yag.xyz

AlphaEarth Satellite Embeddingsを使った土地被覆の時系列変化検知

Tue, 24 Mar 2026 00:00:00 +0900

概要

前回の記事では、AlphaEarth Foundations Satellite Embeddings（AEF）を使った近似最近傍探索による構造物検索を検証しました。

AlphaEarth Satellite Embeddingsで似た場所を探す：構造物の特徴をどこまで捉えられるか

Google DeepMindのAlphaEarth Satellite Embeddingsを用いた近似最近傍探索による構造物検出の検証。

https://yag.xyz/post/alphaearth-embedding-structure-search/

Satellite Embeddingsは、Sentinel-2やLandsatの光学画像を入力とし、USDA Cropland Data Layerなどの土地被覆分類データを学習ターゲットとして訓練されたモデルから生成されています。こうして作成されたSatellite Embeddingsは、2017年から毎年データが更新されています。このため、同一地点の異なる年のembeddingsを比較することで、その場所の土地被覆がどの程度変化したかを定量的に評価できます。建設工事による大規模な造成、農地の転用、太陽光発電所の新設といった変化があった場所では、年をまたいだembeddingsに変化が生じるはずです。

今回はこの性質を利用して、北海道全域で2024年と2025年の間に起きた土地被覆の変化を検知する仕組みを実装してみました。

衛星画像からの変化検知

衛星画像からの変化検出（Change Detection）は、任意の地点の異なる時期の衛星データを比較することで、地表面の変化を識別する技術です。

変化検出の2つのアプローチ

変化検出のアプローチは大きく2つに分かれます。1つ目は、可視光/マルチスペクトル画像をそのまま使う方法で、ピクセル値の差分や植生指数（NDVI等）の比較、ディープラーニングによる変化マスク予測などがあります。物理量に基づくため解釈性が高い一方で、大気条件や太陽高度角、雲、季節の植生サイクルといった撮像条件の違いが偽変化として検出されやすいという課題があります。2つ目は、基盤モデル等で画像をembeddingに圧縮してから比較する方法です。同一地点の異なる時期のembeddingを取得し、コサイン類似度等の距離メトリクスで変化の大きさを定量化します。撮像条件のノイズに対してロバストなセマンティックな変化を捉えられる一方で、「何がどう変わったか」の解釈が困難であり、embeddingの生成モデルの学習特性に結果が大きく依拠します。

Embeddingのコサイン類似度による比較

今回の変化検知では、AEFが提供しているSatellite Embeddingsを用いて2つの時期のembedding間のコサイン類似度を検出に使います。AEFのembeddingsは単位超球面上に制約された単位ベクトルであるため、コサイン類似度はベクトルの内積（ドット積）と一致します。Google Earth Engineの類似度検索チュートリアルでも、embeddingのドット積による類似度比較が紹介されています。

これが年次比較にも使えるのは、AEFのembedding空間が年をまたいで一貫しているためです。データカタログには以下のように記載されています。

The embedding space is consistent across years, and embeddings from different years can be used for condition change detection by considering the dot product or angle between two embedding vectors.

2024年と2025年のembeddingsが同じベクトル空間上に配置されているからこそ、年をまたいだ内積の比較が意味を持ちます。

ちなみに、embeddingベースの変化検知ではコサイン距離以外にユークリッド距離やKLダイバージェンスなども使われます。RaVÆn（Ruzicka et al., Nature Scientific Reports 2022）は、VAEベースの128次元embeddingに対してこれらのメトリクスを比較し、コサイン距離が最も高い検出性能を示すことが報告されています。

方法

変化スコアの定義

コサイン類似度を使って、任意の地点の変化スコアを定義しています。

Claude CodeにProxmoxの仮想化基盤の管理をさせる

Sun, 22 Mar 2026 12:00:00 +0900

自作PCとサーバ管理

私の自作PCにはProxmoxの仮想化基盤を入れていて、用途に応じて複数のVMを動かしています。たまにPCゲームをするときのためにWindowsが入っていたり、KaggleなどのデータコンペではGPUをパススルーしたUbuntu VMを使ったりと、それなりに複雑な構成になっています。

ただ、こういった仮想化環境の管理は私のようなソフトウェアレイヤーで生きている人間からすると、正直なところ苦手な分野です。Proxmoxの王道的な使い方に則った部分はすんなり使えるものの、少し複雑なことをしようとしたりすると躓いたり、ハードウェア周りの設定などは毎回苦労していました。

しかし、Claude Codeが出てきてからはProxmoxのサーバ管理をほぼ一任するようになりました。例えば以下のようなSSDの障害調査を一任できています。

この記事では、Claude CodeによるProxmox管理のセットアップと実際の運用事例について簡単に紹介します。

セットアップ

やることは単純で、Proxmoxのホスト環境にClaude Codeをインストールするだけです。ProxmoxのベースOSはDebianなので、通常のLinux環境と同様にClaude Codeを導入できます。基本的な設定は普段の開発と変わりませんが、VM等への破壊的な変更などが出来うる状態なので、一定は人間がコマンドを適宜確認するような形での実行が望ましいです。

また、あわせてTailscaleを入れておくと、手元のターミナルからSSHで直接接続できるようになります。ブラウザでProxmoxのWeb UIを開いてShellを立ち上げる手間が省けますし、Claude Codeの操作性もターミナルから直接使うほうがはるかに快適です。

Claude Codeによる様々なタスクの実行

実際にClaude Codeに依頼している作業の例をいくつか挙げます。

VM/LXCの作成: ISOイメージやテンプレートからのVM・コンテナの新規作成。GPUパススルーの設定が絡むと手順が複雑になりますが、VFIOの設定からinitramfsの更新まで一通り対応してくれます。
コア数の変更: VMに割り当てるCPUコア数やメモリの変更。qm setで設定を変えてVMを再起動するだけですが、現在の割り当て状況を確認した上で適切な値を提案してくれます。
ディスク追加対応: 新しいストレージプールの作成やVMへのディスク追加。LVMのthin pool作成からProxmoxへの登録、VMへの割り当てまでの手順を一貫して実行してくれます。
SSD障害対応: SSDのSMART情報を確認してエラーの有無を診断したり、障害の兆候があるディスクからのデータ退避を支援してくれます。nvme smart-logやsmartctlの出力を読み解いて状況を説明してくれるので、判断材料がすぐに揃います。

