新着 の記事一覧

この記事は GMOインターネットグループ Advent Calendar 2025 7日目の記事です。GMOペイメントゲートウェイの小西です。本日は皆さまをAWS認定の沼にお誘いすべく、AWS認定試験と全冠取得についてご紹介します。 はじめに みなさん、"AWS認定試験"を受けたことはありますか？ 最近では「未経験者がxx日でAWS資格取得」「xxヶ月で全冠達成」など、様々な体験記がネットに公開されています。年々盛り上がっているという印象です。実は私も数年前にAWS認定をすべて取得し、今でも資格を更新し続けています。 ということで、今回は皆さまをAWS認定の沼にお誘いすべく、体験談を交えながらご紹介します。 AWS認定資格とは AWS認定とは、Amazon Web Service (AWS) が提供する公式の資格制度です。さまざまな分野、難易度の資格があり、2025/12 時点では13種類あります。かなりの頻度で試験問題が改定されたり、資格の種類自体が増えたり減ったりします。そしてさらに、資格の有効期間が3年となっており、1回取ったら終わりという資格ではないのです。 なお、AWS認定資格をすべて取得することを「全冠」と呼んでいます。 AWS公式サイト「AWS 認定」に関連情報がまとまっていますので、併せてこちらもご参照ください。 SKill Builderの試験の準備 (https://skillbuilder.aws/learn#exam-prep) より一覧を抜粋 AWS認定試験一覧表 AWS認定カテゴリ(難易度)略称受験料時間Cloud PractitionerFoundational(初級)CLF15,000円90分AI PractitionerFoundational(初級)AIF15,000円90分Solutions ArchitectAssociate(中級)SAA20,000円130分Machine Learning EngineerAssociate(中級)MLA20,000円130分CloudOps EngineerAssociate(中級)SOA20,000円130分Data EngineerAssociate(中級)DEA20,000円130分DeveloperAssociate(中級)DVA20,000円130分Solutions ArchitectProfessional(上級)SAP40,000円180分DevOps EngineerProfessional(上級)DOP40,000円180分Generative AI Developer※1Professional(上級)AIP※1※1Machine Learning ※2Specialty(専門)MLS40,000円180分Advanced NetworkingSpecialty(専門)ANS40,000円170分SecuritySpecialty(専門)SCS40,000円170分 ※1) 2025/11/18からベータ版試験の予約開始、2025/12/16からベータ版受験可能。ベータ版の説明は割愛。※2) 2026/3/31に廃止予定。 AWS認定資格を"全冠"するメリット 全冠を達成した私だからこそ言えることがあります。一部の資格を取得するのであれば、全部取り切ってしまった方がいいのです。(あくまでも個人的な感想です。) ここからは、全冠を達成して感じたメリットをご紹介します。 メリット1：対外的なアピールに繋がる "全冠"となるとただ者ではない感じがしませんか？全冠すると周囲から認知されやすくなります。 私自身、全冠をアピールしたからこそ、現在CCoEとして勤務できています。会社の状況やタイミングによるものではありますが、他の人よりは降ってくるチャンスが多い、かつ、そのチャンスを掴める可能性が高くなるのではないでしょうか。 メリット2：視野が広がる 全冠となると自分の専門外の分野も学習しなければなりません。 普段業務では扱わない領域にも手を広げる必要があります。全分野を学ぶことで、AWSを全体的・体系的に理解することができ、状況を俯瞰して考えられるようになります。 メリット3：全冠ならではの表彰や特典がある AWS全冠者を表彰するAWS公式の表彰制度があります。応募するには企業の条件等もありますので、詳しくはクライテリアをご参照ください。(2026年分はこちら：2026 Japan All AWS Certifications Engineers クライテリアのお知らせ) 表彰されずとももらえる特典もあります。今年6月に幕張メッセで開催されたAWS Summit 2025では、全冠者に金色のジャケットが配られていました。 メリット4：個々で取得するよりは労力が少ない 出題範囲が被っている試験が多いです。ある程度知識が固められると、あとは問題に慣れるだけで十分だったりもします。想像よりもトータルの勉強時間は少なくなります。走り抜けてしまう方が労力は少なく、しかしメリットは大きいのです。 全冠は短期決戦 AWS認定試験は一部試験範囲が被っています。何か試験を受けるのであれば、最後まで走り抜けてはいかがでしょうか。 ということで、試験範囲の被りも踏まえたおすすめの取得順をご紹介します。ポイントは、SAAの段階で知識を固めきること、範囲が被っている試験はまとめて勉強することです。 おすすめの取得順番表 順番試験所感1Cloud Practitioner(CLF)ますは基礎。とにかくAWSサービスの暗記から。2Solutions Architect(SAA)ここで知識固め。SAAが一番難しかったという声も。ここまで行けば山を超えたも同然 ?!3CloudOps Engineer(SOA)SAAの内容から運用系サービスをおさらい。4Developer(DVA)SAAの内容から開発系サービスをおさらい。5Data Engineer(DEA)SAAの内容からデータ連携や分析系のサービスを追加で覚える。(後半のAI/MLのタイミングで受けるでも良いが、個人的にはSAAのアーキテクトに近いように感じる。)6Solutions Architect -Pro(SAP)SAAの内容から全体統制系のサービスを追加で覚える。問題文が長く根気との戦い。7Security(SCS)セキュリティ専門の試験。SAPがいければ大丈夫。8DevOps Engineer(DOP)SOA+DVAの理解で大丈夫。問題文に慣れていく。9Advanced Networking(ANS)ネットワークの専門試験。他の試験との被りがほぼなく、ANS用の対策が必要。(個人的にはこれがラスボス！)10AI Practitioner(AIF)ここからはAI/ML系の試験対策。まずは暗記から。AI/MLの基礎的な概念も理解しておく。11Machine Learning Engineer(MLA)AIFの知識をベースとして問題集をやりこみながら理解を深める。12Machine Learning (MLS)※2026/3/31廃止予定。AWSに関する設問だけではなく機械学習そのものを問われることが多い。機械学習の概念、用語、手法についても一度さらっておく。13Generative AI Developer(AIP)※2025/11/18ベータ版試験予約開始、2025/12/16以降受験可能。 なお、全冠はしないにしても、自分の職種に関連する資格は一通り受けておきたいという方は、AWS公式サイト「AWS 認定」にある"AWS認定パス"もご参照ください。 試験対策方法 ここからは、試験対策についてご紹介します。すべてをやり切る必要はなく、ご都合に合わせて取捨選択いただければと思います。 1. 試験予約 まずやることは、試験の予約を入れることです。試験日が決まっていないまま勉強を始めると、ダラダラと勉強をしてしまう気がしませんか？ AWS公式サイト「AWS 認定試験に向けた準備」から予約ができます。試験の予約にはアカウントが必要です。個人で利用される方はBuilder IDを登録しておきましょう。 AWS認定試験に向けた準備 (https://aws.amazon.com/jp/certification/certification-prep/) より、試験のスケジュールを立てる 2. 試験ガイドの確認 「AWS 認定試験に向けた準備」で試験に関する情報が見れます。まずは敵を知るところから。2、3分でさっと目を通すくらいで十分です。特に出題範囲の内のAWSサービスと機能はよく確認しておきましょう。 AWS認定試験に向けた準備 (https://aws.amazon.com/jp/certification/certification-prep/) より、試験を選択する 各試験のページより、試験ガイドを確認する なお、AWS公式の学習コンテンツ「Skill Builder」でも試験ガイド(Exam Prep Overview)が確認できます。Skill Builderの方が丁寧です。Builder IDでサインインできます。 Skill Builderの試験準備カテゴリ (https://skillbuilder.aws/learn#exam-prep)より、各試験の試験ガイドを確認する 3. 参考書や教材 本格的に勉強を進めます。まずは大枠をインプットします。以下のどれか1つをやっておくと安心です。私は参考書を1週間程度でパラパラと読み終える → 残りは問題集を解きながらわからなかったサービスをBlackBeltで深堀り、としていました。 ● 参考書 ：全体を掴むには参考書が一番です。どの本でも扱っている内容は同じであるため、好きな本を選ぶで構いません。なお、参考書が扱っている試験のバージョンにはご注意ください。 ● Skill Builder ：AWS公式の学習コンテンツです。無料版でもある程度勉強できます。 ● BlackBelt ：AWS公式のサービス別資料集です。特定のサービスについて深堀ができます。なお、AWS認定に限らず、業務で特定のサービスを調べたいときにも重宝しています。 BlackBelt (https://aws.amazon.com/jp/events/aws-event-resource/archive/) より、サービスを検索する 4. ハンズオン 具体的なイメージを積み上げていきます。自分のAWSアカウントを1つ持っておくとよいかと思います。以下の教材がおすすめです。 ● Udemy ：【SAA-C03版】これだけでOK！ AWS 認定ソリューションアーキテクト – アソシエイト試験突破講座 がおすすめです。時間はかかりますがこれだけで一通り学べます。Udemyはセール期間が狙いめです。 ● Hands-on for Beginners ：AWS公式のハンズオン資料集です。特定のサービスをピックアップして理解を深めるもので、体系的な理解には向きませんが、簡単に試せるのでオススメです。 5. 問題集 出題形式にも慣れていきます。なお、とにかく試験に受かるだけでいいという方は1~5を飛ばして問題集だけでも何とかなります。(おすすめはしません。) ● Skill Builder ：無料版の公式練習問題集や有料版の公式模擬試験もあります。AWS公式のものなので一度利用しておくと安心です。 ● Udemy：模擬試験があります。実試験よりも難易度が若干高いものもあり、点数が良くなかったからと言って落ち込まないようにしましょう。試験前の最終チェックに利用するのがおすすめです。 未経験でも全冠はできる。ただし... AWS未経験でもAWS全冠はできます。実は私も、全冠を達成した当時はオンプレミスを担当しており、AWSの業務経験はありませんでした。 しかしながら、資格を持っていることと仕事ができることは全くの別ものです。私自身、全冠後に晴れてAWSの業務に就けたものの、AWS全冠者として求められるレベルの高さと、自分の経験の浅さのギャップにかなり苦しみました。この点、未経験の方は覚悟を持っておいた方が良いと考えます。その一方で、未経験でもAWSの世界に飛び込めたのは全冠のおかげでもあります。 業務でもすぐに馴染めるように、未経験の方にはハンズオンがおすすめです。AWSの具体的なイメージを積み上げておきましょう。 全冠した後の話 ここからは、全冠を達成した後のお話をさせてください。 社外にも輪を広げる 全冠してからというもの、自分にも少し自信がつき、社外にも目を向けられるようになりました。AWSの公式イベントはもちろんのこと、AWSのユーザコミュニティ(JAWS)にも参加し、社内だけではなく社外の方との交流も大切にしています。 AWSのアップデートに注目する 日々発表されるAWSのアップデートも追うようにしています。AWSは一度身に着けたら終わりではなく、日々状況が変化しています。