株式会社ずんだもん技術室AI放送局

AIやテクノロジーのトレンドを届けるPodcast。平日毎朝6時配信。朝の通勤時間や支度中に情報キャッチアップとして聞いてほしいのだ。

株式会社ずんだもん技術室AI放送局 podcast 20260120

2026年01月20日

MP3ファイルをダウンロード

内容紹介

LINE iOSアプリ開発を高速化するClaude Code基盤の設計思想、RTX5090 2台構成の機械学習用PCを自作する - A Day in the Life、従業員1日の活動履歴を全部AIに投げて働き方を指示してもらう

出演者

ずんだもん
ずんだもん

youtube版(スライド付き)

関連リンク

LINEは、大規模なiOSアプリ開発においてAIコーディングエージェント「Claude Code」を最大限に活用するための設計思想を公開しました。大規模プロジェクトでは、AIが膨大なファイルやビルド時間に圧倒され、効率が低下するという課題があります。これを解決し、AIに人間と同等のスムーズな開発サイクル（イテレーション）を実行させるための4つのポイントが示されています。

  1. コンテキスト（情報量）の最適化 AIが一度に理解できる情報には限りがあります。全てのルールを初期設定ファイル（CLAUDE.md）に詰め込むと、すぐに限界が来てしまいます。そこで、特定のファイルパスを操作する時だけルールを読み込む仕組みや、必要な時だけ呼び出す「Skills」機能を活用し、AIに与える情報を最小限かつ適切に絞り込む工夫をしています。

  2. 開発イテレーションの自動化と「Subagent」の活用 大規模アプリでは全体のビルドに非常に時間がかかります。AIが不用意にフルビルドを開始してしまわないよう、メモリファイルで「モジュール単位のビルド」を優先するよう指示しています。また、ビルドやテストといった特定のタスクを「Subagent」として切り出すことで、大量のビルドログでメインの会話が埋もれてしまう（コンテキストを汚染する）のを防いでいます。

  3. 従来手法（CLI/スクリプト）との組み合わせ AIは柔軟ですが、複雑な設定ファイル（Xcodeのプロジェクト設定など）の書き換えで不正確な出力をすることがあります。そこで、厳密な操作が必要な部分はあらかじめ用意したCLIツールやスクリプトをAIに実行させる「Skill」として定義しています。AIの「推論力」とプログラムの「正確性」を組み合わせたガードレール設計が重要です。

  4. 継続的な改善と個人への最適化 AIへの指示（プロンプト）に完成形はありません。開発者が個人の好みに合わせて設定を拡張できる仕組みや、チーム全体でインストラクション（指示書）を改善し続ける文化を構築しています。

新人エンジニアへのメッセージ： AIエージェントを使いこなすコツは、単に魔法のように使おうとするのではなく、AIが「今、何を知るべきか」「どのツールを使うべきか」を整理してあげる環境設計にあります。AIと協力して高速に「実装→ビルド→テスト」を回すこの手法は、これからの大規模開発におけるスタンダードな姿と言えるでしょう。

引用元: https://techblog.lycorp.co.jp/ja/20260119a

本記事は、パラメータサイズ100M以下のTransformerモデル学習や、複数GPU環境の知見を得るために、最新のハイエンドGPU「GeForce RTX 5090」を2枚搭載した機械学習用PCを自作した記録です。2025年末から2026年初頭にかけてのパーツ選定や、ハイエンド構成特有の注意点が詳細に解説されています。

最大の課題は「電力」と「排熱」です。RTX 5090は1枚で最大575Wを消費するため、2枚構成では1600W以上の電源が必須となります。しかし、日本の一般的な100Vコンセント（最大1500W）では電力が不足するため、著者は壁コンセントを200V/20Aへ変更する電気工事を行い、1650WのATX 3.1対応電源を採用しました。

