【2022年06月03日】今日のおすすめIT・テクノロジーニュース記事一覧

2022年06月03日に、注目を集めたIT・テクノロジーニュース記事一覧を掲載しました。
速報・トレンド・最新技術などご覧ください。

sessionとcookieが多分わかる資料

東京大学深層学習（Deep Learning基礎講座2022）深層学習と自然言語処理

東京大学深層学習（Deep Learning基礎講座2022）https://deeplearning.jp/lectures/dlb2022/
「深層学習と自然言語処理」の講義資料です。

JavaScriptを何となく使っていたので勉強し直したら知らなかったこと

最近のトイレおしゃれなだけで実用性少なすぎる、焦ってる時に漏らさない方が重要なんです

個人的にはおしゃれマークのトイレ好き

PCの電源ユニット、GaNでめっちゃ小さくなります

自作PCの重要パーツのひとつ、電源ユニット。ふつう電源ユニットといえば両手でつかむ箱くらいのサイズ…なんですが、HDPLEXの｢HDPLEX 250W GaN Passive AIO ATX Power Supply｣は分厚いスマホくらいのサイズしかありません。

黒歴史が消去不能に？ ツイートをブロックチェーンに刻み込んで消せなくする危険なツール【やじうまWatch】

　任意のツイートをNFT化し、ブロックチェーンに刻み込んで消去できなくする危険なツールが登場して話題になっている。

MySQL で複合インデックスを作成する際には必ず key_len を確認すべきという話

「Rails Developers Meetup 2018 で「MySQL/InnoDB の裏側」を発表しました」でちゃんと触れられてないので今更ながら key_len について補足します。発表で触れた内容については言及しないので、storage engine や B+ tree といった用語がよくわからない方は…

個人開発激安 GCP (にしたい)

ポート番号3306を使用する約360万台のMySQLサーバーが公開され潜在的な攻撃対象となっていることが判明

セキュリティ企業Shadowserverの調べにより、ポート番号3306/TCPでアクセス可能なMySQLサーバーが約360万台も存在しており、サイバー攻撃の対象となる可能性があることが判明しています。

「量子超越性」を持つ光量子コンピュータ、AWSで利用可能に　スパコン富岳で9000年かかる計算を36マイクロ秒で

カナダの量子ベンチャーXanadu（ザナドゥ）は、特定のタスクで世界最高性能のスーパーコンピュータの計算速度を上回るとする光量子コンピュータ「Borealis」をAmazon Web Services（AWS）上で提供すると発表した。

新機能「おとなり日記」をリリースしました – はてなブログ開発ブログ

PC版、スマートフォン版のブラウザの購読リストに、あなたへのおすすめの10記事*1を表示する新機能「おとなり日記*2」をリリースしました。購読リストははてなブログに登録、ログインすることで閲覧できます。 興味のある記事を表示する方法 「おとなり日記」に記事が表示されない場合 読みたくない記事を非表示にする方法 さらに詳しい使い方 「おとなり日記」へのフィードバック 関連記事 興味のある記事を表示する方法 「おとなり日記」では 他の記事につけたはてなスター、はてなブックマーク ご自身のブログにつけたはてなブログタグ をもとに、興味のありそうな記事や、同じようなテーマを取り扱っている記事が表示され…

バンダイ「紙製カプセル」をカプセル自販機に本格導入

バンダイは3日、カプセル自販機「ガシャポン」に紙製カプセル「マプカプセル」を導入すると発表した。6月第4週から順次導入する。

「パパ、どうして技術記事を書くの？」無職やめ太郎が関西型言語でアウトプットを続ける理由 – Findy Engineer Lab – ファインディエンジニアラボ

無職やめ太郎(@Yametaro1983) さんは、株式会社ゆめみに所属するエンジニアです。エンジニアコミュニティサービス「Qiita」にて、関西型言語（関西弁）を駆使した文体で記事を執筆・投稿しており、多くの読者からの人気を集めています。 Findy Engineer Lab編集部はそんなやめ太郎さんに「普段どおりのポップな文体で、ご自身のキャリアを振り返る記事を書いてください」とリクエストしてみました。知られざる「やめ太郎さんが技術記事を書き続ける理由」とは？ とある休日 娘「ねぇ、パパ？」 ワイ「なんや？娘ちゃん」 娘「パパはどうして、関西弁のコントみたいな記事をQiitaに書くの？」 …

