メインコンテンツへスキップ
見出し画像

AIエンジニアに必要なのは、最先端の理論を極めることではなく、既存のLLMを使って実際に動くプロダクトを作れることです。この記事では、未経験から6か月で「作って、出して、運用できる」状態を目指すための学習順序を整理します。

AIエンジニアの仕事とは

画像

モデルをゼロから訓練する研究者を思い浮かべる人も多いですが、実務の中心はそこではありません。多くのAIエンジニアは、既存モデルの上にプロダクトやシステムを組み立てています。

  • LLM APIへの接続

  • プロンプトとコンテキストの設計

  • チャット、検索、自動化の構築

  • ツール、DB、外部APIとの連携

  • 構造化出力の扱い

  • 信頼性、コスト、レイテンシの改善

  • 本番環境へのデプロイ

ソフトウェアエンジニアリングとプロダクト開発と自動化の中間に位置する職種で、企業が求めているのは、モデルを実際に役立つ形にできる人です。

画像
画像

1か月目:コーディングの土台を固める

画像

目標は、基本構文を調べずにPythonで小さなプログラムを書けるようになることです。

  • Python:変数、制御構文、関数、リスト・辞書、JSON入出力、例外処理、venvとpip。動画を見るだけでなく、必ず手を動かす。教材は「Python for Everybody」(Coursera)、CS50P(ハーバード)、公式チュートリアルなど

  • Git/GitHub:コマンドの暗記より「何の問題を解決するツールか」を理解する。「GitHub Skills」や「Learn Git Branching」が定番。今後作るものはすべてリポジトリにする

  • ターミナル:移動、ファイル閲覧、環境変数、PATH。MITの「The Missing Semester」が有用

  • HTTP/API/非同期:GET/POST、ステータスコード、APIキー、async/await。LLMのストリーミングで必須になる

  • SQLとpandas:SQLBolt、Kaggleのpandasコースで基礎を押さえる

  • FastAPI:公式チュートリアルを最後までやる。Pydanticによる検証と、自動生成される/docsでのテストを体験する

練習として、JSONに保存する家計簿CLIや、天気APIを呼ぶスクリプトを作ります。

2か月目:LLMアプリ開発の核心

OpenAIやAnthropicのAPIで、実際に動くAIアプリを作る月です。ロードマップの中でも最も重要な部分にあたります。

画像
  • プロンプトの基本:Anthropicの対話型チュートリアル、各社公式ガイド、PromptingGuide.aiを順に学ぶ。システムとユーザーの役割、具体性、Chain-of-Thought、Few-shotがポイント

  • 構造化出力:JSON Schemaで出力形式を固定する。PydanticとInstructorライブラリの組み合わせが実務でよく使われる(請求書パーサーが練習題材)

  • ツール呼び出し:モデルは関数を実行せず、呼び出し内容を返すだけ。実行して結果を返すのは自分のコードである。天気、計算、メモ検索の3ツールを持つアシスタントを作る

  • ストリーミング:ユーザー向けアプリではほぼ必須。FastAPIのStreamingResponseと組み合わせる

画像
  • 会話状態の管理:LLMはステートレスなので、履歴を毎回送る。コンテキスト上限と切り詰め戦略を理解する

  • コストとトークン:入力と出力で単価が違う。何にでも最上位モデルを使わない

  • 失敗対応:レート制限(429)、タイムアウト、不正なJSON。Tenacityで指数バックオフのリトライを入れる

  • プロンプトインジェクション:LLMアプリ最大のリスク。OWASPの資料で、直接型と間接型、最小権限の原則を学ぶ

3か月目:RAGを正しく理解する

自社文書など、モデルの学習データにない情報で回答させる仕組みを作ります。企業向けAIの多くはこの上に成り立っています。

画像
  1. 埋め込み:意味が近い文章はベクトル空間でも近くなる。20文程度で最近傍検索を自作すると感覚がつかめる

  2. チャンク分割:大きすぎると検索精度が落ち、小さすぎると文脈が失われる。まずはRecursiveCharacterTextSplitter(500文字、オーバーラップ50)から始める