いつでもAWSの最前線にいれるよう、知識のアップデートは欠かせません。 業務を通して経験を積む 業務を通してAWSの知識をブラッシュアップしています。AWSの全体感を掴んだことにより"何がわからないか" がわかるようになりました。日々勉強なのは今でも変わりません。 AWS認定を受ける目的を忘れずに AWS認定を受け続けると、ふと忘れてしまうことがあります。 「自分は何のためにAWS認定を取得しているのか？」 です。 何度も受験していると "AWS認定に受かること" がゴールにすり替わってしまうことがあります。しかし、本当のゴールはその先にあるはず、その先に目指しているものによって勉強方法やモチベーションが変わってきます。 しかしながら、全冠を達成するのであれば、業務範囲外の分野に対しては"合格さえすればよい"と割り切ることも、ある意味では必要になってきます。自分の本当のゴールは何なのかを念頭に置きつつ、割り切るときには最大限手を抜きつつ、走り抜けていきましょう。 ちなみに、私が全冠を目指したのは "AWSの業務がしたい" からだったのですが、全冠を急ぐあまりいつの間にか "AWS認定に受かること" がゴールにすり替わりました。"合格さえすれば" と割り切ってしまうことが多く、勉強も試験対策に偏り、実力が伴わぬまま全冠の達成です。今でも自分の力不足に苦労しています。 とはいえ前の章で述べたように、全冠をしてからは想像もしていなかったくらいAWSに対してアクティブに活動できています。全冠をしたメリットは絶大です。今後もさらに業務やハンズオンを通して経験を積み、「AWSのことなら、まず私に聞いて！」と胸を張って言えるような、圧倒的なAWSのエキスパートを目指しています。 まとめ 今回はAWS認定と全冠への道をざっくりとご紹介しました。私個人の目線でのご紹介でしたが、その他さまざまなサイトで認定試験関連の記事が上がっているので、ぜひ他の方の記事も参考にしてみてください。 まだまだAWSは盛り上がっています。早い段階で全冠を取得し、AWSを一緒に楽しみましょう！ 最後までお読みいただきありがとうございました。

この記事はGMOインターネットグループ Advent Calendar 2025 6日目の記事です。Python を使って光学ドライブのトレイを動かすことを通じて、ローレイヤの世界に触れてみましょう。 はじめに GMOサイバーセキュリティ byイエラエの三村です。普段は主に組込機器の脆弱性診断業務や教育などを行っています。 この記事では、セキュリティ診断などでも利用する PyUSB を用いて、光学ドライブのトレイを動かすことを通じて、USBのローレベルの通信と SCSI の通信を軽くご紹介出来たらと考えています。 USB と PyUSB 何かの機器をパソコンに繋ぐときやスマホを充電するとき、さまざまなタイミングでよく使われる身近な端子に USB (Universal Serial Bus) があります。 USB は、パソコンと周辺機器を接続するための一般的なインタフェースのひとつです。USB を用いてマウスやキーボード、オーディオ機器やディスプレイまで様々な機器を接続することができます。 機器と同じように USBの通信では、USBのプロトコルに沿った通信の上で、それぞれの機器の種類にあわせた様々な通信が行われています。その中身には USB-Ethernet アダプタであれば Ethernet、USBメモリであれば SCSI というように、他のメディアで長く使われてきたプロトコルも使って通信が行われます。 そして PyUSB は Python を使ってお手軽に USB 機器とおしゃべりが出来るライブラリです。USB機器と原始的なおしゃべりをすることができ、機器に送るバイナリデータを Python で作って機器に送信したり受信することができます。開発テストやセキュリティ試験など様々な場所でも利用されるライブラリです。 つまり、PyUSB を使って USB のプロトコルとその上に乗る別のプロトコルに合わせたデータを作って送信すれば、USBを通して別のプロトコルを利用する機器とおしゃべりすることも出来るのです。 USBってとても万能ですよね。 トレイを出したい USBの上で別のプロトコルが流れる例として分かりやすいものとして、USB の「マスストレージ」の通信があります。マスストレージにはハードディスクやSSD、そしてこれから話をする光学ドライブなどがあります。 光学ドライブは使われる機会が少なくなった機器ではありますが、他のマスストレージと異なり、「取り出し」操作を行うと写真のようにディスクを載せるトレイが大きく飛び出してくるという特徴があります。 機器を制御して大きく機器が動けば喜びもひとしお、ということで今回はこれを制御していきます。 USB の通信のざっくり理解 今回の内容の理解に必要なUSBの知識は下記の３つです。 ベンダーID / プロダクトIDエンドポイント転送モード（バルク転送） なお以降の説明は必要最小限の内容に留めています。ご了承ください。 ベンダーID / プロダクトID 機器を個体識別するために利用出来る、機器に予め設定されている ID になります。今回は送信する機器を指定するために必要になります。 Windows であればデバイスマネージャーのハードウェアIDで、Linux であれば lsusb コマンドで確認出来ます。 （Windows でのデバイスマネージャーの画面例。 VID がベンダーID, PID がプロダクトID になります。この例ではベンダーIDが0x0408, プロダクトID が 0x5265 になります） エンドポイント USBはデバイス側の「エンドポイント」とよばれるバッファに対して、読み書きを行うことでデータのやり取りを行います。 エンドポイントは番号を付けて複数用意することができ、また各エンドポイントは単方向で用いられます。インターネット通信におけるポート番号のようなものと考えても良いでしょう。 今回の光学ドライブでは、ホストがデータを書き込む用のエンドポイント (Bulk Out) と、ホストがデータを読み取る用のエンドポイント (Bulk In) の２つが用意されています。例として光学ドライブに対して何らかのコマンドを送る場合は次のような流れで行われます。 （ホスト）光学ドライブのエンドポイント (Bulk Out) に対してデータを書き込む。（光学ドライブ）自身のエンドポイント (Bulk Out) に書き込まれたデータを読み取り、処理をする。（光学ドライブ）結果を自身のエンドポイント (Bulk In) に書き込む。（ホスト）光学ドライブのエンドポイント (Bulk In) を読みに行き結果を得る。 転送モード（バルク転送） USBは様々な転送モードを持っています。USBで利用可能な転送モードは下記の４つです。 コントロール転送バルク転送インタラプト転送アイソクロナス転送 今回はこのうち「バルク転送」というある程度まとまった量のデータを転送するためのモードを使って通信を行います。各モードの詳細は今回の記事では割愛します。気になる方は調べてみてください。 PyUSB でおしゃべりをする 今回は PyUSB を用いて下記のような通信を行います。 SCSI の仕様にそって、「START/STOP UNIT」コマンドを用いてディスクを取り出す (Eject) 指示が入ったデータを作成するUSB の Mass Storage Class の仕様にそって、 Command Block Wrapper のデータを作成する。このとき CBWCB パラメータに先述の1で作成したデータを格納するUSBデバイスの bulk-out に先述の2で作成したデータを書き込む機器側でデータが処理され、トレイが排出される それでは実際にやってみましょう。 1. PyUSB をインストールする pip コマンドで簡単にインストールが可能です。 pip install pyusb また、RedHat / Fedora では "python3-pyusb", Debian / Ubuntu では "python3-usb" というパッケージでも提供されています。 Windows のみ / Zadig を用いてドライバをインストールする Windows では、そのままでは PyUSB で通信をすることが出来ません。Zadig (https://zadig.akeo.ie/) というソフトを用いてドライバをインストールする必要があります。 1. Options から "List All Devices" にチェックを入れる 2. 操作したい機器 (今回は "USB-SATA Bridge") を選択し、Driver が "libusbK" になっていることを確認して、"Replace Driver" を押下 処理が完了すると、Windows 側からの光学ドライブの認識が外れて、PyUSB から自由に制御出来る状態になります。 2. 仕様書を読む 光学ドライブに送るデータを作成するために下記に示す2つの仕様（SCSI と USB の Mass Storage Class [Bulk Only Transport] ）の理解が必要になります。 SCSI / START STOP UNIT コマンド Disc の取り出し操作は "Start Stop Unit" コマンドを利用して行います。下記に示す構造に沿ってデータを作成し、後述する "Command Block Wrapper" を用いて光学ドライブに送付すればOKです。 START STOP UNIT コマンド (筆者一部加筆・修正)（横方向はビット、縦方向はバイトです） 765432100OPERATION CODE (1Bh)1ReservedIMMED2Reserved3Reserved4ReservedLOEJSTART5Reserved 各パラメータの説明は下記のとおりとなります OPERATION CODE : START STOP UNIT コマンドを示す 0x1B を指定します。IMMED : 即時実行するかを指定します。今回は不要のため「0」を指定します。LOEJ : LOad / EJect のフラグです。取り出しを行うため「1」を指定します。START : 今回のケースでは 「0」を指定します。 なお上記の表で Reservedとなっている部分は 0 を指定してください。また4バイト目については LOEJ のみを 1 とすればよいため 0x02 を指定すれば問題ありません。 (Reference : SCSI Commands Reference Manual,p231, https://www.seagate.com/files/staticfiles/support/docs/manual/Interface%20manuals/100293068j.pdf ) USB / Command Block Wrapper (CBW) 今回の例では USB として光学ドライブに命令を送信するために Mass Storage Class の Bulk-Only Transport の機能を利用します。下記に示す構造に沿ってデータを作成して、光学ドライブに送信すればOKです。 データの仕様は下記のとおりです。 Command Block Wrapper (筆者一部加筆)（横方向はビット、縦方向はバイトです） 765432100~3dCBWSignature4~7dCBWTag8~11dCBWDataTransferLength12bmCBWFlags13ReservedbCBWLUN14ReservedbCBWCBLength15~30CBWCB 各パラメータの説明は下記のとおりとなります dCBWSignature : 送信したデータが Command Block Wrapper であることを示す値。リトルエンディアンで 0x43425355 の固定値となります。dCBWTag : 送信したコマンドを識別するためのタグになります。実行結果を取得した際にどのコマンドに対する結果なのかをこの値で判断します。今回はどのような値を入れても構いません。dCBWDataTransferLength : データの送受信を行う場合に予想されるデータのサイズを設定します。今回はディスクの取り出しのみであるため「0」を設定します。bmCBWFlags : dCBWDataTransferLength に紐付いたデータの送信方向を指定します。今回は「0」を設定します。bCBWLUN : Logical Unit Number (LUN) の指定が必要な場合に指定します。今回は「0」を指定します。bCBWCBLength : 送信される SCSI のコマンド列が何バイトかを指定します。今回は "START STOP UNIT"コマンドを送るのでそのデータ長である「6」を指定します。