アーキテクチャと設計は全然違う⋯ただしあなたの想像する”違い”とは多分全然違う【輪読会発表紹介】 – エムスリーテックブログ

「ソフトウェアアーキテクチャの基礎」第2章の輪読会資料をご紹介。アーキテクチャと設計の違いを思考法の違いから説明していきます。

Repro のサーバーサイド開発環境を M1 Mac に対応させるまでの道のり(再始動編) – Repro Tech Blog

こんにちは、@r_takaishi です。近所にスパイスカレーのお店ができてハッピーです。今回は、Reproのサーバーサイド開発環境におけるM1 Mac対応を改めて行ったので、やったことを紹介します。 なお、これまでの経緯は以下の通りです。 前回 Repro のサーバーサイド開発環境を M1 Mac に対応させるまでの道のり(撤退編) – Repro Tech Blog 前々回 Repro のサーバーサイド開発環境を M1 Mac に対応させるまでの道のり – Repro Tech Blog いつのまにかConfluent PlatformがM1 Mac上のDockerで動くようになっていた …

Mozzilaがオフラインでも使える翻訳ツール「Firefox Translations」を公開

ウェブブラウザ「Firefox」を開発するMozillaが、ローカルで動作するFirefox用機械翻訳アドオン「Firefox Translations」を公開しました。Google翻訳やDeepL翻訳などの翻訳サービスとは異なり、翻訳はクライアントサイドで実行され、データが完全にプライベート化されるのが特徴です。

【特集】 「Wi-Fi中継機」は本当に効果があるのか？戸建てとマンションで電波の届き具合を検証。中継機が速度低下を招くことも……

　「Wi-Fiがつながらない……」、「通信が途切れる……」。こうした悩みの救世主となる可能性があるのが「Wi-Fi中継機」だ。アクセスポイントからの電波を中継することで、通信エリアを広げたり、通信速度を向上させたりすることができる。中継機の効果を3階建て戸建てと2LDKマンションで実際に検証してみた。

日は沈む。考える事を放棄した日本産UIの日没 – Qiita

想像力を欠如したデザインの成れの果て
日本産ソフトやアプリのUIと聞いて連想するのはまさにコレである。

なんと愚かなUIであろうか。
日本庭園や浮世絵、茶の湯を引くまでもなく、日本人のDNAには引き算の美意識が脈々とながれているは…

データベースのテーブル定義の仕様書を自動生成しよう | CyberAgent Developers Blog

AI事業本部 DX本部の黒崎(@kuro_m88)です。 社外(取引先など)向けに作成する仕様書を自動生成する取り組みを試しているので、アイデアを紹介します。今回はSnowflakeで構築されているデータ分析基盤のテーブル定義の仕様書を例に紹介していきます。ツールはGoを使って開発しました。

「Confluence」に“最高レベル”のゼロデイ脆弱性　遠隔地から任意のコードを実行される恐れ

豪Atlassianのコラボレーションツール「Confluence」に関する一部製品で、遠隔地から任意のコードを認証不要で実行できてしまう脆弱性が見つかった。深刻度は同社基準の最高値である「Critical」で、修正プログラムは未公開。

「ゆっくり茶番劇」商標問題を、ドワンゴ視点の時系列で振り返ってみる（ニコニコ代表：栗田氏の寄稿）

2022年5月15日から約2週間にわたって世の中を騒がせた「ゆっくり茶番劇」商標問題。

freeeの社内異動制度「異動戦国」のチーム紹介を一挙公開 – freee Developers Hub

こんにちは、DevBrandingのellyです。 先日ブログでご紹介したfreeeの社内異動制度「異動戦国」、この時期になると社内では毎年、異動希望者を募集するために各チームの熾烈なPR合戦が繰り広げられます。 今回は、その際のSlackや社内WikiでのPR合戦の様子をご紹介します。募集期間中の社内の雰囲気やfreeeの開発組織にはどんな仕事があるのか、どんな魅力があるのかを知ってもらうきっかけになれば嬉しいです。 Slack上で繰り広げられた今年のPR合戦の様子 チーム紹介 SREチーム DBREチーム DXチーム IAM （認証認可基盤開発）チーム サービス基盤チーム 課金基盤チーム …

