Agile のアプリケーション開発は、そのドメインの中だけで閉じるものではありません。 ここでは、それぞれのアプリケーションが疎結合して価値を生むための、Application Architecture のビジョンとデザインを示します。

1. Agile Application Architecture
畠山 大有 | Daiyu Hatakeyama | @dahatake
Architect && Software Engineer && Applied Data Scientist
Microsoft Japan

3. “Onsen” 理論：温泉旅行で “Onsen” 級に必然で無いモノは電子化される
以前の温泉旅行
検索
下調べ
癒し
団らん
申し込み
予約
確認
検証
支払い
決済
調査
比較
ｶﾞｲﾄﾞﾌﾞｯｸ Fax ﾁｹｯﾄ Map 現金 “Onsen”
$
$
$
ｶﾀﾛｸﾞ
発券
搭乗
ｺﾝﾋﾞﾆ 代理店 施設 Airline 本屋 ﾚﾝﾀｶｰ 宿
現在の温泉旅行
Device “Onsen”
Cloud
宿
癒し
団らん
検索
下調べ
申し込み
予約
確認
検証
調査
比較
発券
搭乗
支払い
決済
場所
媒体
（癒し・団らん） （サービス化）

4. “Onsen” 理論：温泉旅行で “Onsen” 級に必然で無いモノは電子化される
場所
媒体
（癒し・団らん） （サービス化）
ｷｬﾋﾞﾈｯﾄ
“場所と媒体” に “制約された働き方”
議事録 ﾌｧｲﾙ 社判 ﾊﾞｲﾝﾀﾞｰ 伝票 Face to Face
回覧板
島机 ﾛｯｶｰ 支社/支店 庶務ｻﾎﾟｰﾄ 自席 会議室
v
v
v
交渉
判断
検索
下調べ
報告
回覧
根回し
調整
承認
決裁
段取り
手続き
記入
確認
会議室
“場所と媒体” を “選択する働き方”
Device Face to Face
Cloud
困難な交渉
重要な判断
検索
下調べ
報告
回覧
根回し
調整
承認
決裁
段取り
手続き
記入
確認
（仕事の場合）

5. “Onsen” 理論：温泉旅行で “Onsen” 級に必然で無いモノは電子化される
（癒し・団らん） （サービス化）
会議室
“場所と媒体” を “選択する働き方”
Device Face to Face
Cloud
困難な交渉
重要な判断
検索
下調べ
報告
回覧
根回し
調整
承認
決裁
段取り
手続き
記入
確認
24%
無くなる仕事
11%
従来通りの仕事
27%
新たに創出される仕事
38%
変化する仕事
89%
今後3年間の変革で
影響を受ける仕事
Unlocking the Economic Impact of Digital Transformation
Microsoft In Partnership with IDC
（仕事の場合）

6. 従業員 管理者 ID: xxx
仮説の域を出にくい世界

8. “フィードバックありがとうございます!
頂戴したコメントは、数年後に予定しています
次のリリースに反映させていただきます。”

10. Digital Feedback Loop
Data
AI

11. Business の 仮説
状況 (KPI)
Business Intelligence (BI)

12. ここまでは
構造化データのお話
世の中には
非構造化データもあ
る

13. 23.9%
27.6%
11.1%
23.9％
4.6％
1.4％
その他
5.5％
メール／予定調整
非定型作業
（主にExcelとPPT）
情報検索
顧客管理系
技術情報
管理系
営業支援系
着色：在席、空白：離席
・自席とnot自席比率は、71.5%：28.5%
・1週間の平均値と比較しほぼ標準的
・部門平均比で約1割程度自席作業が多い
・本人の申告では自席が8割との認識
・残業を行った日は自席率が5%程度上昇
not自席
28.5%
自席
71.5%
・調査対象時間の内、自席業務について評価
・コア業務とnotコア業務比率は79%：21%
・1週間の平均値と比較しほぼ標準的
・設計部門平均比で約15%程度コア業務が多い
・本人の申告でもコア業務が8割との認識
コア業務
78.9%
notコア業務
21.1%
ビデオ／PCログによる
情報活用状態の可視化
IPA
Individual Productivity Assessment
（*1）
Mail
確認
提案
業務
提案
業務
資料
作成
資料
作成
報告
業務
資料
作成
コア業務
not
コア業務
↓
not
コア業務
↓ コア業務
not
コア
業務
↓
9:17
出社
↓
Mail
確認
↓
来客
↙
提案署
作成
↓
社内
会議
↓
QA
対応
↓
昼食
↓
提案署
作成
↓
資料
作成
↓
社内
会議
↓
報告書
作成
↓
来客
（業者）
↓
資料
作成
↓
19:05
退社
↓
資料
作成
↓
コア業務の中で業務系（赤）と情報系（青）が
複雑に絡み合う
■B部門Xさんの1日を「コア業務／notコア業務」に分類

14. 非定型的 or 人がやった方が早い 業務 定型的 業務
RPA
メール、ファイル、タスク管理 LOB
構造化データ
非構造化データ
Knowledge Management KPI Base
取り込めないか?