CBWCB : SCSI のコマンドのデータを設定します。 (Reference : Universal Serial Bus Mass Storage Class, Bulk-Only Transport, Revision 1.0 https://www.usb.org/sites/default/files/usbmassbulk_10.pdf) 3. 送る 先述までの仕様にそって、Python でデータを作成・送付するスクリプト例を下記に示します。Vendor ID や USB の Endpoint については、お使いの機器にあわせてください。 import usb import usb.core import struct # 操作を行いたいデバイスにあわせて設定を変更する。 # ※今回サンプルとして用いた機器の Vendor ID は 0x67B、プロダクトID は 0x2773 でした。 dev = usb.core.find(idVendor=0x67B,idProduct=0x2773) dev.set_configuration() # --- # ※今回のサンプルの機器では dev.get_active_configuration() 実行時に # 下記に示すように [Bulk IN], [Bulk Out] の順番で情報が得られたため # [0] を ep_in, [1] を ep_out として取り扱っています。 # # 出力例) # print(dev.get_active_configuration()) # # ENDPOINT 0x84: Bulk IN =============================== # bLength : 0x7 (7 bytes) # (省略) # ENDPOINT 0x1: Bulk OUT =============================== # bLength : 0x7 (7 bytes) # (省略) # # 誤作動がないよう、試す場合は下記コマンドを実行して # どのような順番で主力されるかを念のためご確認ください。 # # print(dev.get_active_configuration()) # --- # Endpoint の情報を求める ep_in = dev.get_active_configuration()[(0,0)][0] ep_out = dev.get_active_configuration()[(0,0)][1] # SCSI (Command Block) のデータを作る scsi_data = struct.pack(">B",0x1B) # Operation Code (1Bh = Start stop unit) scsi_data += struct.pack(">BBB",0,0,0) # Reserved x3 scsi_data += struct.pack(">B",2) # LoEJ = 1, Start = 0 scsi_data += struct.pack(">B",0) # Reserved # USB Mass Storage Class / Command Block Wrapper のデータを作る usb_data = b"USBC" # dCBWSignature usb_data += struct.pack("<L", 0x11111111) # dCBWTag usb_data += struct.pack("<L", 0) # dCBWDataTransferLength usb_data += struct.pack("<B", 0) # bmCBWFlags usb_data += struct.pack("<B", 0) # bCBWLUN usb_data += struct.pack("<B", len(scsi_data)) # bCBWCBLength usb_data += scsi_data # CBWCB (SCSI DATA) # Padding を挿入 (CBWCB のブロックサイズにあわせて SCSI のデータが全体で 16bytes になるように) usb_data += b"\x00" * (16-len(scsi_data)) ep_out.write(usb_data) ep_in.read(size_or_buffer=32,timeout=10000) これを実行すると、ドライブからいい音がしてトレイが飛び出してきます。 まとめ この記事ではUSB とその上で通信される SCSI について、自分でパケットを作成して通信する例を紹介しました。 USB メモリや外付けハードディスクなどもこのような SCSI コマンドで通信されています。仕様書を見て送信データを書き換えて、ストレージ内のデータの読み出しにチャレンジしてみるのもよいかもしれません。 今後もこのような形で、ローレイヤーの世界を紹介して、みなさまの視野とワクワク感を増やすことをよりご紹介出来たらと思います。最後までお読みいただきありがとうございました！

この記事は GMOインターネットグループ Advent Calendar 2025 5日目の記事です。こんにちは！GMOインターネット株式会社の杉浦巧です。今回は最近触って感動したmarimoに関して紹介します！ はじめに Python で分析や可視化をするとき、セルごとに実行できる Notebook 形式は本当に便利ですよね。みなさんは普段、どの Notebook を使っていますか？多くの方は Jupyter や Google Colab を使っているのではないでしょうか。 そんな中、最近 “次世代ノートブック” と呼ばれる marimo を触ってみたところ、あまりにも快適で驚きました。「え、もう Jupyter に戻れない…」と本気で感じるレベルです。 marimoとは何か？ marimo は オープンソースの Python ノートブック で、従来のノートブックが抱えていた “再現性” や “バージョン管理のしづらさ” を解決することを目的に作られたツールです。 一言でいえば、 「ノートブックの手軽さ」と「ソフトウェアとしての堅牢さ」を両立させた新しい開発体験を提供してくれる存在です。 公式サイトとリポジトリのリンクを以下にまとめておきます。 https://marimo.io/https://github.com/marimo-team/marimo https://www.youtube.com/watch?v=3N6lInzq5MI marimoのここがすごい！！ セルの依存関係の自動管理 marimo はノートブック全体を「データフローグラフ」として扱い、あるセルを変更すると、そのセルに依存する部分だけが自動で再実行されます。そのため「どのセルから実行するべきか」「実行順がバグって壊れた」という Notebook 特有の悩みがなくなります。常に一貫した状態を保てるのが大きな魅力です。 リアクティブ性 コードや値を変更すると、グラフやUIが即座に更新されます。“実行ボタンを押す” という概念がほぼ不要で、リアクティブアプリのような体験が得られます。UIパーツとコードも自動で同期するため、手間なくインタラクティブな分析環境を構築できます。 Gitフレンドリー marimo のノートブックは .py ファイルとして保存されるため、Git でのバージョン管理が非常にしやすいです。差分が綺麗に表示され、レビューやマージがスムーズに行えます。従来の Notebook にありがちな「出力混ざり問題」も回避できます。 DBフレンドリー SQL の実行、データフレーム操作、データベースとの接続が自然に記述できるようになっています。データ分析〜集計〜可視化までの一連の流れを marimo 上で完結させることができ、データ関連の作業と相性が非常に良いです。 AIネイティブな設計 marimo は AI 活用を前提にした設計になっており、AI の提案によるコード作成、Chat UI の埋め込み、LLM と連動したインタラクティブアプリの構築などが可能です。Notebook と AI の組み合わせが自然に扱えるのは大きな強みです。 テスト可能性 marimo のノートブックは Python モジュールとして import できるため、pytest などを使ったユニットテストを簡単に書けます。Notebook を “本番品質” に寄せるための仕組みが初めから用意されている点が特徴的です。 デモ 今回は marimo を立ち上げて BigQuery と連携し、データを可視化するところまでを紹介します。 インストール&起動 Python環境があればpipでインストールするだけで、簡単に利用できます。 pip install marimo uvやconda環境の方は以下で追加します。 uv add marimo or conda install -c conda-forge marimo インストールが完了したら、marimo_notebook を起動してみます。自動的に .py ファイルが作成されるので、任意の名前を付けてください。 marimo edit my_notebook.py 起動が完了すると、次のように URL が出力されます。クリックするか、ブラウザにコピーしてアクセスしてください。 (marimo-sample) marimo-sample$ marimo edit my_notebook.py Edit my_notebook.py in your browser 📝 ➜ URL: http://localhost:2718?access_token=q3546u57ektyjrt4u57eiyj リンクに遷移して以下のような画面になっていれば起動成功です。 Agent設定 このままでも利用できますが、今の時代は AI チャットやコード補完が欲しくなりますよね。marimo でも、設定を行えば Copilot のような補完を使えるようになります。 まず、左側のメニューから 「Chat with AI」 タブを開き、「AI settings」 をクリックします。次に 「AI Providers」 タブを選択し、利用したい AI の API キー と Base URL を設定してください。 次に AI Models のタブで、利用したいモデルを ON にします。 その後、AI Features タブに戻り、「CODE COMPLETION」と「AI ASSISTANT」の項目で、先ほど ON にしたモデルを選択します。 「CODE COMPLETION」については、GitHub Copilot を使っている場合は Provider から Copilot を選択してください。好きなモデルを使いたい場合は custom を選択すれば問題ありません。 設定が終わったら、試しに AI with chat で何かプロンプトを入力してみてください。問題なく応答が返ってくれば設定完了です。 初回実行時は、必要なライブラリがインストールされていない場合に警告が出ることがあります。その際は、自分の環境に合わせて Install をクリックしてください。私は uv を使ってインストールしました。 従来は Jupyter でセルを使ってインストールしていましたが、marimo では不足ライブラリをワンクリックで入れられるので、地味に嬉しいポイントです。 これで Chat 機能・Generate 機能・Completion 機能 が使えるようになります。 DB接続 今回は、DB の接続先として BigQuery に接続します。左メニューの Explore data sources から Add database or catalog をクリックしてください。 次に BigQuery を選択し、project_id、dataset、Credentials JSON を入力します。 余談ですが、これだけ多くの種類のデータベースをサポートしているのは本当にありがたいですね。 Add をクリックすると、対応するコードがセルに自動生成されます。そのセルを実行すると、DATASOURCES タブに指定したデータセットがマウントされていることを確認できます。 marimo では Python や Markdown に加えて SQL もサポートしているため、セル内で直接 SQL を実行できるのも便利なポイントです。 SQL セルでは、取得するデータソースと出力先の変数名を指定します。セルを実行すると、指定した変数が自動的に追加されているのを確認できるはずです。 また、クエリ結果については 簡易的な可視化 も自動で行ってくれます。