ID:82586さん

**■ MIC株式会社（PromOS開発サポート）** **【プロジェクト概要】** クラウド販促システム「PromOS」の開発プロジェクトに事務・開発サポートとして参画。開発フェーズ全体を通じてQA・ドキュメント業務を担当した。 - 規模：6名チーム - 担当：開発MTG参加、テスト業務、利用マニュアル作成 - 技術：AWS、PostgreSQL（開発環境として接触） **【取り組んだ課題】** テスト業務において、仕様書に明記されていないケースや解釈が曖昧な要件に直面することが多く、何をもって「正常」とするかの判断が難しかった。開発担当者への確認を重ねながら仕様の意図を把握し、テスト観点を自分なりに整理して対応した。またマニュアル作成では、システムに不慣れなエンドユーザーが読むことを意識し、操作手順の粒度や用語の平易さに気を配った。 **【取り組みの成果】** - 仕様の曖昧さに対して開発者と連携しながら自律的に対応する姿勢を習得 - 読み手視点を意識したドキュメント作成スキルを習得 - システム開発のライフサイクル全体を初めて経験し、エンジニアリングへの転換点となった

**■ ヒビノ株式会社（社内ヘルプデスク）** **【プロジェクト概要】** 社内情報システム部門にてヘルプデスク業務に従事。Windows・macOS双方の端末サポートおよびシステムトラブルの1次対応を担当。 - 規模：6名チーム - 担当：PC・周辺機器サポート、トラブルシューティング、問い合わせ対応 - 技術：Windows、macOS **【取り組んだ課題】** ヘルプデスクは再現性の低いトラブルや、ユーザーから得られる情報が断片的なケースが多く、症状から原因を逆算する切り分け力が求められた。特に対応が難しいトラブルに直面した際は、事象の再現条件を丁寧に整理し、ハードウェア・ソフトウェア・設定の各レイヤーで仮説を立てながら原因を絞り込む手法を身につけた。 **【取り組みの成果】** - 限られた情報から原因を特定する障害切り分けの基礎を習得 - Windows・macOS双方の環境における実務対応経験を蓄積 - この経験がアドバンスト・メディアでのより高度なサーバー障害調査への土台となった

**■ 株式会社アドバンスト・メディア（AmiVoice Communication Suiteサポート）** **【プロジェクト概要】** コールセンター向けオンプレミス音声認識システム「AmiVoice Communication Suite」のテクニカルサポート。顧客環境での障害調査・設定支援・1次切り分けを担当。 - 規模：4名チーム - 担当：問い合わせ対応、ログ解析、障害切り分け、設定サポート - 技術：Windows Server / IIS / SQL Server / SSMS / .NET Framework / イベントビューア **【取り組んだ課題】** オンプレミス製品の性質上、顧客ごとにサーバー構成・ネットワーク環境・運用ルールが異なり、同じ症状でも原因が異なるケースが多かった。特に原因特定に時間を要した障害では、IISログ・イベントビューア・アプリケーションログを組み合わせて時系列で読み解くアプローチが有効だった。顧客環境ごとの差異に対応するため、構成情報を事前に整理したうえで仮説を立て、確認ポイントを絞り込む切り分けフローを習慣化した。 **【取り組みの成果】** - オンプレミス音声認識システム特有の障害パターンを習得し、1次対応の解決精度を向上 - IIS・SQL Server・.NET Frameworkを横断したログ読解スキルを実務で習得 - 顧客環境の多様性に対応するための体系的な切り分け思考を確立

**【プロジェクト概要】** クラウドAIへの依存を排したローカル完結型のAI VTuberシステムを個人で設計・構築。特定キャラクターの人格・記憶を持ち、音声・コメント・画面認識結果をリアルタイムで処理して対話できるシステムを目標とした。 - 構成：3台のPC（推論機・配信機・オーケストレーション機）による分散構成 - 担当：要件定義・技術選定・インフラ構築・実装まで全工程を一人で担当 - 技術：Python / vLLM / Qwen2.5-14B / ChromaDB / Whisper / VOICEVOX / Ubuntu / CUDA --- **【取り組んだ課題】** **① LLM推論エンジンの選定（vLLM vs Ollama）** 音声入力だけでなく、配信コメントや画面認識結果など複数の入力ソースを同時に処理する構成を想定していたため、単一リクエストの応答速度よりも並列スループットが重要な要件となった。Ollamaはセットアップの容易さに優れる一方、同時リクエスト処理に限界がある。vLLMはPagedAttentionによる効率的なメモリ管理と高スループットが強みであり、マルチ入力処理を前提とした本システムの要件に合致すると判断し採用した。 **② キャラクター記憶の設計（RAG・階層型記憶構造）** 単純なテキスト検索では「会話の流れ」「キャラクターの長期的な記憶」「その場の文脈」を適切に扱えないという課題があった。人間の記憶構造を参考に、意味記憶（キャラクター設定・知識）・エピソード記憶（過去の会話履歴）・手続き記憶（行動パターン）の3層に分けた階層型RAGアーキテクチャを設計。ChromaDBをベクトルストアとして採用し、入力に応じて適切な層から文脈を取得する仕組みを実装した。 --- **【取り組みの成果】** - ローカル環境のみでLLM推論・音声認識・音声合成・RAGを統合したエンドツーエンドの対話パイプラインを構築 - 階層型記憶構造により、単発の問答ではなく文脈を持った継続的な対話が可能な基盤を実現 - クラウドAPI費用ゼロ・データ完全ローカル管理という運用形態を確立