私のAI活用で最高の事例は「ログ作成」

 (newsletter.vickiboykis.com)
28 ポイント 投稿者 GN⁺ 2025-07-28 | 5件のコメント | WhatsAppで共有
  • JetBrains Full Line Code Completion（FLCC） は、PyCharm や GoLand で利用できる AI ベースの自動補完機能で、効果的なログ作成と開発効率を大きく高めてくれる
  • 反復的な f-string のログ構文作成や、変数・データフレームアクセスの煩雑さを減らし、AI が状況に合った簡潔で明確なログを自動生成してくれる
  • このモデルは ローカルPCで動作する小型 LLM で、高速な推論速度と低いメモリ使用量（約 1GB）を実現し、個人情報漏えいの懸念もない
  • JetBrains の論文によれば、Python 特化の小型 Transformer（1億パラメータ） を訓練し、コードコンテキスト 384 文字内で 1 行の自動補完をサポートしており、データ前処理やトークナイズの過程でも Python コードの特性を積極的に反映している
  • FLCC の成功事例は、巨大 LLM ではなく 目的指向の小型モデル が、実際の開発現場でどれほど生産性を高められるかをよく示している

AIログ自動作成: 開発生産性の実際の変化

  • JetBrains Full Line Code Completion（FLCC）は、PyCharm（2023年末に標準搭載）、GoLand などで ログ構文全体の自動補完 機能を提供している
  • 順次データ処理、非同期 API 呼び出し、ベクトル演算などでは、print デバッグや詳細なログが不可欠だ
  • f-string、変数・リスト・データフレームアクセス、logger の選択（loguru vs logging）などの反復入力によって、デバッグの流れが頻繁に途切れる問題 があった
  • たとえば loguru の logger.info(f'Adding a log for {your_variable} and {len(my_list)} and {df.head(0)}') のように、一見簡単でも、括弧、変数名、データフレーム構文、logger の種類など、複数段階の認知的負荷が伴う

FLCCが変えた開発フローとログ作成の習慣

  • Full Line Code Completion は、ファイル拡張子、パス、カーソル位置より上のコードなど、あらゆる文脈情報をモデル入力プロンプトとして結合し、もっとも自然なログ構文を自動補完 する
  • 提案されるログは、変数・データフレーム・演算などの文脈に最適化されており、人が書くより明確なことも多い
  • 簡潔なログのおかげで、デバッグ終了後もコードからログをわざわざ消さず、運用環境にそのまま残しても十分な品質がある

  • 例

    • Redis URL をチェックする場合: redis = aioredis.from_url(settings.redis_url, decode_responses=True) → AI が Redis 接続ログを自動提案
    • DataFrame をプロファイリングする場合: データ／カラム定義後に、df の shape などプロファイリング用ログ構文を自動提案

JetBrains FLCCモデルの技術的特徴と実装

  • 完全にローカル環境で動作

    • モデル推論とコード提案はローカルPC上だけで処理 されるため、個人情報やコード流出の心配がなく安全
    • Mac ではモデル容量は約 1GB で、メモリ負荷が小さく、速度も非常に速い
    • vLLM、SGLM、Ray、PagedAttention などのクラウドベース大規模 LLM インフラは不要

  • Python 特化の小型 LLM 構造

    • PyTorch ベースの GPT-2 スタイル Decoder-only Transformer（1億パラメータ） で初期実装され、その後 llama2 構造へ改善
    • 6TB 規模の The Stack（30言語）のサブセットのうち 45GB のみを活用し、コードコメントや不要な import を削除して、実際のコード自動生成に集中
    • Python の言語特性に合わせ、BPE 方式のトークナイザーでインデントやスコープなどの構造を <SCOPE_IN> / <SCOPE_OUT> トークンに変換し、空白の違いによる不要なトークン浪費を防止
    • Tokenizer の語彙サイズは 16,384 に最適化
    • 主に import をコード末尾に追加する Python の習慣をモデル学習にも反映し、import はデータから完全に除去

  • 学習と最適化

    • 8基の NVIDIA A100 GPU で数日間学習し、cross-entropy loss で評価
    • 量子化（Quantization）により FP32 モデルを INT8 に変換（400MB→100MB）し、PC メモリに負担なく搭載
    • ONNX RT で CPU 推論を行い、その後 llama.cpp 構造にサーバーを変更
    • Beam Search（k=20）で多様なトークン列を生成し、改行文字を結果終了の基準にしている
    • コンテキストウィンドウ 384 文字のうち 50% は事前プリフェッチしてキャッシュし、以前のコードへカーソルを移動した際も再推論なしで即時応答

  • プラグインと統合構造

    • PyCharm プラグインは Kotlin で記述され、ローカルのネイティブ C++ サーバーを通じて推論トークンを提供
    • クリーンな API、高速応答、キャッシュ戦略など、実務の開発ワークフローに最適化されている

FLCCがもたらした実質的な開発生産性の変化

  • ログ品質と効率を同時に向上

    • AI 自動補完ログのおかげで、print デバッグや運用ログの品質と作成効率が同時に向上
    • 短く明確なログが自動提案されるため、デバッグの流れが途切れない

  • 小型特化 LLM の実務価値

    • 大規模 LLM ではなく、特定目的（1行コード補完）に最適化された小型 AI モデルが、実際の開発現場に大きな生産性革新をもたらす
    • 他分野でも、目的指向の小型モデルが実際のワークフローを本質的に改善できることを示す代表例だ

関連記事

5件のコメント

 
loblue 2025-07-28

C++ にもこういうのができるといいですね！
 
iolothebard 2025-07-28

そのために月額 $20〜$200 を払うのはちょっと…
 
aqqnucs 2025-07-29

この方はたぶん IDE のサブスクリプション費用のことをおっしゃっているのだと思います。FLCC は無料版では提供されていませんよね。
でも、それだけを期待して人々がお金を払っているわけでもないでしょう。
 
shoyuvanilla 2025-07-30

ああ、無料版では使えないのですね。私の勘違いでした 😅
 
shoyuvanilla 2025-07-28

ローカル実行なので、料金は不要だと思います。