普段の業務で SQL を中心にデータ加工をしている方は、こちらの方が扱いやすいと感じるかもしれませんね。 可視化 最後に、取得したデータを可視化してみます。matplotlib を使っても良いのですが、今回は 手軽にインタラクティブな可視化 を行うため、marimo ライブラリを使って描画してみます。 先ほど SQL で取得したデータを、以下のコードで可視化します。 # セル2 start, end = date.value filtered = df.filter( (pl.col("record_date") >= start) & (pl.col("record_date") <= end) ) mo.ui.altair_chart( alt.Chart(filtered.to_pandas()) .mark_line() .encode(x="record_date:T", y="value1:Q") .properties(height=300, title="value1 の推移（期間変更で自動更新）") ) 実行すると、以下のようなグラフが表示されます。また、セル 1 で期間を選択すると、下のグラフの表示範囲が自動で更新されます。 このように UI コンポーネントを簡単に設置できる のも、marimo の大きな強みです。 まとめ 今回は簡単なデモでしたが、使いこなせば BI ツールやアプリケーションとしてデプロイすることも可能です。特に、組織的にデータ分析を行っている環境では、コードで管理できる点などが刺さるポイントだと思います。 一方で、まだ動作が安定しない部分があるのも事実で、大規模に組織導入するには不安定なところも残っています。 marimo は「Notebook の便利さ」と「ソフトウェアとしての堅牢さ」を両立させた、これまでにない開発体験を提供するツールです。セルの依存関係は自動管理され、リアクティブに動作し、Git・データベース・AI とも自然に連携できます。テストや再利用も容易で、Notebook を使い捨てではなく“育てられる資産”へと変えてくれます。 Jupyter や Colab を普段使っている方ほど、「ノートブックでもここまでできるのか」という違いを強く感じるはずです。新しい選択肢として、一度触ってみていただければと思います。

はじめに 「GMOインターネットグループ Advent Calendar 2025」、4日目の記事を担当します。GMOグローバルサイン・ホールディングス CTO室所属のはが（@mxcn3）です。 今年、二等の無人航空機操縦者技能証明と第二種機体認証を取得しました。今回の記事では、これらの資格と認証機体（DJI Mini 4 Pro）の映像から、3D Gaussian Splatting（3DGS）の生成、そしてWebビューワーでの可視化まで、一連の流れを体験しましたので、その知見を共有します。 無人航空機操縦者技能証明（二等）の取得 資格取得にはドローンスクールを活用しました。6月の試験合格から申請手続きを経て、8月に無人航空機操縦者技能証明書が手元に届きました。 時期内容5月ドローンスクール入校6月15日実技審査合格6月中旬学科試験合格6月中旬〜7月各種申請手続き8月15日無人航空機操縦者技能証明が届く 無人航空機操縦者技能証明書が入っている封筒と、無人航空機操縦者技能証明書 撮影機材 今回使用したドローンはDJI Mini 4 Proです。 選定理由 この機体を選んだ理由は、第二種型式認証を取得していることです。DJI Mini 4 Proは2025年に第二種型式認証（第6号）を取得しており、国土交通省のHPでも確認できます。資格取得のタイミングでちょうど「型式認証対応モデル（DJI RC 2付属）」が販売されていたため、スムーズに導入できました。 DJI Mini 4 Proのドローンの外箱と背面の写真 DJI Mini 4 Proの型式認証対応モデルは背面に「TC No.6」というシールが貼られています。 第二種機体認証取得のスケジュール 時期内容8月22日機体（DJI Mini 4 Pro）購入8月23日機体の新規登録（登録記号発行）8月24日第二種機体認証の申請8月26日検査手数料の納付8月27日第二種機体認証書の交付 ドローン情報基盤システム（DIPS 2.0）にて、第二種機体認証の申請を行いました。手続きは非常にスムーズで、短期間で完了しました。これで無人航空機操縦者技能証明書と第二種機体認証を持つ機体を取得することができました。 撮影場所 神奈川県内の河川敷にて撮影を行いました。 当該エリアはDID（人口集中地区）外であり、カテゴリーⅠ飛行（特定飛行に該当しない）の範囲内で実施しています。事前に神奈川県のWebサイトで公開されている「河川敷におけるドローン飛行に関する注意点」を確認したうえでフライトを行いました。 3D Gaussian Splattingの生成 撮影した映像（MP4）から3DGSへの変換には、Windows環境で Postshot を使用しました。Postshotは動画ファイルからカメラ位置推定（アライメント）と3D Gaussian Splattingの生成が行えるため、環境構築等をする手間が省けます。 生成時の環境 ・CPU: Intel Core Ultra 7 プロセッサー 265K ( 20コア・20スレッド)・GPU: NVIDIA GeForce RTX 5070 Ti 以下が、アライメントの結果と生成結果です。 Postshotでのアライメント結果 Postshotの生成されたデータ ドローンの上空からの視点を含めることで、死角の少ないアライメント結果が得られました。 データの調整 次に、対象物（車）をWebで表示するために準備を行います。生成された生データ（.ply）には、背景の空や遠景など、不要な点群が含まれます。これらの不要なデータを取り除くためにブラウザベースのエディタ SuperSplat にて、対象物以外の不要なデータを削除しました。 SuperSplatで不要な点群データを選択 SuperSplatで不要な点群データを削除した後 対象物以外の点群を編集して削除をしたデータはこのようになりました。 データ内容点群数382,000個ファイルサイズ21.4MBファイル形式.ply Webビューワーの実装 (React + PlayCanvas) 生成した .ply データをWebブラウザ上で閲覧するため、PlayCanvas と React を組み合わせたビューワーを実装しました。Gaussian Splattingのデータの可視化には、「playcanvas/react」をベースにしたWebビューワーを実装しました。 Webビューワー: https://gsplat.org/viewer/8a8g5 PlayCanvasのSplatコンポーネントを使用し、Reactのライフサイクル内で3Dシーンを管理します。以下は実装例の抜粋です。 // 実装のサンプル import { Entity } from "@playcanvas/react"; import { Camera, Light, GSplat } from "@playcanvas/react/components"; import { OrbitControls } from "@playcanvas/react/scripts"; import { useSplat } from "../../utils/hooks"; const Scene = () => { /// plyファイルをロード const { data: model, isPending: isModeLoading } = useSplat("./◯◯.ply", { autoRelease: true }); if (isModeLoading || !model) return null; return ( <> <Entity name="light"> <Light type="directional"/> </Entity> <Entity name="camera"> <Camera /> <OrbitControls /> </Entity> {/* 3D Gaussian Splattingのデータを表示 */} <Entity name="model"> <GSplat asset={model} /> </Entity> </> ); }; 実装の詳細は、以前の私の記事「ReactでPlayCanvasが使えるライブラリが公開されたので早速使ってみました！」でも解説していますので、併せてご覧ください VRでの表示 (WebXR) VRでの表示も試してみます。PlayCanvas ( SuperSplat ) はWebXRに対応しているので、URLをMeta Quest等の対応しているVRゴーグルのブラウザで開くだけで閲覧できます。 Meta QuestのVR視点で見た映像: https://superspl.at/view?id=1ffa7d71 まとめ 今回、二等無人航空機操縦士と第二種機体認証を取得し、ドローン映像から3D Gaussian Splattingを生成してみました。 ドローンを使うことで対象物の上部の視点をカバーでき、3D Gaussian Splattingを生成する際に役に立つことを実感しました。 また、ReactとPlayCanvasを組み合わせることで、生成データを手軽にWeb/VRで共有できるワークフローが確立できました。 質問や感想がありましたら、X: @mxcn3 までお気軽にどうぞ！

この記事は GMOインターネットグループ Advent Calendar 2025 3日目の記事です。GMOインターネット株式会社の野田です。システム開発をしていると負荷テストが必要になる時がありますが、どのように負荷テストを行えば良いか分からないということもあると思います。今回は負荷テストの知識がなくても、AIを活用して負荷テストを行えるように記事を書きました。 Locustについて オープンソースの負荷テストツールです。https://locust.io/Pythonでテストシナリオを定義してテストを行うので、テストをソースコードで管理することができます。Locustは多数の仮想ユーザーを効率的に生成でき、同時実行性の高いワークロードのテストに適しているようです。 Locustのファイルの準備 今回はClaude Codeを使用しました。以下のプロンプトで必要なファイルを作成しました。 load-testsディレクトリに、PythonのLocustで負荷テストを行うプロジェクトを作成してください。 * ログインした状態で行うテストを作成してください。 * テスト対象はserver/api/v1/のAPIエンドポイントです。 * クエリパラメータも考慮してください。 今回はテスト対象のプロジェクトにload-testsというディレクトリを作成して、その中に負荷テスト関連のファイルを作成することにしました。テスト対象のプロジェクトではNuxt.jsを使用していますが、Locustはブラウザのような動作をしないため、画面のパスではなく、APIエンドポイントをテスト対象にするようにしました。汎用的な内容にするためにプロンプトを簡潔にしていますが、プロジェクトに合わせてプロンプトを詳細な内容にすると、ソースコードの生成結果がよりプロジェクトに合ったものになると思います。先ほどのプロンプトで、以下のファイルが作成されました。 ⏺ PythonのLocustを使用した負荷テストプロジェクトをload-testsディレクトリに作成しました。 作成されたファイル: 1. requirements.txt - 必要な依存関係 2. locustfile.py - メインのテストファイル（Firebase認証付き） 3. .env.example - 環境変数の設定例 4. README.md - 詳細な使用説明書 5. Dockerfile - Dockerイメージ構築用 6. docker-compose.yml - 分散テスト用の設定 7. .gitignore - Git除外ファイル 主な機能: - Firebase認証: ログイン状態でのテスト実行 - 包括的なAPIカバレッジ: v1 APIエンドポイント全てをテスト - クエリパラメータ対応: 様々なパラメータ組み合わせでテスト - 2つのユーザークラス: 通常操作用と重い処理用 - CSV エクスポートテスト: リソース集約的な処理のテスト 使用開始するには、.env.exampleを.envにコピーしてFirebase設定を入力し、pip install -r requirements.txtで依存関係をインストールしてください。 