Proxmoxのホストに入ったClaude Codeは、各種CLIコマンドを通じて仮想環境のほぼすべての操作が可能です。以下は実際に利用しているコマンドの一覧です (これはClaude Codeに過去セッション等をまとめてもらった結果)。

カテゴリ	コマンド	用途
VM管理	`qm create/set/start/stop/status`	VM作成・設定変更・起動停止
	`qm resize/move_disk/importdisk`	ディスク拡張・移動・インポート
	`qm terminal/guest cmd`	コンソール接続・ゲスト操作
LXC管理	`pct create/enter/set`	コンテナ作成・ログイン・設定
Proxmox	`pvesm status/add`	ストレージ管理
	`pveum role add/user add/aclmod`	ユーザー・権限管理
LVM	`pvs/vgs/lvs`	PV/VG/LV状態確認
	`pvcreate/vgcreate/lvcreate`	PV/VG/thin pool作成
	`lvremove/wipefs`	LV削除・ディスク初期化
SSD診断	`nvme smart-log/error-log/self-test`	SMART情報・エラー・診断
	`smartctl -a`	SMART詳細
HW情報	`lspci/lsblk/lscpu/nproc`	GPU・ディスク・CPU確認
GPUパススルー	`modprobe/vfio設定/update-initramfs`	VFIO・nouveau無効化
ディスク操作	`mount/umount/fdisk/kpartx/losetup`	イメージマウント・パーティション確認
ネットワーク	`nmap/arp/ip neigh/curl`	ポートスキャン・接続確認
ゲスト内	`fstrim/growpart/lvextend/resize2fs`	TRIM・パーティション拡張

Claude Codeはこれらのコマンドを状況に応じて組み合わせて実行してくれます。たとえばディスクの追加であれば、LVMの状態確認から始めてストレージの作成、VMへの割り当て、ゲスト内でのパーティション拡張まで一連の流れを通しでやってくれるので、個別のコマンドを覚えておく必要がありません。

衛星画像をテキストで検索する — Vision Language Modelによるアプローチ

Wed, 18 Mar 2026 10:00:00 +0900

概要

前回の記事では、AlphaEarth Satellite Embeddingsを使って「似た構造物を探す」というQuery-by-Example型の検索を試しました。地図上で矩形を選択してそのエリアに類似した場所を近似最近傍探索(ANN)で探すというアプローチのため、「空港を探したい」「ゴルフ場を探したい」といった意図を直接的に表現することはできませんでした。

AlphaEarth Satellite Embeddingsで似た場所を探す：構造物の特徴をどこまで捉えられるか

Google DeepMindのAlphaEarth Satellite Embeddingsを用いた近似最近傍探索による構造物検出の検証。

https://yag.xyz/post/alphaearth-embedding-structure-search/

今回は、自然言語のテキストクエリで衛星画像から直接目的の構造物を検索する仕組みを試してみます。リモートセンシング画像向けにfine-tuningされたVLM（Vision-Language Model）であるRemoteCLIPを使用し、"airport"や"golf course"といったテキストを入力するだけで、それに合致する衛星画像タイルを検索できるようにします。

RemoteCLIPとは

RemoteCLIP（Liu et al., 2024）は、OpenAIのCLIPを約80万組のリモートセンシング画像-テキストペアでfine-tuningしたモデルです。CLIPは画像とテキストを同一のベクトル空間に埋め込むことができるため、衛星画像をタイルに分割してあらかじめembeddingsを生成しておき、検索時にはテキストクエリを同じ空間に埋め込んでANNで類似度検索することで、テキスト→画像の検索が実現できます。

GitHub - ChenDelong1999/RemoteCLIP: 🛰️ Official repository of paper "RemoteCLIP: A Vision Language Foundation Model for Remote Sensing" (IEEE TGRS)

🛰️ Official repository of paper "RemoteCLIP: A Vision Language Foundation Model for Remote Sensing" (IEEE TGRS) - ChenDelong1999/RemoteCLIP

https://github.com/ChenDelong1999/RemoteCLIP

実装

本記事で紹介する実装のソースコードはGitHubで公開しています。

yagays/keenkite

Satellite image natural language search system using VLM embeddings

「中国衛星が10分に1回日本上空を通過」報道を公開データで追証する

Mon, 16 Mar 2026 13:00:00 +0900

概要

2026年3月14日、読売新聞が 「中国衛星が日本上空を１０分に１回通過、自衛隊や米軍基地「監視」…「遥感」軌道を読売解析」 という記事を報じました。それによると、中国の偵察衛星「遥感（ヤオガン）」約160基のうち稼働中の約80基が、日本上空を約10分おきに通過し、横須賀基地周辺では1日約60回もの高頻度で通過しているとのことです。

中国衛星が日本上空を１０分に１回通過、自衛隊や米軍基地「監視」…「遥感」軌道を読売解析

【読売新聞】　中国軍が偵察用に運用していると指摘される人工衛星群が、日本上空を約１０分に１回通過し、自衛隊と米軍の基地周辺の上空では２時間に約１０基が通過するなど、高頻度で周回していることが分かった。日本政府も衛星群の動きを把握して

https://www.yomiuri.co.jp/politics/20260314-GYT1T00442/

この記事内で人工衛星の分析に公開データを用いたとあったので、同じような分析ができるのか私も試してみました。結論としては概ね近い結果が得られたとともにより詳細な状況が見えてきましたので、ソースコードを公開するとともに、具体的な数字の根拠や深堀りをしてみようと思います。

本記事の分析結果を簡単にまとめると、以下の通りです。

読売新聞の報道内容に近い結果が、公開データおよび独自の分析から確認できた
高頻度で通過する衛星の多くはELINT衛星であり、画像の撮像や地表を測定する光学衛星/SAR衛星の頻度はもっと低い
上空の通過という事実から深堀りして衛星のセンサ種別ごとの撮像帯幅や視野角等を考慮した分析をしなければ、具体的な偵察衛星の影響力の評価ができない

