# Elasticsearchの機能と実践的な使い方 🌊 もう` 🏷️ タイトル: Data stream(追記型時系列データの論理ストリーム) 🔗 URL: 📘 概要 データストリームは、追記型(append-only)の時系列データ格納に最適化された複数インデックスを、1つの名前で扱う抽象レイヤーです。ログ・イベント・メトリクスのように次々と流れ込むデータに向いており、利用者は隠された「バックインデックス」群を意識せず、単一のリソース名へ読み書きできます。 ⚙️ 機能の説明 ・データストリームの実体は、自動生成される複数の隠しバックインデックスです。命名は`.ds-<データストリーム名>-<>-<世代>`で、世代は`000001`から始まる6桁ゼロ詰めの整数です(例: `.ds-logs-myapp-prod-2026.06.10-000001`)。 ・書き込みは常に最新の「ライトインデックス」1つだけが受け付けます。古いバックインデックスへは直接書き込めません。 ・検索は自動的にすべてのバックインデックスへルーティングされ、データセット全体を横断して問い合わせられます。 ・各ドキュメントには`date`または`date_nanos`型の`@timestamp`フィールドが必須です。テンプレートに無ければ既定の`date`マッピングが自動適用されます。 ・利用には`data_stream`定義を含むインデックステンプレートが必須で、マッピング・設定・ライフサイクルポリシーをここで定義します。1つのテンプレートを複数のデータストリームで共有できます。 ・年齢やサイズの閾値に達すると「ロールオーバー」が走り、新しいバックインデックスが作られてライトインデックスが切り替わります。これはILMやデータストリームライフサイクルで自動化されます。 🛠️ 実践的な使い方 まず`data_stream`を含むインデックステンプレートを用意します。 `PUT _index_template/logs-myapp-template` `{ "index_patterns": ["logs-myapp-*"], "data_stream": {}, "template": { "mappings": { "properties": { "@timestamp": { "type": "date" } } } } }` あとはアプリから常に同じ名前へ書くだけです。 `POST logs-myapp-prod/_doc` `{ "@timestamp": "2026-06-10T09:00:00Z", "level": "INFO", "message": "started" }` 💡 ユースケース アプリケーションログを`logs-myapp-prod`というデータストリームへ書き込み、バックインデックスのロールオーバーは自動管理に任せる構成が定番です。アプリ側は日付別インデックス(` ⚠️ 注意点 ・バックインデックス名は内部実装の詳細です。restoreやshrinkで変わることがあるため、名前から日付などのロジックを組まないでください。 ・頻繁に同じIDで上書き更新(last-write-wins)したい用途には不向きで、その場合は通常のインデックスやエイリアスを使います。 ・更新・削除は`update by query`・`delete by query`など専用APIを使い、ライトインデックス以外への直接書き込みはできません。 ・データストリームが使用中のインデックステンプレートは削除できません。 #Elasticsearch# #データストリーム#

# Cursorの機能と実践的な使い方 🤖 「authをJWTに置換して」と一言頼むだけで、検索から複数ファイルの編集、テスト実行まで一気に走る。それがCursorのAgentです。 🏷️ タイトル: 自律エージェント(Cmd+I) 🔗 URL: 📘 概要 AgentはCursorのAIアシスタントで、`Cmd+I`でサイドペインを開いて起動します。指示(プロンプト/ルール)・ツール・モデルの3要素を組み合わせ、コードベースを横断しながらタスクを自律的に進めます。Cursor側でフロンティアモデルごとにツールの使い方を最適化しているのが特徴です。 ⚙️ 機能の説明 Agentは多彩なツールを呼び出してタスクをこなします。ツール呼び出し回数に上限はありません。 ・セマンティック検索でインデックス済みコードを意味ベースで探索 ・ファイルの読み書き、ディレクトリ走査、キーワード検索 ・ターミナルコマンドの実行と出力の監視 ・Web検索、画像の読み取り(png/jpg/gif/webp/svg)、UIモックの画像生成 ・ブラウザ操作によるスクリーンショットや視覚的な動作確認 ・必要に応じてユーザーへ確認質問をしつつ作業を継続 🛠️ 実践的な使い方 ・`Cmd+I`でAgentを開き、自然文でゴールを伝えます。例:「認証をセッションからJWTに置き換えて、関連テストも通して」 ・作業中でも指示を積めます。`Enter`はキューに追加(現在のタスク完了後に実行)、`Cmd+Enter`はキューを飛ばして即時送信です。キューはドラッグで並べ替えできます。 ・大きな変更の前にチェックポイントが自動保存されます。チャットのタイムラインのチェックポイントをクリックするとその時点をプレビューでき、「Restore Checkpoint」で全変更ファイルを巻き戻せます。 ・ターミナルのプロファイルは`Cmd/Ctrl+Shift+P`の「Terminal: Select Default Profile」で指定します。 💡 ユースケース 「authをJWTに置換」と依頼し、Agentが検索で実装箇所を特定 → 複数ファイルを編集 → テストを実行して結果を確認、という一連を自走させる使い方が王道です。途中で「ログ出力も追加して」とキューに積んでおけば、現在の作業完了後に続けて処理してくれます。 ⚠️ 注意点 チェックポイントはローカル保存でGitとは別物です。あくまでAgentの変更を巻き戻す用途に限り、恒久的なバージョン管理は必ずGitで行ってください。ツール呼び出しに上限はないため、破壊的なターミナル操作には目視確認を挟むと安全です。 #Cursor# #AIコーディング#