Locustではlocustfile.pyなどのファイルにテストシナリオを作成しますが、locustfile.pyにserver/api/v1のAPIエンドポイントのテストが作成されていました。使用するライブラリはrequirements.txtに定義されますが、AIでソースコードを生成した場合は、Locustのバージョンが古いものになっていることもあるので、その場合は新しいバージョンに変更すると良いです。生成されたソースコードは追加で修正が必要な部分はありましたが、基本的には問題のない内容だったので、修正してテストを進めました。ちなみに、Locustはブラウザのような動作をしないため、Firebaseを使用している場合は、テスト実行時の認証処理を独自で実装する必要がありますが、テスト対象のプロジェクトでFirebaseの認証処理が実装されていれば、Claude Codeはそちらを参考にして実装してくれます。 Locustの起動 今回は以下のようなコマンドで起動しました。 python3 -m pip install -r requirements.txt python3 -m locust -f locustfile.py --host=http://localhost:3000 起動するとLocustの画面にアクセスするためのURLが発行されます。 Starting web interface at http://0.0.0.0:8089 URLにアクセスすると以下のような画面が表示されます。 以下の項目の設定を行うことができます。 Number of users: 最大同時実行ユーザー数Ramp up: 1秒あたりに生成するユーザー数Host: テスト対象のホスト Number of usersに達するまで、1秒ごとにRamp upで指定した数のユーザーが増えていきます。Ramp upには小数も指定できるので、0.1を指定すると、10秒に1人増えていく設定にできます。ユーザーを徐々に増やしていく設定にすると、どれくらいのユーザー数でパフォーマンスが変化するかをテストすることができます。Advanced optionsでは負荷テストの実行時間を指定できます。ユーザー1人あたりのリクエストの頻度はソースコードで設定できます。以下のように、wait_timeというクラス変数で設定します。between(1, 3)のように指定すると、タスクの実行後に1秒から3秒の間待機します。 class APITestUser(HttpUser): wait_time = between(1, 3) @task(3) def test_hello_endpoint(self): self.client.get("/api/v1/hello", headers=self.headers) wait_timeにはconstantで固定値を設定することもできます。以下のように小数も指定できます。 class APITestUser(HttpUser): wait_time = constant(0.5) @task(3) def test_hello_endpoint(self): self.client.get("/api/v1/hello", headers=self.headers) @taskの引数はweightです。weightの値に応じて実行するタスクが選択されます。Locustの起動後の画面でSTARTボタンを押すと、テストを開始することができます。テストを開始すると以下のような画面が表示されます。それぞれのケースの処理時間などが分かります。 テスト結果を以下のようなグラフで確認することもできます。 時間とともに増加するユーザー数やリクエスト数と、レスポンス時間を対応させて確認することができます。テスト結果はDOWNLOAD DATAの画面で取得することができますが、Locustを停止すると消えてしまうので、停止する前に取得しておく必要があります。 まとめ 今回はAIを活用してLocustでの負荷テストの準備をする方法についての内容でした。負荷テストの知識がなくてもテストを行えるように記事を書きましたが、知識の有無に関わらず、AIを活用することで短時間でテストを行うことができると思います。この記事が今後負荷テストを行う際の参考になると良いです。

この記事は GMOインターネットグループ Advent Calendar 2025 2日目の記事です。GMO TECHホールディングス株式会社の陳です。テスト業務における属人化がもたらすリスクや影響、属人化を防ぐ対策について記事を書きました。 1. テスト業務の重要性と属人化の現状 ソフトウェア開発におけるテスト業務は、プロダクトの品質保証に不可欠なプロセスです。新機能の実装確認やバグ修正後の検証、システム全体の品質評価など、迅速かつ正確なテストの実行は、顧客満足度の向上や市場での競争優位性を支える要となっています。しかし、多くの現場ではテスト業務が特定の担当者に依存し、属人化が進んでいる現状があります。業務知識やノウハウが個人の頭の中に留まり、文書化や標準化が進んでいないため、担当者が不在の場合にテスト工程が滞る、または品質にばらつきが生じるといった重大なリスクが発生します。たとえば、テスト運用が特定の担当者に依存していた場合、担当者の退職や異動により関連知識（ナレッジ）が失われ、結果的に同品質のテストが行えなくなるケースが少なくありません。本記事で解説するテスト業務の属人化は、以下の複数の要因が重なり合うことに起因しています。 知識・スキルの偏在文書化・情報共有の不足プロセスの非標準化 結果として担当者の異動時や不在時に、テストが遅延または一部停止するリスクがあるという点です。本記事では、以下の主要な構成に沿って、詳細な分析と対策を順を追って解説します。 特に属人化が発生しやすいテストタスクの詳細評価基準の不統一属人化を防ぐための対策（業務手順の標準化、ナレッジ共有、ローテーションなど） 2. 属人化を招く主な原因 テスト業務が属人化する背景には、以下の主な要因があります。 知識・スキルの偏在特定の担当者のみがテストケースの作成、バグ修正時のテスト対応を担当しているため、業務全体の知識が一部に集中しています。これにより担当者の退職時や異動時にテスト業務の継続性が損なわれるリスクが高まります。文書化・情報共有の不足テスト方法や手順、評価基準が明確なマニュアルや手順書として文書化されていない場合、担当者個人の持つ知識は他のメンバーに伝わりません。結果として、後任者が同等の品質でテスト作業を遂行することが困難となります。プロセスの非標準化各メンバーが自分のやり方で業務を進めると、テストプロセスにばらつきが生じ、品質の一貫性が確保されなくなります。また、基準や評価指標が曖昧なため、テスト結果の分析にも大きな差が生まれます。 組織に与える影響属人化は単に担当者の負担増や業務の非効率化だけでなく、組織全体の品質やリスク管理に深刻な影響を及ぼします。 業務効率の低下と停滞特定の担当者が不在の際、とくにバックアップ体制や自動化が未整備な環境では、テスト作業が遅延または一部停止するリスクが高まり、プロジェクトの進捗に影響し得ます。品質のばらつき担当者ごとにテストの基準や手法が異なるため、プロダクトの品質に一貫性がなくなり、結果的にユーザーの信頼が損なわれる可能性があります。ナレッジの散逸属人化により、知識やノウハウが個人に集約され、退職や異動によってその貴重な情報が失われるリスクがあります。 対策の要点属人化のリスクを解消し、業務の持続可能性を高めるためには以下の対策が必要です。 業務手順の標準化と文書化テストプロセスを明確な手順書やチェックリスト、報告テンプレートなどを用いて文書化し、全メンバーが随時参照できる環境を整える必要があります。定期的なレビューとナレッジ共有の実施チーム内で定期的にレビュー会議や勉強会を開催し、担当者間で知識や経験を共有することが重要です。運用ローテーション特定の担当者に知識が集中しないよう、ローテーション制度を導入し、チーム全体のスキル向上を図ることが必要です。 3. 属人化が起きやすいテストタスクの詳細 テストケースの作成・更新の問題点テストケースの作成や更新が特定の担当者のみで行われている場合、その背景には、特定の担当者へ経験と技能が集中するという問題があります。【問題点】 知識の偏在：テストケースの意図や背景が担当者個人の経験に依存しており、他のメンバーが同等の理解をすることが難しい。更新の遅延：担当者の業務負荷が高くなると、テストケースのアップデートが滞り、最新のプロダクト仕様や改修内容に追従できなくなる。網羅性の不足：担当者の判断に依存しているため、テストケースの範囲が偏り、あらゆるシナリオを網羅できなくなるリスクがある。 これらの問題は、ドキュメント整備不足と連動して、後工程でのバグ見逃しや再発防止策の不備につながります。 バグ修正時のテスト対応のリスクバグが発生した際の修正後テストは、担当者に依存した形で実施されがちです。【リスク】 再発防止策の抜け漏れ：各バグ修正毎に、担当者の経験により対応が個別化されるため、同様の問題の再発を防ぐための一貫した対策が欠如しがちです。テスト漏れ：修正に伴う影響範囲の全体把握が不十分な場合、関連機能のテストが抜け落ち、システム全体に不具合が残る恐れがある。 テスト結果の分析・報告の課題テスト結果の報告や分析も、属人化の影響を受けやすい業務のひとつです。【課題】 報告形式の不統一：各担当者で異なる形式・基準により報告が行われるため、数値や評価の信頼性にばらつきが生じる。主観が入りやすい：個人ごとの解釈や取り組み方によって、同じテスト結果でも評価に差が生じ、客観的な改善策が採用されにくくなる。 4. 評価基準の不統一とその影響 評価・合否判断基準の不統一とその影響テストにおける評価基準や合否の判断が各担当者でばらつくと、プロダクトの品質に大きな影響を及ぼします。【影響点】 品質のばらつき：担当者ごとに異なる評価基準を用いることで、同一のテスト結果でも合否判断に違いが出るため、全体的な品質が不安定になります。顧客満足度の低下：評価基準が統一されていないと、テスト結果の信頼性が低下し、顧客からの信頼を失う可能性が高まります。改善の優先度の曖昧さ：どの基準に基づいて改善が必要かが明確にならず、リソース配分や対策の策定が困難になります。 5. 対策の詳細 属人化の解消に向け、対策の方向性を検討することが重要です。ここでは、取り組むべき対策の類型をいくつか紹介します。 業務手順の標準化と文書化 手順書やマニュアルの作成テストプロセス、テストケースの作成方法、バグ修正後のテスト手順、報告フォーマットを標準化したマニュアルを作成します。ナレッジベースの構築過去のテスト結果、バグ対応の事例、改善策などを収集したナレッジベースを社内ポータルやWikiとして構築し、チーム全体で情報を参照できるようにします。 定期的なナレッジ共有とレビューの実施 定期的なレビュー会議の開催テスト工程の定期レビューおよび振り返り会議を実施することで、業務上の課題や属人化の兆候に早期に気付き、改善策を全員で検証します。勉強会や計画的なトレーニングの実施テストツールや新しいテスト技法に関する内部勉強会やワークショップを定期的に実施し、計画的なトレーニングを行います。これにより、最新のノウハウを全メンバーで共有し、スキルレベルの底上げを図ります。 組織内での担当業務ローテーションの推進 ローテーション制度の導入自動化ツールやテスト管理ツールの設定や運用、あるいは特定の複雑な機能領域のテスト担当など、特定の担当者に依存させないため、定期的に担当業務をローテーションします。 これにより、全メンバーが同等のスキルを持つようになり、担当者不在時でもスムーズな業務遂行が可能となります。 6. まとめ テスト業務の属人化は、単に担当者の個々のスキルに依存するだけでなく、業務の停滞、品質のばらつき、さらには知識の散逸という重大なリスクをはらんでいます。これらの問題は、特にシステム開発の複雑化と市場の変動が激しい現代において、組織全体の競争力低下につながる可能性があります。本記事で紹介した改善策は、以下の3点に集約されます。 業務手順の標準化と文書化全メンバーが同じ手順で作業を遂行できる環境を整えることで、属人化による品質のばらつきを防ぎます。定期的なナレッジ共有とレビューの実施組織内での情報共有を促進し、継続的な改善と共同作業を通じて業務の透明性と信頼性を高めます。組織内での担当業務ローテーションの推進特定の担当者に依存しない体制を構築するため、ローテーション制度で全体のスキル向上を図ります。 標準化されたプロセスと効率的なナレッジ共有体制は、業務の効率向上に資します。また、手順の再現性とレビュー容易性の向上を通じて品質保証への寄与も期待できます。