MLflowの使い方 – 機械学習初心者にもできる実験記録の管理 –

こんにちは！読者の皆さんは、機械学習モデルのハイパーパラメータ調整を手作業で管理し、苦労した経験がないでしょうか。実験記録の管理は大事な一方で、なかなか大変です。今回紹介するMLflowは、実験記録を簡単に管理できる便利なPythonライブラリです。MLflowは実験管理だけでなく、機械学習プロジェクト全体を管理する様々な機能を提供する非常に人気なライブラリです。一方で、多機能な反面で初心者が最初に導入するにはハードルが高い側面があるのも事実です。本記事では、MLflowの実験管理の機能に絞り、簡単な例で使い方をご説明します。そのため、初めて使用する方も安心してご覧ください。では、早速始めていきます。 目次 実験記録の重要性MLflowとはMLflowのインストールデータセット準備機械学習モデルの用意MLflowを用いた実験記録の管理実験記録をUIで可視化まとめ 実験記録の重要性実験記録を残すことは重要です。実験記録を残さないと、過去の実験から最良の選択ができないことに加え、再現することもできません。特に、ビジネス上で機械学習を活用する場合、運用モデルで生じた問題をすばやく再現し、検証することは必須となります。一方で、機械学習は様々な要素で構成されるため、実験記録の管理が煩雑になります。例えば、使用するデータセット、前処理方法、機械学習アルゴリズム、ハイパーパラメータ条件など、多くの要素が挙げられます。私自身もモデルのハイパーパラメータ調整で実験記録を取る機会が頻繁にありますが、下図のような表形式で管理し、苦労した苦い経験が多々あります。 MLflowとはMLflowはコードの実行ごとに実験記録を作成してくれる便利なライブラリです。OSSのため、誰でも無料で使用することができます。MLflowは実験管理だけでなく、機械学習プロジェクト全体で使用できる機能を提供しており、4つの主要な機能（コンポーネント）で構成されています。MLflow Tracking: 実験記録の管理MLflow Projects: 再利用可能な形でコードをパッケージ化MLflow Models: 本番環境へ機械学習モデルを提供するための機能Model Registry: 運用管理のための、モデル登録・API・UIの提供今回は、機械学習モデル構築時の実験記録の管理で使用する、MLflow Trackingの使い方を実際の例を通してご紹介します。具体的には、機械学習モデルのハイパーパラメータの水準とその評価指標の実験記録をMLflowで管理します。また、実験結果をUIで可視化して確認します。MLflowの導入で実験条件とその結果（評価指標、学習済みモデル）を効率よく管理できるようになり、負担の軽減に繋がることを実感頂けるはずです。では、実際に使っていきましょう。 MLflowのインストール以降で紹介するコード例は、Jupyter Notebookでの実行を想定しています。また、本記事のサンプルコードは、次のライブラリのバージョンで動作確認をしています。scikit-learn==1.0.2mlflow==1.25.1MLflowのインストールが未実施の人は、事前にインストールが必要です。$​​pip install mlflow# バージョンを指定する場合$pip install mlflow==1.25.1インストールの完了後、使用するライブラリを事前に読み込んでおきましょう。from sklearn.datasets import fetch_california_housingfrom sklearn.model_selection import train_test_splitfrom sklearn.ensemble import RandomForestRegressorfrom sklearn.metrics import mean_squared_error as MSEfrom sklearn.metrics import r2_scoreimport mlflowimport mlflow.sklearn データセット準備今回はscikit-learnライブラリに含まれるカリフォルニア住宅価格のデータセットを使用します。データセットはsklearn.datasetsモジュール内のfetch_california_housing()から取得できます。引数に”as_frame=True”を指定すれば、dataset[‘frame’]からpandasのDataFrame形式で取得できます。# as_frame=True –> ‘frame’にpandasのDataFrame形式で格納されるdataset = fetch_california_housing(as_frame=True)df = dataset[‘frame’]df.head()データセットの１行分に相当する各データは、地域をブロックごとに分けて算出された値で構成されています。例えば、目的変数の変数MedHouseValは対象ブロックの住宅価格の中央値を表します。同様に、説明変数も各ブロックごとで算出された値です。各変数の詳細は次の通りです。MedInc: 世帯ごとの所得の中央値HouseAge:  築年数の中央値AveRooms: 1世帯当たりの部屋数の平均値AveBedrms: 1世帯当たりの寝室数の平均値Population: 人口AveOccup:  世帯人数の平均値Latitude: 対象ブロックの中心緯度Longitude: 対象ブロックの中心経度MedHouseVal: 住宅価格の中央値データセットを説明変数と目的変数に分けます。目的変数は変数MedHouseValです。target_col = ‘MedHouseVal’X, y = df.drop(columns=[target_col]), df[target_col]次に、データセットを訓練用と検証用に分割します。X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)以降で、訓練データで機械学習モデルを学習し、評価指標を検証データから算出し、モデルの精度を確認していきます。 