FAN BOXを購読されている方々へ⚠️⚠️⚠️ この度アカウントが運営により一時的に停止になってしまいました。 今運営に異議申し立てをしていますがもしかしたら復旧は難しいかもしれません。 理由は明確ではないですが、Fantiaの2000円プラン同等の内容が規定に引っかかったのではないかと考えています。 今後アカウント復活してもFantiaの2000円プラン同等の内容ではFAN BOXでは投稿出来ないのでご了承下さい🙇‍♀️ 対策として一時的に新しいFAN BOXのアカウントを作成しています。 今月の1000円プランまでは7月末まで無料公開していますദ്ദിᐢ- ̫-ᐢ₎✨ 2000円プラン購読されていた方はFantiaの無料チケットを配布していますのでFantia内のDMにてメッセージを下さればお配りします！ しっかり購読して下さっている方々には損は絶対させない精神で活動しているので安心してくださいね！ その他ご質問があればFantia盧DMにてメッセージを下されば嬉しいです。 新しいFAN BOXのアカウント 👇🏻👇🏻👇🏻👇🏻👇🏻👇🏻👇🏻👇🏻 I published a Fantia 2000 yen plan on FAN BOX and my account was suspended due to being caught by the terms and conditions. We are sorry for the inconvenience as we have contacted the management and our followers have been forcibly deactivated. Please be advised that even if your account is restored, you will not be able to post Fantia 2000 yen plans in FAN BOX in the future due to our terms and conditions. If you were enrolled in the July Fan Box 2000 yen plan, please send us a message at Fantia to receive a one-month free ticket for the Fantia 2000 yen plan as an apology.

🌍 衛星画像では「小さすぎて見えなかった」生垣や石垣。それをAIで数えられるようになると、農地を奪わずに森を増やせる道が見えてきます。 📰 タイトル: From pixels to planning: Earth AI for nature restoration 🔗 URL: 💡 概要 Google Researchが、高解像度の衛星画像を「実行可能なベクトルデータ」に変換するEarth AIの取り組みを公開しました。イングランド全域13万km²超を対象に、生垣・石垣・小さな雑木林を一つひとつの地図要素として数え上げたデータセットを一般公開しています。 🔍 解決する課題 気候変動対策の森林拡大は、食料を支える農地と土地を奪い合います。一方、生垣や防風林といった細かな木本性の要素は、農地を減らさずに炭素貯留と生物多様性を高められますが、小さすぎて従来の衛星検出や国家森林調査では捉えられませんでした。「測れないから管理できない」状態だったのです。 🛠 方法論と提案手法 ・3億枚超の衛星画像で事前学習したVision Transformer（ViT）基盤モデルを、約247km²の注釈データで微調整 ・サブメートル級の画像と1m解像度のLiDARを組み合わせ、地表の境界線と立体的な樹木を区別 ・Polsby-Popperのコンパクトネススコアを使い、0.5未満を生垣などの線状要素として自動分類 ・Google Earth Engine上で数千のSentinel-2セルを並列処理して大規模化 📊 ユースケース / 実績 数百万の要素のベクトルデータを生成し、Earth Engineで公開。林間放牧（シルボパスチャー）や農林複合（アグリシルビカルチャー）の支援、環境施策のリーケージ特定など、現場の意思決定に直結する使い方が想定されています。 #EarthAI# #リモートセンシング#