SalesForce導入・開発・構築
Kintone導入・カスタマイズ開発・プラグイン開発
Office365・D365 CRM・D365 FO
PowerAppの導入・開発・構築
AI SDLC PLATFORM｜アリコーンのAI開発生産ライン
AIに任せきらない。 レガシー刷新を、 説明できる開発へ。
現行資産から業務意図を読み解き、仕様化・設計・実装・検証まで。 人の承認を挟みながら、アリコーンがWebシステムへの再構築を 一貫して支援します。
- Access→Webの実案件で活用
- 7工程＋人の承認ゲート
- 仕様・設計・コード・テストを追跡
7工程 × 人の承認ゲート
現行資産
Access・VBA・Excel
ALICORN CONTROLLED DELIVERY
-
01
要件
分析 -
02
技術
分析 -
03
システム
設計 -
04
開発
計画 -
05
開発
実装 -
06
テスト
検証 -
07
バグ
管理
各工程で担当者が確認・承認
Webシステム
仕様書・設計書・
テスト記録
仕様・設計・コード・テストを相互に追跡
業務意図を再構築
画面・処理・データから、現行仕様を可視化します。
人が工程ごとに承認
AIの出力を確認し、判断を経て次工程へ進めます。
成果物を相互に追跡
仕様・設計・コード・テストのつながりを保持します。
製品・サービス
Alisurvey
アンケートシステム
ノーコードで、すぐに使い始められる国産のアンケートシステム。市場調査の全工程をワンストップでサポートします。シンプルな操作で、業務効率化と生産性向上を実現します。
直感的なアンケート作成
ドラッグ＆ドロップで簡単作成。20種類以上のコンポーネントであらゆるニーズに対応。
多様なアクセス制限
IP、デバイス、回答回数、時間制限など、必要な制限を設定してデータの信頼性を確保。
リアルタイムデータ分析
回答をリアルタイムで集計し、グラフ（棒グラフ、折れ線グラフ、円グラフ）で視覚化。
柔軟なデータ管理
収集したデータの編集、エクスポート、印刷、添付ファイルの一括ダウンロードに対応。
最近の記事
Harness Engineeringとは、AIエージェントに「手綱（ハーネス）」をつけ、自律的かつ確実に複雑なタスクを実行させるための環境・ルール・フィードバック設計のこと。プロンプトやコンテクストを超えた第三の波であり、AIモデル自体を変えずに外部環境を最適化するだけで性能が劇的に向上する（LangChainの実験で世界30位→5位）。OpenAIの実験では、エージェントだけで100万行のコードを5ヶ月で構築し、効率は手作業の10倍に。可観測性・制約とフィードバック・知識ベースの3要素が核となる。銀行、金融、自動車、開発現場など幅広く応用され、AIを「おもちゃ」から「産業用信頼ツール」へ変える新しいエンジニアリング標準である。
現在のスマートホームが抱える「命令型インテリジェンス」の限界を指摘し、未来のあるべき姿「状況型インテリジェンス」を具現化したコンセプト「OpenClaw」を紹介する。OpenClawは家中のセンサーを通じて居住者の状況、家の状態、外部環境を理解し、家電を統合制御する「家庭の脳」である。具体的なシナリオ（掃除、空調、買い物）を通じて、単なる家電操作ではなく、居住者の習慣、健康、家計まで考慮した能動的な「生活の調整」を行う様子を描く。真のスマートホームとは、命令を待つツールではなく、理解し思いやる「生活のパートナー」であると結論付ける。
本記事では、OpenClawを活用したマルチモデル構成におけるセキュリティとプライバシー保護のベストプラクティスを解説する。データ分離、API鍵管理、転送時の暗号化、監査とコンプライアンス、ゼロトラストアーキテクチャに至るまで、具体的な構成例と共に安全強化策を示す。各エージェントへの独立したWorkspace割り当て、環境変数による鍵注入、HTTPSの強制、ローカルモデル優先の原則、フェイルオーバー時のリスク評価、ログのマスキングと監査、そして実行環境の分離など、多角的な対策を講じることで、マルチモデルの利点を活かしながらもリスクを最小化する方法を提案する。
本記事では、OpenClawを活用したマルチモデル構成のベストプラクティスを解説する。目的は、インテリジェンス（賢さ）、応答速度、コストの三者を両立させることである。そのための全体戦略として、モデルを階層化し、タスクの種類や複雑度に応じて最適なモデルへ自動ルーティングする仕組みを提案。具体的には、軽量モデルによる意図分類層、専門モデルによる実行層、障害発生時のフォールバック層を設ける。設定手順として、複数プロバイダのモデル登録、専門エージェントへのフォールバック設定、条件分岐を含むワークフローの設計方法をJSON例と共に示す。さらに、高コストモデルに対するトークン予算の設定、長時間タスクの非同期処理、軽量モデルによる簡易リクエストのフィルタリング、フォールバックとリトライ、監視による動的調整などの最適化手法を紹介する。この構成により、複雑なタスクには高性能モデルを割り当てつつ、単純な対話は低コスト高速モデルで処理し、全体の応答性と経済性を高めることが可能となる。
ベクトルデータベースは、AI・機械学習において非構造化データを高次元ベクトルで管理し、近似最近傍探索(ANN) を用いた高速な類似性検索を実現する専用データベースです。本稿では、その基本原理（埋め込み生成、インデックス、距離尺度）と、Milvusを例にした具体的な使用方法を解説します。さらに、内部アーキテクチャ（アクセス層、調整サービス、ワーカーノード、ストレージ層）を詳述し、Milvus、Pinecone、Weaviate、Qdrant、Chroma、そして従来の検索エンジンでありハイブリッド検索に強みを持つElasticsearchを含む主要なベクトルデータベースを、オープンソース性、性能、インデックス、エコシステム、デプロイ観点で比較します。最後に、Milvusに焦点を当てた模擬面答を通じて、各製品の違いと適切な選定基準を明確にします。
本稿は、检索拡張生成の技術とアルゴリズムに関する体系的かつ包括的な研究である。LangChainやLlamaIndexといった主要ライブラリの実装例を参照しつつ、RAGの全プロセスを詳細に解説する。
まず、データのチャンク分割、ベクトル化、検索インデックスの構築といった基礎的なRAGパイプラインから始め、続いて、検索精度と回答品質を飛躍的に高める以下の高度な技術に焦点を当てる：
検索の最適化：階層インデックス、仮説質問(HyDE)、コンテキスト拡張、融合検索
クエリ変換：マルチクエリ、クエリ書き換え
対話エンジンとクエリルーティング
エージェントを活用した複雑なマルチドキュメント対話
応答合成の手法
エンコーダ及びLLMのファインチューニング手法
RAGシステムの評価指標と手法
2025年に飛躍的な進化を遂げたRAG技術の全体像を把握し、実践的に活用したい開発者や研究者にとって、高い価値を持つ解説書となることを目的としている。