機械学習モデルの用意今回はランダムフォレストを機械学習モデルに使用します。scikit-learnライブラリで簡単に使用することができます。次のコードで、モデルの定義と訓練を行います。今回、モデルの引数に指定するハイパーパラメータは次の通りです。後ほど、最初の2つ（n_estimators, max_depth）をMLflowで管理していきます。n_estimators: 決定木の数max_depth: 決定木の深さcriterion: 評価指標random_state: 再現性確保のための乱数シード値 # モデルの定義model = RandomForestRegressor(    n_estimators = 10,    max_depth = 5,    criterion = ‘squared_error’,  # ‘mse’    random_state = 0,)# 訓練model.fit(X_train, y_train)訓練したモデルで検証データの精度を確認してみましょう。評価指標は平均二乗誤差であるmean squared error(MSE)とします。# 検証データの予測y_pred = model.predict(X_test)# MSE誤差の算出mse = MSE(y_pred, y_test)print(f"MSE = {mse:.3}")  # 小数点以下３桁まで出力>>  MSE = 0.487以上で、機械学習モデルを用意し、その評価指標を確認しました。本記事の目的は、モデルのハイパーパラメータの変更とその評価指標の実験管理です。その準備として、複数水準のハイパーパラメータで実行するコードへ拡張しましょう。まず、試行1回に相当する先ほどのコード（モデル定義、訓練、検証データの予測、評価指標の算出）を1つの関数で定義します。ただし、ハイパーパラメータのn_estimatorsとmax_depthは試行ごとに変更できるように関数の引数とします。また、実験結果となる評価指標を関数の返り値にします。練習のために、評価指標にはMSEだけでなく、R2値（決定係数）も含めてみましょう。R2値は予測値と実データの一致の程度を表す指標で、値が1に近いほどモデル精度が良いと期待できます。# 試行関数def train(n_estimators, max_depth):    # モデルの定義    model = RandomForestRegressor(        n_estimators = n_estimators,        max_depth = max_depth,        criterion = ‘squared_error’,  # ‘mse’        random_state = 0,    )    # 訓練    model.fit(X_train, y_train)    # 検証データの予測    y_pred = model.predict(X_test)    # MSE誤差, R2値の算出    mse = MSE(y_pred, y_test)    R2 = r2_score(y_pred, y_test)    return model, mse, R2次に、ハイパーパラメータを複数水準用意し、試行関数を用いて各水準での精度を順に確認してみましょう。# ハイパーパラメータの水準cand_n_estimators = [10, 100, 1000]cand_max_depth = [1, 5, 10]trial = 0for n_estimators in cand_n_estimators:    for max_depth in cand_max_depth:        trial += 1        model, mse, R2 = train(n_estimators, max_depth)        # 小数点以下３桁まで出力        print(f"trial {trial}: n_estimators={n_estimators}, max_depth={max_depth}, MSE = {mse:.3}, R2 = {R2:.3}")>>  trial 1: n_estimators=10, max_depth=1, MSE = 0.91, R2 = -1.33>>  trial 2: n_estimators=10, max_depth=5, MSE = 0.487, R2 = 0.38>>  trial 3: n_estimators=10, max_depth=10, MSE = 0.312, R2 = 0.676>>  trial 4: n_estimators=100, max_depth=1, MSE = 0.909, R2 = -1.32>>  trial 5: n_estimators=100, max_depth=5, MSE = 0.481, R2 = 0.382>>  trial 6: n_estimators=100, max_depth=10, MSE = 0.304, R2 = 0.679>>  trial 7: n_estimators=1000, max_depth=1, MSE = 0.905, R2 = -1.33>>  trial 8: n_estimators=1000, max_depth=5, MSE = 0.479, R2 = 0.382>>  trial 9: n_estimators=1000, max_depth=10, MSE = 0.302, R2 = 0.681ハイパーパラメータ（n_estimators, max_depth）の各水準でのモデル精度が確認できました。以上で、MLflowを用いて実験管理をする準備は整いました。上記ではprintの出力で結果を確認しましたが、MLflowではUIから結果を確認することができます。 MLflowを用いた実験記録の管理前節のコードにMLflowを用いた追加変更を行います。数行のコードを書き換えるだけで適用できます。以下の変更後のコードで追加変更した箇所は、コード内の「""" 追加箇所 """」になります。