メインコンテンツへスキップ
見出し画像

アーキテクトはどこまでAIと組めるのか: VSCode+DockerでGraphDBを構築してみた

    前回の内容はこちら。

    しばらくBackcasting Mapを精緻化してたんですけど、付箋が増えるにつれて線もどんどん増えてきて、視認性が下がってきました。
    ChatGPTにはまだある程度読ませられるものの、Geminiなどの他のモデルでは自信がないですし、これ以上精緻化すると人の目でも追いかけきれなくなりそうだったので、以下の2点を実施することにしました。

    1. 画像的なBackcasting Mapはあくまでオーバービューとして扱い、各付箋の解説と関係性をGraphDBに格納。生成AIに渡すのはGraphDBのデータにする

    2. 本当は流量制御などの整合性などもAIにチェックさせたいけど、そこまで細かくなると画像的なMapでは限界があるため、アーキテクチャレビューをレイヤー分けして管理する

    今回は1つ目の対応として、GraphDBへの格納の準備をします。
    平たく言うと自分のPCにGraphDB環境を立て、データを流し込むことができるようにします。

    使用ツールと構成方針

    今回のGraphDB構築は、以下のツールと構成で行なっています。

    • VSCode + Dev Containers: 構築環境の自動化と作業の一貫性を確保

    • Docker Desktop: Neo4j をローカルで立てるために使用

    • Neo4j: Cypherクエリで扱える軽量なGraphDB。可視化ツールも内蔵で、私のようなCitizen Developerには超便利

    なぜRDBMSを使わなかったか

    直感的にRDBMSではないと思ったから。
    SQLで必要なデータ一式を取得する難易度が、どう考えても高かったからです。

    Backcasting Mapの構造を見ていると、ポイントは次のような点にあります

    • 付箋の間の関係性が重要

    • 多対多 (n:n) の関係が頻繁に発生する

    • 階層構造を横断したリンクがたくさんある

    これは例えば、

    • 成功基準 → 症状 → 根本原因 のような因果チェーンがある

    • 同じ症状が複数の成功基準に影響していることもある

    • 症状同士や根本原因同士が依存関係、トリガー関係で繋がっている

    こういう複雑な関係性をRDBでテーブル設計しようとするととても大変ですし、できたとしてもクエリひとつ書くのがめちゃめちゃ大変ですよね。
    Root Cause --> Root Cause --> Root Causeなんて再帰的なものがたくさんある。
    何階層になっているかは意識せず、Success Criteriaからツリーを全部一気に、かつ簡単なクエリで引き抜きたいわけです。

    そこで今まで触ったことのなかったGraphDBに挑戦することにしました。

    GraphDBなら、ノード (データオブジェクト) とエッジ (リレーションシップ定義) で直感的に構造を捉えられるので、構造化、可視化、探索が一気に楽になります。
    特にNeo4jはブラウザからクエリを実行して結果をすぐ確認できるので、私のようなCitizen Developerにはこういう目に見える反応があるツールがとてもありがたい。

    リポジトリ

    今まで使っていたものとは別に、DBの元データとコンテナ用の構成をまとめた専用リポジトリを新たに作成しました。

    完全に余談ですが、画像的なBackcasting Mapから付箋ひとつひとつの情報をマークダウンに落とすだけでかなり時間かかりました。
    これまだ内容リファクタリング前なんですよね。
    最後英語にするんですが、作業が単調でつまらなくなって、前に進まなくなりました。
    こういう技術検証的な寄り道を間に挟まないと、活動がサステイナブルではなくなってしまうんですよね。こんなの自分が飽きたら完全に終了ですし。

    インストール

    まずはDocker Desktop。
    私のPCはMacなのでこちら。

    VSCodeのExtensionであるDev Containersも必要です。

    画像
    Dev Containers

    Neo4j コンテナ作成の構成ファイル

    リポジトリの .devcontainer にあります。気になる方はそちらをご確認ください。

    今回はPC起動するたびにデータを流し込み直すのはさすがに面倒なので、Neo4jのデータは永続化しました。

    また、devcontainer.json を使って、VSCode内のターミナル機能からNeo4jのコンテナ内に入れるようにしています。
    VSCodeで作成したスクリプトを、同じ画面のままコンテナ内に引き渡してPythonスクリプトを実行できるようになっています。Pythonの仮想環境やドライバの場所を意識せずに実行できるのとっても快適。

    画像
    VSCodeターミナル

    データを流し込んだ結果はブラウザUIで確認できるよう、ポート7474を公開しています。
    これ大事。何かした結果をすぐ目で見られるのモチベーションにすごく重要。

    画像
    Neo4j UI

    起動

    VSCodeで Open Folderからローカルリポジトリのルートを開きます。
    そうすると.devcontainer が検出され、Dev Containerで開くかどうかのダイアログが出ます。
    そのまま開く方を選べばNeo4jの環境が起動します。

    まとめ: 完全に生成AIと一緒にやってみた

    今回は正統派「生成AIとやってみた」

    生成AIの登場で、学習のやり方が完全に変わりましたよね。特に今回のGraphDBのような、新しい技術のチャレンジのハードルがガクッと下がったと感じました。なぜなら生成AIが教えてくれるから。

    そもそもこの今回の構成が決まったのも、

    正直Backcasting Mapも限界だし、テキスト情報にしたいんだけど、RDBめんどくさい

    と私がつぶやいたことから始まっています。
    それを生成AIが拾い、私の要求をベースに生成AIと対話を繰り返して完成したものがこの構成でした。

    私はうまく動いたところで作業の意図を読み取って「この理解で合ってる?」「今やったのこういうこと?」と聞いて後からキャッチアップしているところも多いんです。

    私はマニュアルを事前に丁寧に読む方ではないので、いつもは製品などのカタログステップ、営業資料的なものからこの技術はどんなIssueに対して用意されたものかを把握して製品意図を汲み取り、動いた環境や渡したパラメータからこの技術の設計意図を推測して知見を積み上げる方法で技術を習得するんです。
    こういう実験 --> 観察 --> 理解の学習スタイルがとても性に合っていて、生成AIはそこにぴったりハマるんです。

    プロンプトのコツ

    こういうことをしたい場合、生成AIへの情報の渡し方はコツがあります。

    下手に断片的に情報を渡すのではなく、最終的なゴールからまるっと共有してしまうことです。

    そもそもこのプロジェクトも、インセプションデッキ的なプロダクトコンセプト、およびそこに含まれる仮説が何かの明確化から一緒に伴走してもらっているんですよ。

    この流れで、MVPとして作る、MVPはこの程度のサイズのもの、MVPに必要なものはこれで必要じゃないものはこれ、と言う全体の流れがあって、上記のつぶやきに至っています。

    ここまで来ると技術選択に何が必要で何が必要じゃないか、意思決定の軸を完全にChatGPTのメモリが持っていることになりますから、的確な提案が来るわけです。

    うまくいかないケースの多くは情報が断片であること。
    例えば、「データストアが欲しいです」であればおそらくRDBの提案が来ても不思議ではありません。

    なぜデータストアが必要なのか、どんな制約があるのか、データの特性は何か、今何に困っているのか、そういった背景情報までセットで伝えられると、生成AIは想像以上に的を射た提案や設計補助をしてくれる存在になります。



     
     
    ソフトウェア会社に所属するエンジニア。 マイクロサービスとかAPIとかアジャイル開発とかのモダンな開発を勉強中。 手当たり次第に勉強してどこに何が書いてあったか忘れがちなので、メモとして使います。 所属組織の意向とは関係ない個人の意見や経験を記載するものです。

    あなたへのおすすめ