この記事は GMOインターネットグループ Advent Calendar 2025 1日目の記事です。Power Automateの活用法や利点、実際の業務自動化事例、ハマりどころをエンジニア視点で分かりやすく解説。MS365連携による効率化の魅力を紹介します。 はじめに この記事を書こうと思った理由 GMOペイメントゲートウェイの羽鳥と申します。普段はクレジットカード会社向けのシステム開発・運用を担当しつつ、社内でのAI活用推進にも取り組んでいます。 システム運用の現場では、システムとのインターフェースが「メール中心」であることに気づきます。障害や異常を知らせる通知の中心がメールだからです。そこで、メール受信をトリガーにした Power Automate のフローを作成しているうちに、「これ、もっと色々できるのでは？」「ちゃんとしたアプリケーションも作れそうだ」と感じるようになりました。 Power Automate の可能性を、多くの人にもっと知ってほしいという思いから本記事を書いています。 Power Automate とは？ Power Automate は Microsoft が提供するクラウドベースの自動化サービスです。Word、Excel、Teams といった Microsoft 365 アプリはもちろん、さまざまな外部サービスとも連携し、業務プロセスをノーコードで自動化できます。 ドラッグ＆ドロップでワークフローを構築でき、分岐・繰り返し・並列実行など、プログラミング的な処理も定義可能です。 基本的な分岐・繰り返しを定義できる。 例えば以下のような処理が簡単に作成できます。 Outlook で受信したメールの添付ファイルを自動で OneDrive に保存SharePoint に新しいファイルが追加されたら Teams に通知各種データ処理や承認フローの自動化 これらにより日々の作業が効率化され、ケアレスミスの防止にもつながります。 Power Automate の良いところ 1. 複雑な認証処理なしで「自分のデータ」にアクセスできる 通常、外部サービスのデータを扱うには認証処理が必要ですが、Power Automate は Microsoft 365 ファミリーの一員です。 そのため、Teams や SharePoint など同じ Microsoft 365 サービスとは、追加の認証処理なしで簡単に連携できます。データを Microsoft 365 に寄せておけば、認証を意識することなくデータ取得・加工が可能です。アプリケーション構築のうえで大きなアドバンテージになります。 2. 複雑な処理も「関数」がそろっていて簡単に書ける データの分割・結合や数値計算はもちろん、 2つのリストの共通要素抽出（intersection）Base64 文字列の取得配列を任意の区切り文字で結合（join） といった少し高度な処理も関数として用意されています。 もしこれらを自前で書こうとすると、分岐や繰り返しを組み合わせた複雑なロジックが必要になりますが、関数のおかげでシンプルに実現できます。 3. データベースもちゃんと使える アプリケーションにとってデータベースは欠かせませんが、Power Automate には選択肢がいくつかあります。 Excel テーブルを定義すれば、条件付きの検索が可能です。お手軽なデータベースとして使えます。 SharePoint Lists（特におすすめ） クラウド上で表形式データを管理でき、CRUD 機能も備わっています。データ定義だけで本格的なクラウドデータベースが構築でき、Power Automate からも簡単にアクセスできます。 Sharepoint Listsの例。データ定義だけでDBが作成できる。 4. 困ったら Copilot に質問できる 関数の使い方やフローの組み方など、迷ったときは Copilot が強力にサポートしてくれます。実際、今回私が作った機能も Copilot に助けられながら短期間で仕上げられました。 実際に作った機能の紹介 私が担当しているシステムはリリース前で、外部ベンダーが開発しています。運用は当社側で行うため、システムテスト中に発生するアラートメールの発生理由や頻度を調査する必要がありました。 そこで、以下を自動化するフローを作成しました。 アラートメールの分類発生回数のカウント カウントは簡単ですが「分類」が課題でした。メール本文の前方・後方一致だけでは分類できませんし、アラートごとにIDも振られていません。 そこで採用したのが ジャッカード係数（Jaccard Index） です。 2つの文章を単語集合に分割し、「共通している単語数 ÷ 全体の単語数」で類似度を算出する手法 これを Power Automate 上で実装しました。 必要だった処理は以下です。 過去のメール・件数を保存するデータベース →　SharePoint Lists で実現メールを単語に分解し、重複を除外する　→ union 関数2つの集合の共通単語数を求める→ intersection 関数2つの集合の合計単語数を求める→ union 関数 こうして、Power Automate だけで「メールの類似度判定＋自動集計」を実現できました。 作ったフローの一部。Power Automateだけでここまでできました。 ハマりどころ（注意点） 使っている中で困った点・誤解しやすい点もいくつかありました。 1. 四則演算が Excel のようには書けない Power Automate の関数は Excel に似ていますが、演算子の書き方は異なります。 Excel： 1 + 2Power Automate： add(1, 2) 慣れるまでは少し戸惑います。 2. 除算（div）は小数点以下が切り捨てられる div(2, 5) は 0 を返します。小数点を扱いたい場合は、少数で計算させる必要があります。 例：2 ÷ 5 を小数点2桁で出したい div(2.00, 5) ジャッカード係数の算出でこれに気づかず、だいぶハマりました。 3. Compose アクションは強制的に「文字列」になる Compose アクションは変数名や型定義が不要な便利な仕組みですが、内部的には文字列として扱われます。 そのため、数値比較などで Compose の値をそのまま使うとエラーになります。必要に応じて float() などで数値に変換する必要があります。 Power Automate のエラーメッセージは正直わかりづらく、原因特定に時間がかかりました…。 まとめ Power Automate を使えば、ノーコードであっても意外なほど複雑なアプリケーションを構築できます。さらに Copilot という強力な味方がいるため、開発効率も高いです。 実際、今回紹介した機能も、試行錯誤はあったものの 正味1.5日ほどで作れました。 もし Power Automate を使わなければ、 サーバの準備データベースの構築Outlook API や認証周りの実装 など、多くの準備作業が必要になります。これらがすでに用意されているだけでも、Power Automate の価値は非常に大きいと感じています。 この記事をきっかけに、少しでも Power Automate に興味を持っていただき、業務効率化に活用していただければ幸いです。

GMOインターネットグループ Advent Calendar 2025 と題し、今年もグループ横断で 25日間の連続記事公開 にチャレンジします！本記事では、初年度の振り返りに加え、今年の“見どころ記事”を一足先にご紹介いたします。 初年度開催の振り返り 昨年GMOインターネットグループ横断でAdvent Calenderを初開催をいたしました。手探りで始めた執筆者集めも、模索しながら組み立てた運営スタイルもなんとか形にすることができ、結果としてグループ全9社のエンジニアによる25日間の連続記事公開を無事に完走することができました！ 今年も昨年に引き続き本企画の旗振り役はGMOインターネットグループのエキスパート(Webアプリケーション領域)として活動する石丸が務めています。昨年の開催レポートについては石丸執筆の記事が公開されていますので、ご興味のある方はご一読ください。 https://developers.gmo.jp/events/61746/ 今年の開催目的 学びのアウトプットは、個人の成長だけでなく、チームやプロダクト、そしてグループ全体の技術文化づくりにも貢献する大切な取り組みであると考えています。初年度の成功やノウハウを活かしながら運営としても更なる成長を目指し、執筆するパートナー(社員)の連携強化・モチベーション醸成に尽力していきたいと思います！ 私たちGMOインターネットグループの強みである多様性。グループ各社が持つ異なる技術領域・文化・価値観を一つの場に集め、互いに刺激を与え合いながら、技術情報を発信し、現場の実践知、プロダクト開発の裏側、最新技術の研究、そしてグループならではの大胆な挑戦。エンジニア一人ひとりの経験やノウハウを、読者にとって“学びになるコンテンツ”としてお届けできればと思っています。 公開予定記事の見どころ紹介！ 今年のラインナップは、AI・クラウド・データ・UX・ロボティクス・生産性向上など、GMOインターネットグループならではの多様なテーマが揃いました。 どれも“今読みたい技術トピック”が盛りだくさんで、25日間毎日読んでも飽きない内容です。ここでは、公開予定の記事タイトルを一気にご紹介します。 AWS全冠への道コンテキストエンジニアリング実践TipsAIエージェントSaaSを安全に提供する技術テスト業務の属人化を防ぐためのアプローチ「ユーザー目線」を習得する！ビギナーがニールセンの10原則を「調査・改善提案の指針」にした話MarpとClaude Codeを使った資料作成効率化ヒューマノイドの強化学習の話Mac Studio（M3 Ultra）でローカルLLMを動かすMarimo notebookのすゝめGCP × Snowflake × Tableau：データ活用を加速する統合分析基盤を作った話 上記タイトル一覧は公開予定一部となっており、他にもおもしろい技術情報をお届けできること間違いなしです！弊グループエンジニアたちが記事公開に向けて鋭意執筆中ですのでお楽しみに。 購読・フォローもお願いいたします 公開につきましては、本ブログ内にて予定しております。以下より新着記事をお知らせいたしますので、ぜひ以下リンクより購読やフォローをいただけると幸いです。 GMOインターネットグループ - Qiita Advent Calendar 2025 - Qiita技術ブログ（GMO Developers）：https://developers.gmo.jp/公式X（@GMOdev）：https://x.com/GMOdev さいごに 昨年の初開催後、社内外で「次回も楽しみにしている」「グループの技術の多様性を感じられて面白い」といった声を多くいただきました。その反響が、今年の開催を後押しする大きな力となりました。 技術的な学びだけでなく、プロダクトの裏側やチャレンジの記録など、他では聞けない話が満載です。ぜひ、日々の業務のヒントやアイデアに活用していただければ幸いです。今年もどうぞご期待ください！