大事な点は、MLflowの使用を明示する”with mlflow.start_run():”と、記録を取る変数（実験条件と評価指標）をMLflowの機能で指定することです。""" 追加箇所 """# コード実行に対する管理IDを発行with mlflow.start_run():    # ハイパーパラメータの試行水準    cand_n_estimators = [10, 100, 1000]    cand_max_depth = [1, 5, 10]    trial = 0    for n_estimators in cand_n_estimators:        for max_depth in cand_max_depth:            """ 追加箇所 """            # 各水準それぞれの管理IDを発行            with mlflow.start_run(nested=True):                trial += 1                model, mse, R2 = train(X_train, y_train, X_test, y_test, n_estimators, max_depth)                # 小数点以下３桁まで出力                print(f"trial {trial}: n_estimators={n_estimators}, max_depth={max_depth}, MSE = {mse:.3}, R2 = {R2:.3}")                """ 追加箇所 """                # ハイパーパラメータ, 評価指標, 学習済みモデルをMLflowへ保存                 mlflow.log_param("n_estimators", n_estimators)                mlflow.log_param("max_depth", max_depth)                mlflow.log_metric("mse", mse)                mlflow.log_metric("R2", R2)                mlflow.sklearn.log_model(model, "model")なお、上記コードで、”with mlflow.start_run():”が2箇所ありますが、これらは、1箇所目でコード実行に対応する管理IDを発行し、2箇所目でハイパーパラメータの各水準での管理IDを発行する形で実験記録を保存しています。問題なく実行が完了すれば、実行結果が保存されます。実験記録の保存場所は、実行フォルダ内に作成される、”./mlruns”フォルダです。ただし、直接フォルダ内のファイルを確認するわけではなく、次節で紹介するように、UI上で簡単に確認できるところもMLflowの便利な点です。 実験記録をUIで可視化前節の実験記録をUIで可視化し、確認してみましょう。MLflowにはUIが含まれており、コマンド1つで立ち上げることができます。次のコマンドを、Windowsの場合はコマンドプロンプト上で、Macの場合はターミナル上で実行してください。$​​mlflow ui# port番号を指定する場合  ex. port番号5001の場合$mlflow ui –port 5001MLflowのUIはWebブラウザ上からアクセスできます。port番号を指定しない場合、デフォルトで5000が割り当てられるため、”http://localhost:5000”でアクセスできます。また、port番号を指定した場合は、指定したport番号でURLにアクセスしてください。問題なく起動すれば、次のようなUIが立ち上がります。早速、先ほどの実行結果を確認してみましょう。実験記録が保存されていることが確認できます。下図に、上図右側を拡大した図を示します。評価指標（R2, MSE）とハイパーパラメータ（n_estimators, max_depth）の水準が表示されています。また、例えば、R2箇所をクリックすることで、R2値に基づき結果をソートすることも可能です。このように、評価指標に基づく実験結果の確認とそのハイパーパラメータを追跡でき、実験結果の再現が容易になります。（右側の拡大図）また、Models列から学習済みのモデル情報を確認することができます。試しに、1つをクリックすると、下図のような情報が表示されます。MLflowでは学習済みモデルのデータも保存され、再学習なしでの利用も可能ですが、初心者向けの範囲を超えるため本記事では割愛します。 まとめ 本記事では、MLflowを用いた実験記録の管理に焦点を当て、その機能と使い方をご紹介しました。具体的には、機械学習モデル構築時の、ハイパーパラメータと評価指標の実験記録の管理方法を説明しました。MLflowを用いることで、少ないコード変更で、実行した実験を記録することができます。機械学習は様々な要素で構成されるため、開発から運用までを含めて管理が非常に大変になってきます。MLflowは本記事で紹介した機能以外にも、機械学習プロジェクトの管理を行うための強力な機能を提供しています。とても便利ですので、是非試してみてください。 参考文献 https://mlflow.org/https://mlflow.org/docs/latest/tracking.htmlhttps://scikit-learn.org/stable/modules/generated/sklearn.datasets.fetch_california_housing.htmlhttps://scikit-learn.org/stable/datasets/real_world.html#california-housing-datasethttps://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestRegressor.html 執筆者プロフィール