15. Speech
Language
Vision
メタデータの自動抽出への道が
開けた!

16. companies
Google
Microsoft
Facebook
record-id companies
1 [
“v02”,
“v01”,
“v05”
]
メタデータ化 | 構造化データ
自然言語処理 (NLP) は大変…
Deep Learning は、2012年
にGoogleの研究者によって
飛躍的に技術向上しました。
その後Microsoftや
Facebookなどの企業も
本格参入。
2015年から写真の識別など
幾つかの分野でMicrosoft
が
人と同程度のModelを
開発しました。

17. 行動履歴

18. Feature 抽出
Surface は
品川で買えるみた
い!
XXX店は
いつも混んでいて
嫌
Named Entity
Extraction

19. Form Recognizer な
ど
+
Azure Functions など
取り込み
コグニティブ スキ
ル
解析 探索
ナレッジ ストア
プロジェクショ
ン
Big Data の
ソースとして

21. 何年間

23. 仮想マシン Container
• 各 VM に 1 つのサービス インスタ
ンス
• 均一でないワークロード
• コンピューティングの密度が低い
• デプロイ/更新が遅い
• スケーリング/DR (災害復旧) が遅
い
• 各 VM に多数のマイクロサー
ビス
• コンピューティングの密度が
高い
• デプロイ/更新が速い
• スケーリング/復旧が速い

24. • 単一のデータベース
• 単一テクノロジー
• 単一のスケール
• 一気にデプロイ
• サービス単位でのデータ(ステート) 管理
• 最適なテクノロジー
• サービス単位でのスケール
• サービス単位で更新
stateless
Service
stateless Service with
separate stores
stateful
Service
stateless
presentation
Service

25. Web /
Mobile
Operational
Store
IoT Device
Data Lake
Visualize
(Graph表現な
ど)
API
Build ML Model
Data
Warehous
e
Orchestrater
Search
Streaming

26. Software Engineer (≒ Programmer) (Applied) Data Scientist
職種
開発チームに現場担当者が在籍するのが必須

27. ボトルネック
• 巨大なDB
複数データソース
小さい
Web /
Mobile
Operational
Store
Data
Warehouse
Giant DB を作らない

28. “Volume”
膨大
“Velocity”
スピード
“Variety”
多様性
社内の
資産
ソーシャル
ログ
オープン
データ
コラボ
可視化

29. ETL パイプライ
ン
スキーマの定義
Relational
LOB
Applications
事前
事前
変換
Schema-on-Write
直ちに必要でないデータは、
別の場所に移動されているか、捨てられ

30. 無限に保存 分析 結果の参照
あらゆる
データソー
スからの
データ収集
• 将来
実行時
全てのデータに価値がある: Schema-on-
Read

31. Volume
データ量
Velocity
発生から消費まで
Concurrency
同時アクセス
Cost
費用
Operational
Store
Big Data
Operational
Store
Data Lake
Data
Warehouse

32. ¥3.62 /1 TB/月
を 1GB 換算 (1024
で除算)
DataLake を利用
Cost

33. Concurrency
Volume

34. Oracle CouchDB
DB2
Postgres MongoDB
Cassandra
RavenDB
MySQL
SQLDB Redis
Document
DB
Relational No-SQL
Azure Search
Volume
Velocity
Concurrency

35. パーティション
• 全てのドキュメントはパーティションの数分に分割保存
（IO分散）
• 全パーティション合わせて１つのインデックスを構成
レプリカ
• 全レプリカに同じものが複製同期される
• クエリはいづれかのレプリカに処理が割り当てられる
par1 par2 par3 par4 par5
rep1
rep2
rep3
rep4
p1 p2 p3 p4 p5
p1 p2 p3 p4 p5
p1 p2 p3 p4 p5
p1 p2 p3 p4 p5
Volume
Velocity
Concurrency

36. • 大量
• 機能
Volume
Velocity
Concurrency
Web /
Mobile
Operational
Store
Search

37. x Agile
Web / Mobile
IoT Device
Search
Streaming
Operational Store
Operational Store
Operational Store
Operational Store
Operational Store
Operational Store
Search
Web / Mobile
Web / Mobile
Web / Mobile
Web / Mobile
Web / Mobile
Web / Mobile
Web / Mobile
Web / Mobile
IoT Device Streaming
IoT Device Streaming
Operational Store
Data Lake
Data
Warehous
e
Orchestrater
API
Visualize
(Graph表現な
ど)
Build ML Model

39. 資産
Web / Mobile
Operational Store
10年?

40. 資産
Web /
Mobile
Operational
Store
Visualize
Build ML
Model
Web /
Mobile
Operational
Store
Data
Lake
Data
Ware
house

41. 非構造化 データ = ファイル
構造化/半構造化 データ
Data Lake
Dataverse

42. これまでの
システム
クラウド
ご本尊をお迎えす
る
(n 億円くらいする
すごいマシン）
とりあえず
サインアップ
またはサービス
を作成する
稟議、予算取り
大変。
やったからには
成果出さないと
まずい
まずは試してみる
ダメだったら
再度試行錯誤を
繰り返してみる
なんとなく
やるための
プロジェクトに
本来何のため
に？が失われる
どんどん試行錯誤
を繰り返す
システムが
進化していく
守りの思考で
リスクテイクでき
ない
大規模投資なしで
「フェイルファスト」
が可能
ビジネス
スピード
低↓
ビジネス
スピード
高↑
クラウド 前向きな失敗

46. Step-by-Step Achievements スムーズな学習環境
 無料
 日本語対応
 ブラウザーのみでOK
ハンズオン環境も含めて
 ダウンロード可能なサンプ
ルコード
 Product/Service, 技術レベル,
job role, などに応じたガイダ
ンス
 Video, チュートリアル, ハンズ
オン
 スキルアップを促す
 ユーザー プロファイ
ル毎に
カスタマイズ
www.microsoft.com/learn

47. aischool.microsoft.com

48. www.microsoft.com/ja-jp/events

49. Invent with purpose.