ただし、本記事の分析は個人による試みであり、報道の専門家による分析とは手法・精度ともに異なります。分析上の間違いも含まれている可能性があることをご留意ください。また、この記事では軍事的および政治的な解釈は行いません。

今回分析に利用したソースコードは下記レポジトリで公開しています。

yagays/yaogan_tracker

Yaogan satellite pass frequency analysis over Japan

AlphaEarth Satellite Embeddingsで似た場所を探す：構造物の特徴をどこまで捉えられるか

Wed, 11 Mar 2026 00:00:00 +0900

概要

Google DeepMindが公開したAlphaEarth Foundations Satellite Embeddings（AEF）という衛星画像の基盤モデルがあります。地球上のあらゆる陸地を10m解像度・64次元のベクトル（embeddings）で表現するものです。2017年から年次データがGoogle Earth Engine上で無償公開されており、2025年のデータが2026/3/11に公開されました。

2025年に発表された論文では、土地被覆分類（米国・欧州）、農作物マッピング（カナダ・エチオピア・サブサハラアフリカ）、樹種分布推定、油ヤシプランテーション検出、蒸発散量推定、土地被覆の経年変化検出など15種類のベンチマークで評価されており、既存手法を広く上回る性能が報告されています。

最近は衛星画像周りを色々と調べていて興味深い題材だったので、今回はSatellite Embeddingsを使った検証を行いたいと思います。特に教師なしの文脈で人間も解釈しやすいタスクとして、地上のある程度の大きさを持つ構造物の検出を近似最近傍探索(ANN)により検証してみたいと思います。

AlphaEarth Foundations Satellite Embeddingsとは

AEFはGoogle DeepMindが開発した衛星画像基盤モデルで、10m×10mのピクセルごとに64次元のベクトルを生成します。入力にはSentinel-2（光学）、Landsat 8/9、Sentinel-1（SAR）の3つの衛星データを使い、学習ターゲットにはLiDAR、DEM、気象データ、米国の土地被覆データ（NLCD）や農作物分類データ（CDL）など多様なデータソースが使われています。

Satellite Embeddingsの性質

Satellite embeddingsの重要な性質として、ベクトルが単位球面上に正則化されているため、ベクトル間の内積がそのままコサイン類似度として解釈できます。また線形合成可能性（linear composability）という性質があり、空間的に平均化してもセマンティックな意味が保持されます。つまり、複数ピクセルの平均embeddingsを計算しても、それは「そのエリア全体を代表するembeddings」として意味を持つということです。これらの性質は、自然言語処理におけるword2vecと構造的に似ていますね。word2vecが単語の分布的意味論（distributional semantics）を固定長ベクトルにエンコードしたように、AEFは土地被覆のスペクトル・空間・時間的特性を64次元ベクトルにエンコードしています。いずれもベクトル間の内積が類似度として機能し、加算平均が意味を保存するという性質を共有しています。

詳しくはAEFの論文やGoogle Earth Engineの公式チュートリアルを参照してください。

構造物を学習しているわけではない

AEFは明示的に構造物分類を学習しているわけではなく、衛星画像を主たる入力としています。都市域に関する学習ターゲットとしてはNLCDがありますが、NLCDは都市域を不透水面の割合で4段階に分類するだけで、空港・港・スタジアムといった構造物の区別は含みません。にもかかわらず、embeddingsが衛星画像のみで構造物レベルの意味情報を暗黙的に獲得していることを示す報告がいくつかあります。

Element 84の分析: フィラデルフィア上空で全64次元を個別に可視化したところ、第26次元が空港ピクセルに強く反応することを発見。ボストンやリスボンの空港でも同様のパターンが確認されている
Google EEの穀物サイロ検索: カンザス州の穀物サイロをもとに他の穀物サイロを発見する事例
Google Earthの公式ブログ: “Each 10-meter pixel’s embedding also captures information about the area around that pixel, so that areas that appear very similar when considered in isolation, e.g., the asphalt surfaces of a parking lot or a freeway, will have quite distinct embeddings.“とあるように、例えば同一のアスファルトの道であっても周辺の空間のコンテクストがembeddingsに反映される

こうした報告から、AEFは構造物の分類を直接学んでいないのに、空間パターンとして構造物の特徴をエンコードしている可能性があります。

DEEP DIVEクラファンの衛星画像解析タスクについて勝手に調べて考えてみた

Mon, 23 Feb 2026 12:53:32 +0900

概要

私が初期のクラウドファンディングに参加して以来注目している組織のYouTubeチャンネル「DEEP DIVE Cast」にて、新たなクラウドファンディングの呼びかけとともに解決したい課題について紹介されている動画がありました。

一言で言えば衛星画像にAIを活用したいという話だったのですが、実課題としていろんな要素が含まれていてとても興味深いものでしたので、私なりにこのタスクにどう登るものかと考えてみました。

なお、私自身は機械学習プロジェクト自体は実務経験があるものの、衛星画像の画像処理などの分野には馴染みのない人間です。数日のサーベイ程度の付け焼き刃で書いているので、指摘の抜け漏れや間違いを多分に含んでいる可能性がある点をご容赦ください。

タスクの整理

動画内で触れられている機械学習タスクを、まずは私なりに要約します。

Task 1. 衛星画像からの船舶の領域特定およびカウンティング
- 船舶が複数隻横付けされた"メザシ状態"のものも正確に計測したい
- 既存のAIでは、カウントの間違いや船舶種別の誤りがある (おそらくChatGPTやGeminiなどの生成AI)
- 人間は一定程度正確な領域特定およびカウントが可能である (それだけの衛星画像の分解能はある前提)

この事例はDeepDiveのウェブサイトの「LumoScan ミスチーフ礁に滞在する中国海上民兵船舶」というレポートで詳細に触れられており、時系列で隻数の変化を追跡することで中国のミスチーフ礁および周辺海域の行動を分析しています。そのために長期間にわたり何度も衛星画像からの船舶数のカウンティングをする必要があるようです。