Rustでわかる！ WebAssemblyのメリット～処理速度の違いを、サンプルを作りながら体験しよう

　本連載では、Webブラウザー上でJavaScriptとともに動作できるバイナリ形式のプログラムファイル「WebAssembly」を、Rustプログラミング言語で実装する方法を説明していきます。前回はRust言語の基礎を説明しました。今回はいよいよ、Rust言語でWebAssemblyを実装していきます。また実装したサンプルを利用して、WebAssemblyのメリットなどを説明します。

Next.js に Service層 を導入する

あなたもWeb3アプリで大もうけ？知られざる「Solidity」の世界

　次世代のインターネット技術である「Web3」が大きな注目を集めている。Web3アプリをつくるための言語が「Solidity」だ。Web3の理解を深めるために、この言語の学習を始めてみた。

1万5千円で買える、ペン付きWindowsタブレット、小学3年生が使ってみた！ ハードウェアは好感触？「軽い」「ペンとキーボードがいい」【テレワークグッズ・ミニレビュー 番外編】

　少し前、サブPCとしての使用感をレポートしたマウスコンピューターの格安Windows タブレット「mouse E10」だけど、ふと見ると、現在、税込み1万4800円というもの凄い特価で販売中。

メルカリが「転売など営利目的の商品購入の禁止」を利用規約から削除する理由　ネットでは「転売容認か」の声も

メルカリは、フリマサービス「メルカリ」の利用規約を6月30日に改定すると発表したが、その内容を見たユーザーからは「転売を容認するのか」などの声が上がっている。

Amazonで「HHKB」を買う場合は“販売元”に要注意　PFUが注意喚起

PFUが、Amazonで販売されている「Happy Hacking Keyboard（HHKB）」の“販売元”に関する注意を喚起する文章を公表した。Amazonでの注文をキャンセルして直接連絡を持ちかけるメールが届き、そこから代引き詐欺が発生したという情報を受けての措置だ。

How fast are Linux pipes anyway?

Pipes are ubiquitous in Unix — but how fast can they go on Linux? In this post we’ll iteratively improve a simple pipe-writing benchmark from 3.5GiB/s to 65GiB/s, guided by Linux `perf`.