「アニメなんて作ったことない。でも締切は迫ってる。どうする？」そんな窮地で頼ったのは、まだ発展途上の 動画生成AI でした。避けることができないAI化の波が押し寄せている中、どこまでAIが活用できるのかを映像クリエイターとしていろいろ試してみた話です。 どの業界でも生成AI、生成AI、生成AI....もれなく映像業界もその波が来ているところですが、テキストや画像・音楽の生成AIは現実業務利用できるレベル感まで来ているような気がするものの、動画生成AIはまだもう一歩という印象です。いろいろな方とお話ししていますが、いろいろな意味でVコンテくらいならまだしも、本番映像ではなかなかまだ使いづらいのが本音だろうという肌感です。 そんな2025年の前半、まったくと言ってもいいほど経験のないアニメ系動画を作らなければいけなくなり、正直、どうしたものかと困っていたのです。しかも、比較的短い制作時間であることと、メインで進行中の案件と並行して進める必要がありました。 そんな時にこんな声が聞こえてきました（？） こんな時こそ、生成AIじゃん？脳内の声 弊グループでは「とにかく生成AI使おう」という風潮があり、どうAIを使うかということを日々考えることが多いので自然な流れです。 https://twitter.com/m_kumagai/status/1951240301873639860 弊グループ代表のXポスト 加えて、幸い、今回制作する動画はGMOインターネットグループが支援する、渋谷区の教育支援プロジェクト「Kids VALLEY」の授業教材として児童の皆さんにお見せするものでしたので、比較的縛りのキツくない映像制作ということで、まさに今回は絶好のチャンスです。 ということで、今回はAIだけで動画生成を試してみたのでそのフローと結果をご紹介いたします。 背景 改めて背景です。GMOインターネットグループ横断で取り組むKidsVALLEYプロジェクトの中で、「さまざまな伝える手段がある」ことを示すために、ポスターや紙芝居と並ぶ教材サンプルとして動画を制作する必要がありました。 授業のカリキュラム詳細はこちらの記事をご参照ください！ https://developers.gmo.jp/cultures/71503/ というコンテンツで、動画でも伝えることができるよ！と言いつつもサンプルがなければ説得力がありませんよね。 しかし、通常業務も多忙で、ゼロから動画を作る余裕はありません。そこで今回は思い切って「生成AIをフル活用して動画を完成させる」ことに挑戦しました。 2025年時点の情報で記載しております。生成AIの利活用については、各サービス等の規約を各自判断いただいた上での利用を推奨いたします。 完成した動画 まずは完成した動画をご覧ください。 https://youtu.be/i4tMqnWDM20 整合性が取れてない部分はあったりしますが、エンタメとしてちょっと見る分には許容範囲かなと思っているところです（個人の感想） 制作フロー（全体像） 今回は以下のようなフローで制作しました。 原稿からプロンプトを作成動画を生成（Veo対応「Flow」）ナレーションを生成（Gemini 2.5 Pro Preview TTS）音楽を生成（Suno.ai / Instrumental）編集ソフトで調整（Premiere Pro） 1ステップごとにみていきましょう。 ステップごとの制作フロー 1. 原稿からプロンプトを作成 今回の授業支援の教材中に、すでに4コマ紙芝居がサンプルとしてありましたので、今回はそちらをベースに映像を制作しました。 紙芝居用に用意したイラストとナレーションを「Gemini」に入力し、動画生成のためのプロンプトを生成します。最近は細かいプロンプトを生成AIと壁打ちしながら作ることが増えてきました。生成AIのためのプロンプトを生成AIと、、、、結構賢いので自分で頑張るより早く、求めた感じになることが多い印象です。 一発ではうまい感じのプロンプトにならなかったので、登場人物の固定化を図るために、共通の文言（場面やキャラ設定など）を全てのカットのプロンプトに入れさせたり、情報量を増やさせたりしてなるべく一貫性を保てるようにしようとトライしました。 2. 動画を生成（Veo対応「Flow」） 続いて、生成したプロンプトをGoogleのVeo2やVeo3を利用できる「Flow」に入れ、テキストから動画を生成しました。 複数回生成をしながら、良いカットが生成できたプロンプトを、1に戻ってAIと壁打ちしてブラッシュアップする、というような使い方をしました。実際、Googleからの付与クレジット（36,000円プラン1か月分）をすぐに使い切るほど消費。Text to Videoはまだまだ難しいのだと実感しました。Image to Videoでやればよかったんじゃ？と思い始めていたのはここだけの話です。ちなみに、制作当時はVeo3のfastモデルがなかったため1生成ごとに100クレジット消費という状態でした。今はfastモデルができて最上位プランなら0クレジット/生成で済むようになったのはありがたいですねぇ、、、 3. ナレーションを生成（Gemini 2.5 Pro Preview TTS） 今回は「動きのある動画でメッセージが伝われば良し」という目標でしたので、ある程度のところで映像は一旦完成として、「Google AI Studio」のGenerate Speechを使い、原稿をTTSで音声化しました。 ポイント Style instructions をできるだけ詳細に書く これに尽きると思います。色々な声のモデルがありますが、このスタイルの指定が大きく影響してくるので、ざっと声の雰囲気を選んだ後はここに注力するが良さそうです。今回使用したプロンプトはこちら。 あなたはベテランアナウンサーになりきり、幼児向け絵本を読み聞かせるように、以下のガイドラインでテキストを朗読してください。声質は明るく透明感のある中高域で、子どもが安心できる柔らかさを保つこと。音量はリビングでの読み聞かせ程度を基準にし、物語の山場のみ軽く持ち上げます。話速は1分あたり230〜260文字（約1.0〜1.2倍速）とし、句読点で0.3〜0.5秒、場面転換や擬音語の前後では0.7〜1.0秒のポーズを取って余韻を残してください。語尾は緩やかな揺らぎで単調さを避け、擬音語・感嘆語は語頭をやや強調し後半を優しく落とします。喜びは少し高めで笑みを含み、驚きは軽く息を吸ってから高めに始め、怖さは低めで息混じり、優しさはソフトでスローに表現してください。子音は明瞭、母音は丸く発音し、自然な位置でブレスを挿入しつつ過度なノイズは抑えてください。 ちなみにこれはChatGPTに書いてもらってます。あとは、紙芝居と同じナレーション文章を入れて生成させれば完成です。 もしうまく読み上げてくれない（漢字の読みやイントネーション等）場合があれば、ひらがなに開いてみたり、英語はカタカナに変えてみたり表記の変更で解決することもあります。この辺りもガチャ運試されます。不確実性が多いのはプロが使うツールとしてはなかなか難ありな気がしています。ですよね。 ただ、Voicepeakなどの従来の生成AI音声と比べて圧倒的に自然で、息継ぎをするなどめちゃめちゃ自然に聞こえるようになっています。簡単な案件ならナレーター不要なレベルという印象になります。 4. 音楽を生成（Suno） BGMは「Suno」でインストゥルメンタルを生成しました。 プロンプト Upbeat, lighthearted background music for a preschool cartoon set in a sunny park. Peaceful everyday atmosphere with playful, comedic touches. Tempo around 110–120 BPM in a major key. Feature bright ukulele or acoustic guitar strumming, cheerful glockenspiel/bells for melody, gentle pizzicato strings, soft hand-clap or shaker percussion, and occasional cartoonish sound accents (e.g., slide whistle, muted brass pops). Keep the texture simple and bouncy so young children feel safe, happy, and engaged while characters play outdoors. こちらも雰囲気や目的、大体のイメージをChatGPTと議論の上でプロンプトを作成させています。音楽を作るのには圧倒的に知識が少ないので大変重宝しました。 5. 編集ソフトで調整（Premiere Pro） 最後にPremiere Proで全素材を統合し、完パケを作成しました。 尺調整：生成拡張や時間伸縮を使って映像を自然に延長音量調整：ナレーションとBGMの音量バランスの調整仕上げ：最後は人力で微調整 課題と気づき 色々生成AIを活用しての動画制作でしたが、課題や気づきがあったのでまとめてみました。 整合性の担保が難しい：Text-to-Videoはシーンの繋がりを維持するのが大変。まずは画像生成から試すのが現実的。コスト面の課題：クレジット消費が想定以上に大きい。案件ごとに適切な生成AIをチョイスし、効率的に活用→採用テイクだけ本番出力といった運用が必須 。TTSの進化：今までに比べたら感情を込めた読み上げができるようになってきている。場合によっては簡単な案件ならこれでOKが出ることもありそう。商用利用の可能性：Veo3等、動画生成AIの進化は目覚ましい。キャラクターの一貫性や整合性のなさを置いておけば、すでに商用品質も視野に入る段階かなと。一貫性については工夫次第では実現できそう。 まとめ 今回の取り組みを通じて「生成AIを使えば動画制作のハードルを大幅に下げられる」ことを実感しました。できないことが少しできるようになった、というようなところでしょうか。まだガチャ性やコストの課題はあるものの、適材適所で使えば十分に実務の武器になりそうですね！

「プログラミング的思考」や「情報活用能力」が小学校教育にも求められる時代。私たちGMOインターネットグループでは、「Kids VALLEYプロジェクト」の一環として渋谷区教育委員会と連携し2020年より渋谷区小学校のプログラミング授業支援を行ってきました。今年はグループ横断でプロジェクトメンバーを募り、現場エンジニア・クリエイターが PBL型授業のコンテンツ設計・運営を担当しました。本記事では、その舞台裏として現場エンジニア・クリエイターが取り組むコンテンツ設計ノウハウ、そしてグループ横断型チームによる運営の仕組みについてインタビューを交えて詳しくお届けいたします。 現場エンジニア・クリエイターが展開するPBL型授業 PBL（Project-Based Learning）型授業とは、「課題解決」を軸にした探究型の学びのことです。従来の“教わる”教育から一歩進み、「ともに考え、つくる」学びへの転換が求められています。 渋谷区では、「Kids VALLEY 未来の学びプロジェクト」を通じて、地域と企業が連携しながら教育支援を進めています。参画企業は、プログラミングをはじめとする技術分野の専門性を活かした実践的な学びを子どもたちに提供し、次世代のITリテラシー育成に取り組んでいます。 その中でGMOインターネットグループは、授業コンテンツの設計から運営までを自社のエンジニアやクリエイターが中心となって担当しています。彼らは最新の技術動向に精通し、開発現場で培った課題解決力やセキュリティに関する知見を活かして授業を企画・実施することができます。こうした“現場のリアル”を取り入れることで、教科書だけでは得られない実践的な学びを子どもたちに届けています。 活動意義や詳細については以下にも記しておりますのでぜひご参照ください。 https://developers.gmo.jp/cultures/65430/ PBL型授業コンテンツの軸は「考え方を学ぶこと」 本プログラムでは、児童の発達段階に合わせてテーマを設定し、PBL（課題解決型学習）の手法で授業を展開しています。 低学年向けには「伝えたいことを伝えよう」をテーマに、自分の思いや考えをどのように相手に伝えるかを体験的に学びます。身近な題材を通して、言葉の選び方や表現方法を工夫しながら、伝える楽しさと大切さを感じられる内容です。 高学年向けには「プログラムで紹介しよう」をテーマに、Scratchを活用して自分たちのメッセージをデジタルコンテンツとして表現します。プログラミングの基本的な仕組みに触れながら、論理的思考力と表現力の両方を育む構成となっています。 いずれの授業コンテンツにも、GMOインターネットグループの働く環境や制度に関する要素を盛り込み、児童が企業活動や社会とのつながりに興味を持ち、理解を深められるよう工夫しています。単なるスキル学習にとどまらず、「自分の想いを社会に伝える力」を育むことを目的としています。 低学年向け：伝えたいことを伝えよう 本授業は、「人に何かを伝えるとき、どんな風に伝えますか？」という問いからスタートします。コミュニケーションの基本となる“伝える”という行為を起点に、相手（ターゲット）によって最適な伝え方や手法が異なるという考え方を学びます。 講義では、企業や個人の発信、広報活動、クリエイティブ制作など、さまざまな場面における「伝達の手段」や「効果的な表現方法」についてインプットを行います。たとえば、社内向けの情報共有と、顧客・メディア・一般ユーザー向けの発信では、語り口・構成・ビジュアルの使い方がどう異なるのかを具体的に紐解いていきます。 授業の後半では、受講者自身が「どんな目的を達成したいのか」「誰に、何を伝えたいのか」という課題設定に立ち返り、グループワーク形式で“最適な伝え方”を設計・実践します。目的と手段の関係を体感的に理解することで、伝える力をより戦略的に磨くことを目指します。 伝えるにはどんな手段があるだろう？