DB のデータを超手軽に AI 検索させたい — ミニマリストな RAG の作り方

【Unit4 ブログリレー6日目】

こんにちは！ Unit4 (m3.com 開発チーム) でエンジニアをしている大熊です。

5日目はキムによる「イベントトラッキングの信頼性を支えるリトライ戦略」でした。

www.m3tech.blog

「DB にデータはたくさんあるんだけど、AI に活用させるにはどうすれば？」

生成 AI をプロダクトに組み込むときに最初にぶつかるのはこのような疑問ではないでしょうか？ しかし、ベクトル DB を立てて…埋め込みパイプラインを組んで…AI にツールを渡して…などと考え始めると、途端に腰が重くなります。

本記事では最近公開された Amazon Bedrock のホットなサービスを活用して、 手元のデータを手軽に AI 検索できるようにするミニマリストな RAG の作り方を紹介します。

岩手の某牧場の林道。関東の猛烈な暑さを忘れさせてくれるひとときでした (本文とは関係ありません)

MIRU2026にシルバースポンサーとして参加してきました！

こんにちは。AI・機械学習チームの髙橋です。

この度エムスリーは2026年8月3日から4日間、出島メッセ長崎で開催された画像の認識・理解シンポジウム MIRU2026 にシルバースポンサーとして協賛させていただきました！

当日は私を含むAI・機械学習チームのメンバー３名で参加してきましたので、その模様を紹介します！

会場の看板

イベントトラッキングの信頼性を支えるリトライ戦略

【Unit4 ブログリレー5日目】

こんにちは、Unit4のキムです。この記事はUnit4チーム (m3.com開発チーム) メンバーにより投稿されるブログリレー5日目の記事です。

本記事では、m3.comのイベントトラッキングにおけるビーコン送信の信頼性を高めるための取り組みとして、動画配信サービスの事例をご紹介します。リトライ機構を含む3段構えの対策により、ビーコンの配信保証を強化しています。

AI時代でも変わらない『実装しきる』大変さの話

【Unit4 ブログリレー4日目】 こんにちは、Unit4でソフトウェアエンジニアをしている堺澤です。

3日目は永山による「オリジナルのキーボードを3Dプリンタで作った」でした。

www.m3tech.blog

先日、私が開発しているダッシュボードアプリに地図を扱う新機能を追加しました。

当初は知見も少なく重ための見積もりをしていました。しかしAIでPoCをしてみると意外とサクッと動くものができ、「元々の見積もりの半分以下でいけそう」と思ったのですが、実際に作りきってみると結局当初の見積もりに近い工数がかかりました。

この記事では、実装までの流れと実際にPoC〜開発まで行って「AIで変わったこと・変わらなかったこと」を振り返ります。

こちらは特に関係ない最近食べて美味しかったキッシュ

オリジナルのキーボードを3Dプリンタで作った

【Unit4 ブログリレー3日目】

Unit4 (m3.com 開発グループ) の永山です。

2日目は井本による「LINEとスプレッドシートで作る、ゼロ円運用の家計簿ボット」でした。

www.m3tech.blog

普段、3Dプリンタで作成したオリジナルキーボードで仕事をしています。 キーボードの自作には電子回路の設計やCADに関する知識が要求されますが、私は全くそれらの知識がありません。 しかしながら、昨今ではありがたいことにキーボードの設計を直感的に行える便利なツールが存在しており、それらを用いると意外と簡単にこだわりを詰め込んだ自分だけのキーボードを作れます。

本記事では、筆者がキーボードを自作するに至った経緯と作成したキーボードのこだわったポイント、また作成するにあたって利用したツール等を紹介します。

自作したキーボード (そのときどきで最も安いフィラメントを購入しているため左右で色が違う)

AIテストプロセスの信頼度を測り、改善を回す【後編】── 計測から見えてきた4つの課題

こんにちは、QAチームの草場です。

この記事は、AIテストプロセスの品質メトリクスについての前後編の後編です。前編では、AIエージェントに任せているテストプロセスの「どこまで信頼していいのか?」に答えるために設計した5つの品質メトリクス（テストケース採用率・実行方法の見立て精度・実装品質・AI自律実行率・欠陥密度）と、数字が壊れないように計算と検算をスクリプトに任せる記録の仕組みを紹介しました。

www.m3tech.blog

後編では、その計測から実際に見えてきた、今のAIテストプロセスの4つの課題を紹介します。

AIテストプロセスの信頼度を測り、改善を回す【前編】── 品質メトリクスの設計と運用

こんにちは、QAチームの草場です。

Claude Codeに代表されるAIエージェントの登場で、ソフトウェアテストの現場も大きく変わりつつあります。私のチームでも、テスト分析からテスト実行まで、テストプロセスの各工程をAIエージェントに任せる取り組みを続けてきました。大量の情報収集が短時間でできる、テストケースの下書きを数分で出せる、DBの検証やAPIの疎通確認も自律的に進めてくれるなど、AIによる効率化の手応えは確かにあります。

ただ、現状はあくまで人間が間に入る必要があり、人間による理解・レビューが必ず発生します。

「このAIテスト、どこまで信頼していいのか?」

将来的にはAIに任せる範囲はもっと広げたいです。AIの判断や生成物を人間が見なくても信頼できる領域を、少しずつで良いので作っていきたい。 しかし、広げてよいかを判断する材料が体感しかありません。そこで、AIテストプロセスそのものに品質メトリクスを仕込んで、計測を始めてみました。

この記事は、前後編に分けてお届けします。前編では、AIテストプロセスの信頼度を測るために設計した品質メトリクスと、その測定・記録を運用する仕組みを紹介します。計測から実際に見えてきた課題は、後編で紹介します。