明治維新。英国からお雇い外国人を招いたが、水田の知識ない彼らは役に立たない// そこで、日本各地で「老農」たちを集結させ、技術交流を図ることに。

明治政府が出来て、江戸幕府が出来なかったことの一つ。「藩を超えた全国的な農学」_(:3 」∠ )_

【入社エントリ】エンジニアから技術広報にジョブチェンジ！ – RAKUS Developers Blog | ラクス エンジニアブログ

4/16にラクスに入社しました、技術広報の飯野です。 入社して1ヶ月と少し経ちましたので入社エントリを書いてみることにしました。 本投稿は社外の方はもちろんですが社内メンバーにも自己紹介の絶好の機会ですので、社内外を問わず読み物としてお楽しみいただければと思います。 「技術広報って何をしているの？」「なぜエンジニアから技術広報に？」という方から「ラクスってどんな会社か知りたい！」という方にまで幅広く読んでいただければ幸いです。 目次 経歴 転職のきっかけ 入社の決め手 ラクスの技術広報とは 入社後やっていること 社内の雰囲気 入社後の課題感 まとめ

クラウドインフラ運用技術者の年次カンファレンス「Cloud Operator Days Tokyo 2022」が開幕

　クラウドインフラ運用技術者のための年次カンファレンスイベント「Cloud Operator Days Tokyo 2022（CODT2022）」が、5月31日にスタートした。今回のテーマは「運用者に光を！～変革への挑戦～」。参加は無料（事前登録制）。

楽天モバイル、見えぬ次の手　頼みは「経済圏」と海外

楽天グループの携帯電話事業がもがいている。5月に「0円」の料金プランの廃止を発表後、一部の顧客が他社に流れている。楽天の電子商取引（EC）などとの連携や通信網の海外販売で巻き返す考えだが、先行きは不透明だ。大手3社の寡占市場に風穴を開けようと参入して2年が過ぎた。楽天モバイルの巻き返し策を追った。KDDIは0円から利用できる携帯電話プラン「povo2.0（ポヴォ）」で、楽天の0円廃止発表後に契

MicrosoftがIDガバナンスを強化へ　セキュリティ新ブランド「Microsoft Entra」発表

Microsoftは、ID管理とアクセス管理の新たな製品群「Microsoft Entra」を発表した。既存のAzureADに、新たにCIEMや分散型ID管理を加え、IDガバナンスソリューションとして統合する。

ゲーム配信だけでなくビジネス用途でも使える！　キャプチャーユニット「TUF Gaming Capture Box-FHD120」を試す

ASUS JAPANから、6月3日に新型キャプチャーユニット「TUF Gaming Capture Box-FHD120」が発売される。実機を使ってゲーム配信やビデオ会議に使って見た。

AWS CDKのベストプラクティスは本当にベストなのか　アーキテクトが今一度考える「リソースの自動名付け」の公理

「AWS CDK Conference Japan」は AWS CDK ユーザーが集まって事例やノウハウを共有しあうイベントです。今回は、CDKv2をメインテーマに、初の大型カンファレンスが開催されました。クラスメソッド株式会社の佐藤智樹は、CDKのベストプラクティスにおける、「リソースの自動名付け」をテーマに発表しました。全2回。前半は、ベストプラクティスの詳細と、物理名を使う場合のデメリットについて。

DockerがKubernetesのコードから消滅した理由、歴史的背景、ツールごとの対応方法総まとめ

Kubernetesやクラウドネイティブをより便利に利用する技術やツールの概要、使い方を凝縮して紹介する連載。今回は、Kubernetes 1.24でDockerサポートが削除された背景と対応方法について解説する。

レビューコストの削減、デプロイの自動化…　AWS初学者がCDK運用の成功と失敗から得た、 恩恵と気づき

「AWS CDK Conference Japan」は AWS CDK ユーザーが集まって事例やノウハウを共有しあうイベントです。今回は、CDKv2をメインテーマに、初の大型カンファレンスが開催されました。ここで登壇したのは、吉川幸弘氏。初学者にCDKをオススメする理由と、これまでの運用における成功・失敗について発表しました。全2回。後半は、運用時における成功と失敗、プレカンファレンスで挙がった質問について。前回はこちら。

HTMLとCSSの疑問が一気に解ける！ 真剣に学びたい人にお勧めの解説書 -プロを目指す人のためのHTML＆CSSの教科書

最新のHTML Living Standardの仕様に準拠したHTMLとCSSの基礎知識を身につけ、なぜそこにそのHTMLを、そのCSSを使用するのかまで実践的な知識までしっかりと学べる解説書を紹介し