また、それ以外にも一般的な衛星画像からの船舶の種類特定についても触れられていました。

Task 2. 衛星画像からの船舶の種類特定
- 例として中国の原子力潜水艦の093型と094型の区別
- 衛星画像の分解能が低くとも、特徴的な外見を捉えることで専門家は判別可能である

なお、クラウドファンディングのページでは、AI活用の目的が下記のように説明されています。

地政学リスクを把握する上で、衛星画像は不可欠な「眼」です。しかし、現在の分析には、いくつかの大きな課題があります。

・物体検知や判別を人手で行う必要があり、膨大な時間がかかる

・天候や撮影条件によって、重要施設や車両・船舶等の細部が見えにくく、得られる情報に限界がある

・衛星画像・電波データ・AIS（船舶自動識別装置）などが統合されておらず、全体像を俯瞰しづらい

https://camp-fire.jp/projects/914341/ より引用

ただデータ利活用なども入れてしまうとスコープが広くなってしまうため、この記事ではあくまでもいくつかの特定の機械学習タスクに限定します。

Modified Copernicus Sentinel data 2025 を使用。
実際にミスチーフ礁に集まる小型船舶群の様子。Sentinel-2の分解能では、連なった船舶数をカウントするのは私は不可能だった

既存研究

まずはこれらのタスクについて、現状どういった研究事例があり、どのくらいの精度で解かれているのかを、学習/評価データセットをベースに代表例をいくつか見ていきます。

Task 1.1 船舶検出

HRSC2016は、サブメートル級の高分解能衛星画像から構成される船舶検出の標準的なベンチマークデータセットです。1,061枚のアノテーション付き画像に、空母や軍艦、商船など28の細粒度カテゴリの回転矩形（OBB）アノテーションが付与されています。ming71/HRSC2016_SOTAによるリーダーボードでは、評価値であるVOC2007形式のmAP(07)のスコアにおいて90%前後の性能が報告されています。

DOTAは、Google Earth等の複数ソースから収集された分解能0.1m〜数mの大規模衛星画像の物体検知データセットです。船舶に限らず車両や飛行機など15カテゴリ（v1.0）を含み、全体のmAPは75〜81%程度ですが、船舶カテゴリのAPは89%程度と全体平均を大きく上回っています。なお、DOTAのアノテーションにはdifficultフラグ（小さすぎる・遮蔽されている等の理由で判別困難な対象）があり、標準的な評価ではこれらは除外されるため、実際の運用で遭遇するような困難なケースはスコアに反映されていない点には留意が必要です。

LEVIR-Shipは、分解能16mという中解像度の衛星画像（GF-1/GF-6）における小型船舶検出のデータセットです。無償で利用できるSentinel-2（10m）に近い分解能帯であり、現実的なOSINT運用に近い条件といえます。現状のAPは82.4%で、上記の高分解能データセットと比べると精度は劣るものの、小型船というタスク難易度や分解能の制約を考慮すれば一定機能するレベルとは言えそうです (Chen+, 2022)。

これらを総合すると、おおよそ研究事例は豊富にあり、それらを評価するためのパブリックなデータセットも利用可能であることがわかります。

Task 1.2 船舶のカウンティング

船舶のカウンティングに特化したベンチマークとしては、RSOC（Remote Sensing Object Counting）データセットのShipサブセットがあります (Gao+, 2020)。DOTAデータセットから収集された密集港湾の画像で構成されており、1枚あたり平均328隻（最大1,661隻）という非常に高密度な画像が対象です。データセット規模は、学習用97枚テスト用40枚の計137枚と小規模です。

自作AI AgentでClaude CodeのPlan Mode相当を実装する

Mon, 16 Feb 2026 13:31:12 +0900

Claude Codeを効果的に使うためのベストプラクティスとして、Plan Modeで最初に計画を立てることの重要性がよく挙げられます。いきなりコードを書き始めるのではなく、まず何をするかを整理してから実装に進むことで、手戻りを減らし精度の高い成果物を得られるというものです。

このPlan Modeの仕組みを自作のAI Agentにも取り入れたいと感じたので、Claude Agent SDKを使って再現してみました。この記事では、Claude CodeのPlan Modeが内部的に何をしているかを解説し、それを自作AI Agentで再現する実装について紹介します。

Claude CodeのPlan Modeとは

Claude CodeのPlan Modeは、実装に着手する前に計画を立てるフェーズを設けるための仕組みです。ユーザーがPlan Modeを有効にすると、Claudeはコードの読み取りと計画の策定だけを行い、ファイルの編集やコマンドの実行は一切行いません。

これらの実装や内部構造は公式には公開されていませんが、Armin Ronacherの記事 What is Plan Mode? に詳しく書かれています。彼の分析によると、Plan Modeの本質は「カスタムプロンプトとシステムリマインダー」であり、技術的に複雑なことはしていないとのことです。

ここからは、このブログの内容に沿って解説します。内部的には、以下の3つの要素で成り立っています。

要素 1. システムリマインダーによる制約

各ユーザーメッセージにシステムリマインダーが自動的に付加されます。このリマインダーには「Plan mode is active. The user indicated that they do not want you to execute yet — you MUST NOT make any edits」という強い制約が含まれており、「This supercedes any other instructions you have received」と他のすべての指示を上書きすることが明記されています。つまり、仮にユーザーが「このファイルを編集して」と言っても、Plan Mode中はそれが無視されます。

要素 2. 構造化されたワークフロー

4フェーズの段階的なワークフローがプロンプトとして埋め込まれています。

Initial Understanding — コードの読解とユーザーへの質問
Design — 実装アプローチの設計
Review — 計画とユーザー意図との整合性チェック
Final Plan — 計画ファイルへの書き込み