を考える ラミネートされた視覚補助で汎用的なイメージを示しつつ、映像で実際の弊社のシナジーカフェを映して説明している グループワーク内では出そろった意見のグルーピングまで自分たちで考えて取り組みます プログラムで紹介しよう 高学年向けの講座では、子どもたちが楽しみながら「プログラミングの考え方」を身につけられるよう、初心者向けの教育用ツール「Scratch（スクラッチ）」を使用します。Scratchは、色と形でわかりやすく分類されたブロックを組み合わせて動きを作ることで、自然とプログラミングの仕組みを理解できる学習ツールです。本講座では、単なる操作方法の習得にとどまらず、「目的を達成するためにどんな手順で考え、どう工夫するか」といったロジカルシンキング（論理的思考力）を育てます。 授業前半はプログラミングの仕組みや用語などを簡単にレクチャー ヒントを伝えながら、後半はハンズオンメインで頭を使い、手を動かし実際にプログラム処理を作っていきます。 指定課題にはGMOインターネット株式会社のサービスConoHaのキャラ「美雲このはちゃん」が登場します！ それぞれのブロックの特性を知らないと、どんな動きになるのか想像にしくいですね・・ プログラミング学習ツール「Scratch」は、すでに使用経験のある児童と初めて触れる児童とで習得のスピードに差が生まれやすく、授業進行のバランスを取ることが難しい場面もあります。 そこで私たちは、進行のばらつきを最小限に抑えるため、後半のハンズオンパートを工夫しました。指定の課題を終えた児童には、ゲームやアニメーション制作など、自分のアイデアを自由に形にする時間を設け、より主体的に取り組める構成としています。 このような設計により、知識や考え方の理解だけでなく、「つくる楽しさ」や「発想を形にする達成感」を体感できる授業となっています。さらに、現場で活躍するエンジニアリングのプロ講師陣が直接指導することで、子どもたちは問題解決力や創造力を自然と育むことができます。 「みんなが先生になれる授業を目指す」──グループ横断でプロジェクトを設計したエンジニアクリエイター先生にインタビュー！ エンジニア・クリエイターがオフィスを飛び出し教室へ──GMOインターネットグループALLで挑む教育支援の新しい形を構築した初年度の立ち上げメンバーにインタビューしてきました！ GMOインターネットグループ　エキスパート(映像制作)　加藤　優真GMOインターネット株式会社　システム本部 アーキテクチャー統括 アプリケーション共通チームマネージャー　谷中　佑貴人GMOインターネット株式会社　システム本部 アーキテクチャー統括 アプリケーション共通チーム田中　泰典 左から加藤さん、谷中さん、田中さん 前任者から受け継いだコンテンツのバトン 今年度のKids VALLEYプロジェクトについてどのような経緯で谷中さんが引き継いだのでしょうか？ 谷中前任者から「これが資料です！わからないことがあったら次回回答するよ」と授業で使用していた資料を渡されたところからのスタートでした。授業支援の活動概要自体は把握していましたが、実際の現場感はわからなかったため、資料を見ただけではプログラム詳細をかみ砕くことは難しく自分が講師として現場に立つには不十分な状態でした。 具体的にはどのような課題があったのか教えてください。 谷中前任の担当者は一人で、学校ごとに柔軟にPDCAを回しながら授業を設計・運営していました。現場の状況を見ながら最適な方法を組み立てられる点は大きな強みでしたが、そのノウハウが本人の経験と感覚の中にしか存在しないという課題がありました。属人化を解消し、誰でも同じ品質で授業を再現できるようにすること、それが今回のプロジェクトで最初に取り組むべきテーマでもあり課題でした。 属人化解消の工夫や支援における工夫があれば具体的に教えてください。 谷中最も重視したのは、「使用するスライドの内容が誰にとっても直感的に理解できること」です。担当者の経験や勘に依存せず、講師ごとに解釈の違いが生まれないように設計しました。どのスライドを見ても「この場面ではこの内容を伝える」と明確に分かる、再現性の高いUX（ユーザー体験）の改善を目指しました。また、授業では“メイン講師”と“サブ講師”という役割を想定していたため、それぞれの立場で同じ情報を共有し、授業中にスムーズに連携できるよう工夫しています。具体的には、スライド右上に講師同士の合図としてイラストや文字でプロンプトを配置し、進行のタイミングやサポートの動きを視覚的に把握できるようにしました。 支援における工夫という点では、学校ごとにクラスの人数・コマ数・授業時間にばらつきがあったため、その都度、資料や進行内容を調整する必要がありました。基本は「45分×2コマ（合計90分）」をベースとしたカリキュラムを作成していましたが、中には半分の「45分×1コマ」で実施しなければならないケースもありました。同じ内容を半分の時間で進行することは難しいため、時間配分や説明の深度を見直すなど、限られた時間内で学びの質を保つ工夫を重ねていました。田中 谷中授業で使用する教材やペープサートなどの視覚補助については、先を見越してすべてラミネート加工しました。丈夫に作っておけば、繰り返し使えて持ち運びも簡単になります。一度準備したら使い回せるようにして、毎回の細かな準備負担を減らすことも工夫した点ですね。 多様なスキルが交わるシナジーで挑むプロジェクト推進 普段は所属企業も職域も違うメンバーが一堂に会しており、授業支援の経験値でいえば全員が初心者。そこで、授業の流れやメイン講師・サブ講師それぞれの動き、テンポ、言葉選びや雰囲気などあらかじめメンバー間でシェアできる体制の構築を実現するために行きついたのが”マニュアル動画の制作”だったそう。その詳細についても伺いました。 今回のプロジェクト推進にあたり、マニュアル動画を制作した経緯を教えてください。 谷中今回はプロジェクトのコアメンバーにグループのエキスパートとして映像制作分野で活躍する加藤くんが入ってくれていました。彼のスキルを存分に生かして活動の幅を広げたかったし、プロジェクトリーダーとしてその結果を評価につなげてあげたかったという思いの背景があります。 グループから多くの方が授業に関わっていただくにあたって、同じ説明や手順を何度も人力で繰り返すのは非効率だと思っていました。動画制作を本業としている私がこのプロジェクトに関わる意義も見いだせると感じましたしありがたかったです。何度かリハーサルを重ねて、最終的に“これなら伝わる”という形になったものを動画として収録しました。加藤 谷中ここは映像を扱えるクリエイターがいてくれて踏み込めた決断でもありますね。正直エンジニアだけだったら敷居が高い判断だったと思います。笑 学びの共有を人が繰り返し行うのではなく、仕組みとして残せるようになったことはプロジェクト効率化という観点でも、属人化していた授業準備の改善するという点においても有意義でした。加藤 田中そうですね。さらに動画があることで、初参加の講師の心理的ハードルはかなり下げられたと思いますね。事前にマニュアル動画を見て参加するだけで、当日の体感は参加2回目なんです。事前に授業の流れがインプットされているだけで当日の参加モチベーションは高められたと思います。 マニュアル動画の整備と並行してOJTも構造化していったとか？ 谷中そうですね。最初は、私がメイン講師でないと進まない状態でした。ただプロジェクトゴールとしては「誰でもメイン講師ができること」として設定していたのでマニュアル動画の制作を踏まえてメイン講師デビューまでの段取りを見える化していきました。 ①マニュアル動画を見る→②一部のプログラムを進行する→③全体進行のステップでメイン講師デビューを目指しました。最短ルートが切り開ける仕組みができたかなと思いますね。一度マニュアル動画を見た上で、参加講師全員ある程度の流れをつかんで初回授業に臨んでいるので、ハードルが下がり成功体験を積むことができたという点でとてもよい循環を生み出せているのではないかなと実感しています。田中 現場エンジニア・クリエイターが”先生”として教育に携わる意義 私たち企業が教育現場に携わる意義についてはどのように考えていますか？ 谷中“伝えたいことを伝えよう”、“プログラムで紹介しよう”タイトルは違いますが、どちらもGMOインターネットグループが日々行っている仕事や考え方に通じる内容を意識して構成しています。インターネットが当たり前の時代を生きる子どもたちに、私たちがどんな仕組みを支え、どんな想いでこの世界を動かしているのかを伝える。直接的でなくても、そうした話を通してITやインターネットというもの自体に興味を持ってもらえたらうれしいです。それこそ、インターネットインフラ事業No.1のGMOが取り組むPBL（Project Based Learning）授業の最大の意義だと思っています。 ”先生方への支援”という観点でも意義を感じていますね。僕はクリエイターとして映像を通じて物事を伝える仕事をしているので、自分なりに積み上げてきた“伝え方の知見”があると自負しています。小学校って担任制で、先生があらゆる教科を教えるじゃないですか。だから、どうしても一人ひとりの負担が大きいし専門領域以外を教えるのってとても大変なことだと思うんです。そこに僕らのようなIT領域における現場メンバーが加わることで、少しでも授業のサポートになればと思っていました。「子どもたちへの貢献だけでなく、先生方の助けにもなる──」それが、僕たちが関わる意義のひとつかなと思っています。加藤 田中私は内向きな自身の成長という意味でも大きな意義があると感じています。普段はエンジニアとしてコードやドキュメントと向き合う時間が多く、ミーティング用の資料をつくることはあっても具体的に“人に何かを伝える”という機会はあまり多くありません。ですが、今回の授業では教える立場になり、“どうすればより伝わりやすく、理解してもらえるか”を考える良い機会になりました。また、子どもたちがScratchを使って、自分の作りたいものを工夫しながら形にしていく姿を見ていると、その素直な感情や反応を通してものづくりの喜びを改めて実感する機会となりました。教える側でありながら、自分自身が初心を取り戻すような感覚でしたね。 こどもたちの反応はとても素直で可愛らしかったですよね。 田中学年によって集中力の持続時間も違うので、話を聞いてもらったり理解を深めてもらうのには工夫が必要でしたね・・！　それも現場に行ってみてはじめて感じた改善点だったりします。 私たちは普段業務ではお客様と実際直接関わる機会ってほぼないので、とても新鮮で緊張しました！よりインタラクティブに授業を展開していく大切さも実感しました。加藤 今後の活動の展望があれば教えてください。 谷中今後は、授業も講師体制もさらに拡充していきたいと考えています。小学校だけでなく中学校までスコープを広げながら、授業内容のアップデート・改善し、社内外に向けてインターネットインフラ事業No.1を目指すGMOが取り組むPBL型授業としてプログラムを拡充していきたいと思っています。また、今年の活動経験やノウハウをきちんと言語化し、“成功体験”として来年以降へつなげたいです。 今後子どもたちが生きていく世界ではAI技術がますます発達していくことが想定されます。その上で“自分がどうしていきたいのか”を考える力がとても大事だと思っています。AIに飲み込まれるのではなく、自身の意思でAIを使いこなせる子が増えていってほしいなと願っています。この授業が、その気づきの“ひとつのきっかけ”になれたらうれしいですし、動画クリエイターとして、そうしたメッセージをこれからも伝えていきたいと思っています。加藤 田中ここでの経験やその後の活動を通して、中学生や高校生になったとき進路を考える足がかりにしてもらえたらうれしいなと思いますね。頭の片隅にでも記憶を残してもらえて、いつか関わった子たちと一緒にGMOインターネットグループで働く未来がかなえられたらいいなというのが活動の中長期的な展望です！この活動を通して、子どもたちが自分の将来にワクワクできるような成長のきっかけをつくっていきたいと思っています。 子どもたちと学びあう”共育”の場 AIが台頭するこれからの時代において、求められるのは“知識を持つこと”よりも“考える力”です。GMOインターネットグループは、Kids VALLEYプロジェクトを通じて、子どもたちが自ら考え、表現し、創る力を育む教育支援に取り組んでいます。 現場で活躍するエンジニアやクリエイターが直接教壇に立ち、そのリアルな経験と専門性を、次の世代へと手渡していく。それは“仕事の延長線”ではなく、未来を育てる社会的使命でもあります。 GMOインターネットグループはこれからも、「学びの現場に、実践者のリアルを届ける」取り組みを広げ、子どもたちとともに学び成長しあいながら教育と社会の架け橋となる活動を続けていきます。