GPUの物理的な設置も工夫が必要です。近年のGPUは厚みが増しており、空冷モデルを2枚並べて挿すのは困難です。今回は「空冷モデル」と「簡易水冷モデル」を1枚ずつ組み合わせることで、物理的な干渉を回避しつつ冷却性能を確保しています。マザーボードには、PCIe 5.0 x8/x8動作が可能な「ASUS ProArt X870E-CREATOR」を選定し、巨大なPCケース内で最適なエアフローを構築しています。

その他の構成では、CPUにRyzen 9 9950X（16コア）を採用し、メモリはAI需要による価格高騰の影響を考慮して64GBを搭載。ストレージは、学習時のランダムアクセスを支える8TBの高速NVMe SSDをメインとし、データ読み込みの工夫としてHDDを併用するテクニックも紹介されています。

運用面では、GPUを2枚使うことで学習や推論（vLLM等）の速度が1.8〜2倍向上するという大きなメリットが得られました。一方で、コンシューマ向けGPUはデータセンター向けGPU（H200等）のような高速なNVLinkが廃止されているため、PCIe 5.0 x8による通信がボトルネックとなり、学習手法によっては速度が伸び悩むというマルチGPU特有の課題も語られています。

これからローカルでのAI開発環境を構築しようとする新人エンジニアにとって、ハードウェアの物理的な制約から実効性能の限界までを網羅した、非常に実践的なガイドとなっています。

引用元: https://secon.dev/entry/2026/01/19/100000-rtx5090x2-pc/

本記事は、ワークフロー自動化ツール「n8n」と生成AI（Claude等）を活用し、従業員の多種多様な活動ログから日次レポートとマネージャー向けサマリーを自動生成するシステムを構築した実例紹介です。新人エンジニアにとっても、自動化の可能性と「まずは作ってみる」楽しさを感じられる内容となっています。

1. システムの概要と目的

Slack、Gmail、Googleカレンダー、Asana、Box、Zoomといった各種SaaSから1日分の活動データを取得し、AIに分析させることで「前日の振り返り」と「今日やるべきこと」を毎朝通知します。単なるログの集約ではなく、AIによる「業務分析アシスタント」としてのアドバイスや、マネージャーが組織の状態を一目で把握できるダッシュボード機能を実現しています。

2. 技術的な構成と工夫

  • データ収集と加工: APIで取得した生データにはノイズ（広告メールやスタンプ等）や機微情報が含まれるため、フィルタリングと情報の削ぎ落としを行った上でLLMに渡しています。
  • インフラの最適化: 当初はn8nのクラウド版を利用していましたが、メモリ不足や実行時間の制約に直面したため、GCP（Google Cloud）上でのセルフホストに移行しました。インフラ構築にはTerraformを活用し、構成案もAIと相談しながら決定しています。
  • DB運用: n8nの実行データによるSQLiteの肥大化を防ぐため、成功ログの保存停止や定期的なメンテナンス設定を行い、パフォーマンスを維持しています。

3. プロンプトエンジニアリングの要諦

AI（Claude）への指示は非常に詳細です。「事実に基づかない推測をしない」「Slack独自のマークダウン形式を守る」といった厳格なルールを定義することで、実用的な出力を得ています。特にマネージャー向けには、異常値の検出（会議過多やタスク未完了等）と、それに対する具体的なアクションプラン（1on1の実施内容等）まで提案させる設計になっています。

4. エンジニアとしての学びと展望

筆者はこの構築プロセスを、効率化を追求するゲーム「Factorio」になぞらえ、試行錯誤の楽しさを強調しています。

  • ローコードツールの活用: n8nで巨大なワークフローを構築し、まずはクイックに動くものを作る重要性。
  • ツールの限界と移行: 処理が複雑化した後は、Go言語などで書き直し、サーバーレス環境（AWS Lambda等）へ移行するという、システム成長に合わせた「適材適所」の判断。
  • AIとの共生: ワークフローの生成からエラー修正までAIをフル活用する、現代的な開発スタイル。

「面白そうだからやってみる」という好奇心こそが、複雑な業務課題を技術で解決する原動力であることを示す、非常にポジティブな事例です。

引用元: https://note.cloudnative.co.jp/n/nda20cf9d1051

（株式会社ずんだもんは架空の登場組織です）