各フェーズでExplore AgentやPlan AgentといったSub Agentを並列起動する指示も含まれており、効率的な情報収集と計画策定が行われます。

複数環境でのClaude Code利用統計をOpenTelemetryで一元管理する

Wed, 04 Feb 2026 09:07:59 +0900

Claude Codeの利用統計の可視化ツールとしてccusageが有名ですが、リモートサーバなど複数の環境で利用している場合では、それぞれの環境ごとにしか集計することができません。私の場合は手元のラップトップに始まり、Kaggleなどのデータコンペ用のGPUサーバやProxmoxで構築した各種開発環境などがいくつもあります。それらを横断してClaude Codeの利用統計を見る必要がありました。

Claude Codeには、標準でOpenTelemetryによるテレメトリ送信機能が実装されています。これを使うことで、自前のサーバにメトリクス・ログを集約し、複数環境の利用統計を一元管理できるようになります。単なる利用コストの確認のみならず、利用モデルの確認などにも使えて、とても便利です。

この記事では、Claude CodeのOpenTelemetryによる利用統計の集約および可視化までの流れを大まかに紹介します。

全体構成

Claude Codeを起点としたログの流れは以下の通りです。

Claude Code → OTLP → OpenTelemetry Collector ─┬─→ VictoriaMetrics ─→ Grafana
                                              └─→ Loki ────────────┘

各環境のClaude CodeからOTLP形式でテレメトリを送信し、自前のサーバでOpenTelemetry Collectorが受信します。メトリクスはVictoriaMetrics、ログはLokiに保存され、Grafanaで可視化する構成になっています。

端末間の通信にはTailscaleを利用しています。そうすることで、ネットワーク設定を気にせずどの環境からでもテレメトリを送信できます。また、特段外部公開しているサーバやクラウドのインスタンスがなくとも、自宅で常時動いているミニPCなどにホストしておくことで簡単に環境構築できるのも嬉しいところです。

設定

Claude Code

~/.claude/settings.jsonのenvセクションで環境変数を設定します。

{
  "env": {
    "CLAUDE_CODE_ENABLE_TELEMETRY": "1",
    "OTEL_METRICS_EXPORTER": "otlp",
    "OTEL_LOGS_EXPORTER": "otlp",
    "OTEL_EXPORTER_OTLP_PROTOCOL": "grpc",
    "OTEL_EXPORTER_OTLP_ENDPOINT": "http://my-selfhost-server:4317",
    "OTEL_RESOURCE_ATTRIBUTES": "host.name={{ .chezmoi.hostname }}"
  }
}

私は~/.claude/settings.jsonをchezmoi管理下に置いて、テンプレート機能で{{ .chezmoi.hostname }}を使って各環境のホスト名を自動設定しています。これにより、Grafanaダッシュボードでどの環境からのメトリクスかを識別できます。

参考: 監視 - Claude Code Docs

サーバ側

サーバ側はdocker composeで以下の4つのサービスを構成しています。

OpenTelemetry Collector: テレメトリの受信とルーティングを担当
VictoriaMetrics: Prometheus互換の時系列データベース
Loki: Grafana製のログ集約システム
Grafana: 可視化ダッシュボード

当初はPrometheusで構築していましたが、データ容量などの観点で互換性のあるVictoriaMetricsに移行しています。

Grafanaダッシュボード

GrafanaのダッシュボードはColeMurray/claude-code-otelを参考にしています。

pueueによるGPU実験のジョブ管理

Tue, 27 Jan 2026 09:48:37 +0900

KaggleやatmaCupなどのデータコンペにおいて、GPUを使った学習/予測などの実験を効率的に行うには、とにかくGPUを休ませずに働き続けてもらう必要があります。手動で一つずつ実験を投入するのでは、どうしても待ち時間が発生してしまいます。複数の実験を事前にキューに入れておき、前の実験が終わったら自動で次の実験が始まるようにすることで、GPUの稼働率を最大化できます。

ここでは、pueueというジョブ管理ツールによる、ローカル環境で完結するGPUの割当管理の方法について説明します。なお、ここでは単一サーバでのGPU学習を対象にしたものであり、クラウド環境やColab等での複数インスタンスが柔軟に利用できる状況は対象としていません。

pueueについて

pueueはRustで書かれたジョブ管理ツールです。あくまで単一ユーザ向けに単独で動作するよう設計されており、シンプルな機能で軽量に動作するのが特徴です。pueuedというデーモンを動作させておき、ユーザはpueueコマンドでジョブを投入すると、優先度や並列度に応じて自動で実行されます。

Nukesor/pueue

🌠 Manage your shell commands.

Rust 6256 158

pueueの主な特徴は以下の通りです。

Agentic Coding時代のデータ分析コンペの環境構築

Mon, 26 Jan 2026 10:28:44 +0900

久しぶりにデータ分析コンペ(atmacup#23)に出場したのを機に、Agentic Coding時代のコンペの環境構築をしました。コンペ自体の成績はイマイチな結果に終わりましたが、個人的にはAgentic Coding時代の手応えを感じたと同時に課題も見えてきました。

この記事では、このコンペで構築した現在の私の実験環境の事例を紹介します。

Agentとの協業理念

まず分析やコーディングの大半をAgentにまかせる上で目指したのは、以下の3点です。

計画/実行/評価のサイクルを高速に回すための全体構造化と、Agentが迷いなく実行できるようなコマンド/スキル化
Agentの意思決定を支えるドキュメント整備
共通コンポーネントをなるべく排除し実験間の依存性をなくすことで単体での再現性を確保

Agentというものは現時点では「何でも知っているし何でも出来るけれども、人間が言わないと提案してくれないしやってくれない」存在なので、人間による大まかな方針の提示と意思決定、そして意図した挙動へ導くガードレールが必須です。とにかくAgentが最高速度で突っ走ってくれるサポートをします。それが出来ていないならすべて人間のせいです。

また、人間が見る部分と見ない部分の切り分けをはっきりすることが重要です。人間が見る部分というのは、実験の設計や結果などの抽象的な情報、見ない部分というのは実験コードや設定情報など具体的な情報です。コードを人間が確認するというのは、いわばマイクロマネジメント。そうしたくなる気持ちをぐっと抑えて、必要に応じてAgentに「この実験のパラメータって何？その根拠は？」といった投げかけにとどめて、人間はもう少し全体の流れをコントロールすべきだと感じています。Agentが間違っていたらどうするんだと思われるかもしれませんが、私が手で実装したり目grepで設定ファイルを探し出すよりは正確です。それよりも、実験の方向性は正しいか、考慮漏れはないか、一度に複数の変更を加えて結果の解釈を難しくしていないかなどを気にしたほうがいいという結論に達しました。

