。複雑な調査や新しい種類の質問は汎用大モデルで処理します📚 チケット分類エージェント(Zendesk連携):毎日数万件のサポートチケットのカテゴリ・優先度・担当チームを自動分類。呼び出し頻度が高く入出力パターンが安定しているため、小型FTが最適。教師データは月次で更新し、汎用大モデルとのA/Bテストで精度を監視します🏢 商品レビュー分析エージェント(Shopify連携):商品レビューの感情分析とタグ付けを小型FTでバッチ処理。レビューから得られた顧客インサイトの要約は汎用大モデルで生成。定型的な分類はFT、創造的な分析は汎用大モデルという明確な役割分担です🔧 実践のコツ:「まず汎用大モデルで始めて、ログを溜める」が鉄則です。3か月分以上のログから高頻度タスクを特定し、教師データを構築し、FTの効果を汎用大モデルとのA/Bテストで検証してから置き換えてください。FTへの移行はデータドリブンで判断しましょう💪 #AIエージェント# #エンタープライズアーキテクチャ#
もっと見る