社内イベント: エディタについて語る会で Vim script と ISO8583 の話をしました – カンムテックブログ

エンジニアの佐野です。最近記事を書いていなかったので小ネタです。先日、菅原企画の社内イベント、エディタについて語る会が催されました。職種にもよりますがカンムでは多くの従業員はオンラインで業務を行っています。たまにはオフラインで交流も…ということで来れる人はオフィスに集まってエディタの話をしつつ軽食を楽しむというコンセプトです。 当日は Vim, Emacs, Visual Studio Code, nano… と様々なエディタのゆるい話から熱い話が語られました。私は Vim の Vim script について話したので今日はそれを記事化します。 0. 私とエディタ 私は長らく Vim …

大企業は「Microsoft Teams」「LINE WORKS」が上位、小企業では「Chatwork」「Slack」などが拮抗　ビジネスチャットツールの利用率、モニタスが調査

　株式会社モニタスは、「利用実態調査 ビジネスチャットツール編」の結果を発表した。従業員1000名以上の企業での利用率は「Microsoft Teams」「LINE WORKS」の2つが強いが、100名未満の企業ではビジネスチャットツール自体の利用率が低く、「Chatwork」「Slack」「LINE WORKS」「Microsoft Teams」が拮抗している。

AmazonでHHKBを購入するさいには販売元に注意。代引き詐欺などを確認

　PFUは2日、同社のキーボード「Happy Hacking Keyboard」について、Amazon.co.jpでの購入のさいに販売元を確認するよう注意を呼びかけた。正規販売店以外で安価に販売している場合は特に注意してほしいという。

Googleスプレッドシートの関数小技3選＋作業が捗るヒント | ライフハッカー［日本版］

データ集約で大活躍のGoogleスプレッドシートを、もっと効果的に活用するTIPSを5つまとめてみました。

【レビュー】 マランツは、なぜ今シンプルなCDプレーヤー「CD 60」を作ったのか

最近のオーディオ市場には“便利な単品コンポ”が増えている。例えば、2chアンプにネットワーク音楽再生機能が搭載されて、CDプレーヤーなどを買わなくても、アンプだけで音楽が再生できたり、HDMI入力を備えてゲーム機などの音を手軽に再生できるコンポなんてのも増えている。

Amazon、Kindleの中国事業撤退　23年6月末（写真=ロイター）

【大連=渡辺伸】米アマゾン・ドット・コムは電子書籍サービス「キンドル」の中国事業から撤退する。2日、電子書籍を販売する中国の「キンドルストア」の運営を2023年6月30日に停止すると発表した。中国の対話アプリ「微信（ウィーチャット）」内にある自社の公式ページで明らかにした。24年6月30日以降は購入済み書籍のダウンロードもできなくなる。22年1月以降に購入したキンドルの専用端末は正常に作動する

お前らはまだ img タグの alt 属性の付け方を間違っている – Qiita

1行で
alt属性は、「全ての 画像をそのalt属性のテキストに置き換えたときにページの意味が変わらない 」ようにつける。
（HTMLの標準規格書より）
マジでこれに尽きる。

具体例

例１：ロゴ

❌ 間違ったマークアップ

…

[三井公一の「スマホカメラでブラブラ」] 世界初の85mm-125mm光学ズームも広角も！　バランス良しの「Xperia 1 IV」で目黒や浦賀を撮り歩く

　今回は話題の「Xperia 1 IV」だ。何といっても世界で初めて85mm〜125mm間において光学ズームを搭載したからである。デジタルズームではないのだ。いわゆるペリスコープ式構造なのだが、あの薄いボディによくも光学ズーム機構を押し込んだものである。手にしてもちょっと信じられないほどだ。

backgruond-imageを使ったCSSのアニメーションテクニック – ICS MEDIA

CSSのbackground-imageプロパティは背景画像に関するCSSですが、単に背景に画像を表示させるだけでなく、実はアニメーションと組み合わせて多彩な表現ができます。本記事ではbackground-imageの特性を活かしたアニメーション表現について解説します。サンプルコードもありますので、実際の案件に取り入れてみたりbackground-imageの仕組みについて学んでみたりしてください。※サンプルコードはSass（SCSS）を使用しています。