ディレクトリ構造

それでは具体的なディレクトリの構造と各要素の詳細を見ていきます。今回のコンペでは、最終的にこのような形に落ち着きました。

  competition_name/
  ├── CLAUDE.md              # Agent用設定ファイル
  ├── .claude/               # Claude Code設定 (command/skill/hookなど)
  ├── experiment_summary.md  # 実験結果一覧・系譜図  
  ├── experiments/           # 実験ディレクトリ
  │   └── expXXX/            # 各実験 (XXXは001からインクリメントする)
  │       ├── config.yaml    # 実験設定
  │       ├── run.py         # 実行スクリプト
  │       ├── result.md      # 実験結果の評価ドキュメント
  │       └── submission.csv # サブミッションファイル
  ├── docs/                  # ドキュメント
  │   ├── official/          # コンペ公式のドキュメント
  │   ├── paper/             # 論文 (doclingから出力)
  │   └── survey/            # 技術サーベイ (Deep Researchの結果)
  ├── data/                  # データセット
  │   ├── raw/               # 配布データ
  │   └── processed/         # 前処理済みデータ
  ├── app/                   # 可視化アプリ
  │   ├── backend/           # FastAPIによるバックエンド実装
  │   └── frontend/          # React/Next.jsによるフロントエンド実装
  ├── src/                   # 共有ユーティリティ (評価関数の実装など)
  ├── scripts/               # 前処理などの実験非依存のスクリプト
  ├── studies/               # 調査・検証用コード置き場
  └── pyproject.toml         # uv設定 (パッケージ管理)

CLAUDE.md, .claude: Claude Code関係

今回のコンペではすべてClaude Codeに依頼する形で分析/実験を行いました。CLAUDE.mdにはコンペ概要と実験構築の方法、コマンドでの実行方法などを記載し、.claude/以下のコマンド/スキルには実験の評価やドキュメント化などの少々複雑なステップを踏む作業を切り出しています。

macOS環境構築メモ(2025/03)

Mon, 17 Mar 2025 20:35:15 +0900

私物のMacBookを新調したので、久しぶりにmacOSの環境設定をしました。

MacBook Air 13inch, M4, 2025
- CPU 10 core / GPU 10 core
- 32GB RAM
- Sky Blue

システム環境設定

一般
- 情報
  - コンピュータ名: 変更
- AirDropとHandoff
  - Airdrop: すべての人
コントロールセンター
- サウンド: メニューバーに常に表示
- バッテリー: 割合(%)を表示
- Spotlight: メニューバーに非表示
- Siri: メニューバーに非表示
デスクトップとDock
- Dock サイズ: 小さめ
- Dockを自動的に表示/非表示: On
- アプリの提案と最近使用したアプリをDockに表示: Off
- 壁紙をクリックしてデスクトップを表示: ステージマネージャ使用時のみ
サウンド
- 起動時にサウンドを再生: Off
- 音量を変更するときにフィードバックを再生: On
ロッグ画面
- 使用していない場合はスクリーンセーバを開始: しない
- バッテリー駆動時に使用していない場合はディスプレイをオフにする: 1時間
- 電源アダプタ接続時に使用していない場合はディスプレイをオフにする: 1時間
- スクリーンセーバの開始後またはディスプレイがオフになったあとにパスワードを要求: すぐに
キーボード
- キーのリピート速度: 速い
- リピート入力認識までの時間: 短い
- キーボードショートカット
  - 入力ソース: すべてOff
  - Spotlight: すべてOff
  - 修飾キー
    - Caps Lock キー: アクションなし
- 入力ソース
  - 英字入力中にスペルを自動変換: Off
  - 文頭を自動的に大文字にする: Off
  - インライン予測テキストを表示: Off
  - スペースバーを2回押してピリオドを入力: Off
トラックパッド
- 調べる&データ検出: オフ
- ページ間をスワイプ: 3本指でスワイプ
- アプリExposé: 3本指で下にスワイプ

Finder

一般
- デスクトップに表示する項目: すべてOff
- 新規Finderウインドウで次を表示: $HOME
- フォルダを新規ウインドウではなくタブで開く: Off
- サイドバー
  - $HOME: On
  - 最近の項目: Off
- 詳細
  - すべてのファイルの拡張子を表示: On
  - 拡張子を変更する前に警告を表示: Off
  - 検索実行時: 現在のフォルダ内を検索

Application

1Password
AppCleaner
Battery
ChatGPT
CleanShot X
Cursor
Daisy Disk
Dato
Discord
Docker
Dropbox
Final Cut Pro X
Google Chrome
Google IME
Ice
iTerm2
Kindle
Notion
Raycast
Slack
VSCode
Xcode

Font

Hack Nerd Fonts (for iTerm2)

Terminal

HomeBrew
入力切替時の吹き出しをオフにする
$HOMEのディレクトリ名を英語表示に(.localizedを削除)

過去

2025年02月インプット振り返り

Sat, 01 Mar 2025 11:12:20 +0900

今月から育休の復職を念頭に少しずつPCに向かう時間を確保し始めたので、インプットの総量は少し減りました。また、育児や家事などでまとまった時間が取りにくく、また自分としても以前ほど集中力が持続しないと感じるので、働いていた頃の水準に徐々に戻していきたいところ。

本

今月の読書量は12冊ほどでした。今月は主にファイナンス系の勉強と、ピーター・ティールに関する著作に重点を置きました。

ファイナンス思考――日本企業を蝕む病と、再生の戦略論
世界秩序が変わるとき
オードリー・タン　私はこう思考する
増補改訂版　道具としてのファイナンス
HARD THINGS　答えがない難問と困難にきみはどう立ち向かうか
「知識ゼロ」の人のための超ざっくり分かるファイナンス
ゼロ・トゥ・ワン　君はゼロから何を生み出せるか
会計の世界史: イタリア、イギリス、アメリカ-500年の物語
ピーター・ティール世界を手にした「反逆の起業家」の野望
０歳からの　ニューヨーク流　おうちでできるモンテッソーリ教育
パパは脳研究者〜子どもを育てる脳科学〜
22世紀の資本主義やがてお金は絶滅する
(途中)教養としての「金融&ファイナンス」大全

現実世界を捉える方法として物理法則や原子といった概念があるように、ビジネスや会社においてそれに対応するものとして会計及びファイナンスの仕組みがあったり、取引の単位はお金だと考えることができます。このあたりの基本原理を身につけないことには、そこから発展した現代の国家と社会を取り巻く経済、会社組織の経済活動、スタートアップによる起業とその成長の過程をきちんと理解できないと思い、改めて基礎から勉強し直しています。卑近な例でいえばスタートアップがIPOでExitするというときに、上場時の時価総額とは何を表していて企業価値はどのようにして計算されるのか、何のために上場してそれを維持するとはどういう意味を持つのかなど、改めて考えるとわかっていないことが実は多かったりします。一般にスタートアップで働く従業員であればCXOや経営層がやってくれているからこそ自分は自分のタスクに集中するという分業的な考え方もアリとはいえ、スタートアップが成功するために社員全員がHigh Alignment, High Autonomyな状態を目指すうちのような社風のなかでは、一定の知識は抑えておいて周囲と認識が合わせられるようにしておくべきだと思っています。

また、今月はピーター・ティールに関して色々と調べました。もともとはOff Topicsのピーター・ティール回を去年くらいに聴いていてなんとなく気にはなっていたトピックだったのですが、著書「Zero to One」を読んだ派生で、彼の経歴や価値観、また過去のトランプ支持といった最近の話題を含めて興味が湧いたので、数冊ほど本を読んでポッドキャストも聴き直しました。新自由主義やグローバル化が変わるかもしれない昨今の情勢の中で、イノベーションが加速していくために政府の規制や国家間の関係はどうあるべきなのかなど自分の中でもまだ考えがまとまりきっていないですが、ピーター・ティールの考えは一つの選択肢としてコントラリアンながらも参考になりました。

Podcast/YouTube

最近はPodcastに若干飽きたところもあって、PIVOT、ReHacQ、TBS CROSS DIG with BloombergなどのYouTubeのビジネス系チャンネルをよく見たり聴いたりしています。

特に印象に残っているのはDinii創業者の一連の動画コンテンツ。こうして様々な番組でのインタビューがあることで、Diniiのビジネスモデルから資金調達や今後の戦略、創業者自身の人となりや考え方などを一次ソースとして知ることができるので良いですね。

ウェブ記事

国内TCGのジャッジ裁定について思う事

カードゲームの審判はプレイヤーのプレイミスにどこまで寛容であるべきかという記事であり、そもそもルールは誰のためにあってどう運用されるべきなのかという問題提起として非常に興味深かったです。私はこの記事に書かれている意見に概ね賛成ではありますが、一方で反論として出てくるような勝ち負けが関わる状態での競技性や公平性などの意見も理解できます。これはゲームに限らず人間社会全体においても言える話でもあり、例えばLUUPの昨今の問題においても「交通ルールを守っていないほうが全面的に悪い、だから対象をキツく糾弾しても良い」「ルールは決まっているのだから守って当たり前」といった方向に発展しがちで、また人々の価値観や国民性に強く依存するところがあり、共通認識を合わせることが難しく感じます。

高校の世界史を再履修する

Mon, 17 Feb 2025 21:03:58 +0900

最近いろいろなジャンルの書籍を読むなかで、自分の中で圧倒的に世界史の基礎的な知識が不足しているなと感じるようになったので、高校の世界史から勉強し直すことにしました。

最近読んだ本で言えば、例えば「サピエンス全史」といった重厚な人類史であったり、「会計の世界史: イタリア、イギリス、アメリカ-500年の物語」の会計学、「世界秩序が変わるとき」の政治・経済の将来予想などに触れたときに、書いてあることを一通り理解はできても、それらが頭の中で有機的に繋がらないと感じたことがきっかけです。ある事象が起きた時代にその近隣の地域ではどんな国家が繁栄し人々がどう暮らしていたとか、近代から現代に至る政治や経済の大きな流れはどうなっているのかとか、そうした知識の基盤になるようなものが不足していると感じています。　学生時代にもっと勉強しておけばよかったなと誰しもが思う後悔を一通りしたところで、じゃあいっそのこと高校の世界史から改めてやり直そうと思うに至りました。こういうのは早ければ早いほうがいいですからね。

どのように学ぶか

勉強するにあたって、まずはいくつか方針を決めました。

学校で使われている教科書を使う
- 目的はあくまでも義務教育で教えられる世界史の知識を体系的に身につけることなので、社会人からやり直すみたいな教養雑学的な本には頼らないことにしました
教科書は一通り通読する
- 自分が知らないが興味がある部分を選択して学ぶこともできますが、あくまで満遍なく基盤を作るということを目的に教科書を通読することにしました

教科書選びには以下のリンクを参考にしました。このように学び直すときにガイドとなる記事があると、本当に助かります。

高校世界史教科書で学びなおす歴史学習メソッド（2024年/令和6年改訂版）

結果として、以下の2冊を選んで購入しました。

他の選択肢

今回私は選択しませんでしたが、最近話題になったNHKの「3か月でマスターする世界史」も良さそうです。私の場合は、Amazon Primeでエピソード1を見たときにどうしても倍速で見たくなるくらいのザ・講義という感じだったので、個人的にはテキストを読む形で独学するほうが性にあっていると感じました。

3か月でマスターする世界史 - NHK

今の進捗

まずは教科書を通読しているところですが、この歳になって色々知識がある中で読むと、教科書って本当に分かりやすいですね。学生時代あれだけ苦労していたのが嘘のようで、興味が沸かなかったり取っ掛かりが無い中で勉強するというのは大変なのだと改めて思い知らされます。試験でいい点を取るために暗記しなくていいというのも、プレッシャーがなくて嬉しいところ。学生当時の柔らかい脳に詰め込んだからこそ容易に忘れない知識の基礎ができるのだという一面も否定できないですが、画一的ではない義務教育のあり方もあるのではないかと、0歳の子どもを育児しながらその将来をしみじみ考えたりもします。

2025年01月インプット振り返り

Sun, 02 Feb 2025 20:52:44 +0900

今年の個人的な目標の一つに「圧倒的Input/Output」というものを掲げていて、なるべく個人Notionや物理のノートにメモを残しながらインプットをしています。アウトプットに方面でもきちんと結果を残すためにも、1ヶ月ごとにその月に読んだ本や面白かった動画コンテンツなどを記録していこうと思います。

本

今月の読書量は20冊でした。なかなか頑張りました。育休中は読書時間が一定取れるのでとにかく乱雑に気が向いたものを読んで、そこから気になったトピックを掘り下げていくというスタイルにしているので、自己啓発、ファイナンス、育児、お笑いまでジャンルは様々です。そしてざっと読んだものからじっくり読んだものまで含めているので、わりと冊数が多くなりました。

増補改訂版起業のエクイティ・ファイナンス
起業のファイナンス
ファイナンス思考――日本企業を蝕む病と、再生の戦略論
模倣の経営学
サピエンス全史
Dark Horse（ダークホース）「好きなことだけで生きる人」が成功する時代
シリコンバレー最重要思想家ナヴァル・ラヴィカント
DIE WITH ZERO　人生が豊かになりすぎる究極のルール
最後通牒ゲームの謎進化心理学からみた行動ゲーム理論入門
億までの人億からの人ゴールドマン・サックス勤続17年の投資家が明かす「兆人」のマインド
人生のレールを外れる衝動のみつけかた
サーチ・インサイド・ユアセルフ
ジェームズ・クリアー式複利で伸びる1つの習慣
信頼と不信の哲学入門
エビデンスの社会学: 証言の消滅と真理の現在
「性格が悪い」とはどういうことか
信頼と不信の哲学入門
小児科医のママが教える離乳食は作らなくてもいいんです。
乳幼児は世界をどう理解しているか
漫才過剰考察

今月特に印象に残ったのは「最後通牒ゲームの謎」と『「性格が悪い」とはどういうことか』の2冊で、どちらも研究者による著作で研究の一般向け解説書です。これらの人間を対象にした研究、特に行動の心理や性格といった捉えどころのないものをいかに計測するかという方法論に、研究者の斬新なアイデアや巧みな実験のコントロールが垣間見えてとても面白かったです。例えば、最後通牒ゲームではシンプルな行動経済学の実験から派生して、観察者を除外したらどう反応するか、人種や文化背景などの実験対象を変えたらどうなるか、チンパンジーなどのヒトとの近縁種ではどうなるかなどのバリエーションが生まれ、それらが積み重なることで人間の社会性の本質に迫る様を興味深く知ることができます。自分自身は研究対象自体にそれほど興味は沸かないものの、こうした研究自体が発展していく過程に強く惹かれます。

Podcast

通勤がなくなってあまり音声コンテンツを消費できない状態が続いていたのですが、今年から一念発起してスキマ時間にポッドキャストを積極的に聞くようになりました。ちなみにこのためにHuawei FreeClipというオープンで外音が聞こえやすく装着感が軽いイヤホンを買いました。また、クライアントもSpotifyを使い始めたことで、おすすめされた新規コンテンツを色々と聞きはじめています。新しく聞き始めたのを列挙すると、1月は意外といろんな番組を聴きました（当然全エピソード聴いているわけではありませんよ）。

この中では、特にNstockのラジオはバックナンバーを含めてかなり聴きました。自分もスタートアップでSOを幾分もらっている身として興味ある分野でありつつも、制度自体やSOを取り巻く情勢など知らないことが多く学びになると同時に、生々しいゴシップ的なお金の話もあったりと、興味深いトピックばかりでした。

YouTube

【高橋弘樹vs辞めゴールドマン】年収1億円…行く人、行かない人違いは？【ReHacQ】

インタビュイーの著書も含めて、刺激を受けた回。タイトルの億を稼げるかどうかは別として、実績に加えて地に足のついた考えが相まって納得のいくものでした。以下は特に印象深かった言葉 (上記動画より引用)。

人の幸せはお金には紐づいていないが、社会との繋がりにはものすごく紐づいていると思う

NetlifyからCloudflare Pagesに移管した

Wed, 08 Jan 2025 22:04:16 +0900

このサイトをホストしているサービスを、NetlifyからCloudflare Pagesに移管しました。

もともとはこのサイトを長年放置していて気がつけばアクセスできない状態になっており、大元のNetlifyのdeployが失敗していたのがキッカケでした。個別にhugoバージョンのアップデートなどで対応すればよかったのですが、yag.xyzというドメイン自体をCloudflareで管理していたので、せっかくなのでCloudflare Pagesを使うことに。Netlifyと同様にGitHubのレポジトリを指定すれば勝手にデプロイしてくれて、カスタムドメイン適用もすんなりできたので良い体験でした。

About

Thu, 28 Feb 2019 00:00:00 +0000

Yuki Okuda

Bio

フリーランス (2025/11 - )
- Sakana AI株式会社 (2026/03 - )
- NLPeanuts株式会社 (2025/11 - )
Ubie株式会社ソフトウェアエンジニア(機械学習) (2020/07 - 2025/09)
Sansan株式会社 DSOC 研究員 (2018/01 - 2020/06)
株式会社リクルートテクノロジーズ (2015/04 - 2017/12)
奈良先端科学技術大学院大学情報科学研究科修士 (2013/04 - 2015/03)

Resume

Blog/Output

Blog
- https://yag-ays.github.io/
- http://wolfin.hatenablog.com/
- http://yagays.github.io/ (2012/05 - 2015/03, no longer updated)
Website
- https://zenn.dev/yag_ays
- https://qiita.com/yagays