  3. ベクトルDB:試作はChroma、運用はPinecone、Qdrant、pgvectorなど。既存のPostgreSQLがあればpgvectorが手軽

  4. メタデータフィルタ:日付、出典、種別などで検索範囲を絞る。デモと実用システムを分ける要素

  5. リランキング:まず広く取得し、次に高精度なモデルで並べ替える二段構え。Cohereのドキュメントが入門に向く

画像
  1. 検索品質の問題:クエリと文書のズレ、チャンク境界での分断、top-kが小さすぎる場合など。RAGの失敗の多くはモデルではなく検索側にある

  2. ハルシネーション対策:「提供された文脈からのみ答え、なければわからないと言う」ようプロンプトで制約する

  3. 出典の提示:回答にソースを付ければ、ユーザーの信頼とデバッグの両方に役立つ

  4. フレームワーク:RAGにはLlamaIndex、エージェントにはLangChain/LangGraphを使うのが目安

成果物は「ドキュメントとチャットするアプリ」です。PDFなどを10〜20本取り込み、リランキング付きで出典つきの回答を返すFastAPIのエンドポイントを作ります。

4か月目:エージェント、ワークフロー、評価

画像
  • エージェントループ:観察、推論、行動を繰り返すだけの仕組み。まずはフレームワークなしで、APIだけで3つのツールを持つエージェントを自作する。Anthropicの「Building Effective Agents」が必読

  • ツール設計:ツールの説明文はLLMへのマニュアル。いつ呼ぶべきかまで明確に書く

  • 状態管理:LangGraphの状態スキーマ、チェックポイント、human-in-the-loopを学ぶ

  • 失敗への備え:最大反復回数の設定、ツール単位のリトライ、例外のログ化

画像
  • エージェントを使わない判断:1回のLLM呼び出しで済むならそれで十分。手順が固定ならワークフロー、手順が予測できない場合だけエージェントにする。3回の固定呼び出しは、3回呼ぶかもしれないエージェントより速く、安く、デバッグしやすい

  • ワークフローのパターン:プロンプトチェーン、ルーティング、並列化、オーケストレーター型

  • 評価(Eval):DeepEval、Promptfoo、LangSmith、Ragasなどを使う。20〜50件のテストセットを用意し、プロンプトやモデルを変えるたびに回す。評価なしの変更は賭けと同じ

  • 成功指標:プロセス指標(正しいツールを呼んだか)と成果指標(タスクが成功したか)を分けて考える

練習として、3か月目のRAGに30問の評価セットを作り、チャンクサイズなどを1つ変えて改善を測ります。

5か月目:本番運用に耐えるものにする

画像

デモは作れても、本番で動かし続けられずに止まる人が多い段階です。

  • FastAPIの本番構成:GunicornとUvicornワーカー、ヘルスチェック、CORS、非同期DBセッション

  • Docker:app、ベクトルDB、Redisをdocker composeで一括起動できるようにする

  • バックグラウンドジョブ:重い処理はCeleryとRedisで非同期化する。軽いものはFastAPIのBackgroundTasksで十分

  • 認証とAPIキー管理:JWT、レート制限、シークレットの環境変数化。守らないとLLMの利用料が跳ね上がる恐れがある

画像
  • ログとオブザーバビリティ:LangfuseやLangSmithで、プロンプト、出力、トークン、遅延、コストを追跡する。LLMは200を返しても無意味な回答をすることがあるため、通常の監視だけでは足りない

  • プロンプトのバージョン管理:プロンプトはコードと同じく履歴とロールバックが必要

  • コスト監視:上限設定、ユーザー別のレート制限、安価なモデルの使い分け(Helicone、LiteLLMなど)

  • キャッシュ:完全一致はRedis、類似質問はGPTCacheのセマンティックキャッシュで対応する

6か月目:専門領域を選ぶ

進路は3つに分かれます。1つ選んで集中しましょう。

画像

① AIプロダクトエンジニア(スタートアップ向き)
LLMアプリ、RAG、エージェント、UXを統合してプロダクトを作る。Vercel AI SDK、Streamlit、Gradioを活用し、デモできる完成品を2〜3本作って公開する。AI特有のUX(ストリーミング中の表示、誤りへの対処、フィードバック導線)も重要で、GoogleのPeople + AI Guidebookが参考になる。

② 応用ML/LLMエンジニア(技術深掘り向き)
判断の順序は「まずプロンプト → 必要ならRAG → それでも足りなければファインチューニング」。LoRA/QLoRA、Unsloth、LLaMA-Factory、Ollamaによるローカル実行、vLLMでの推論、量子化やKVキャッシュの最適化まで扱う。

③ AI自動化エンジニア(業務改善向き)
n8n、LangGraph、Temporalでワークフローを組み、メール、CRM、ドキュメント、サポート業務を自動化する。ZapierやMakeで素早く試作するのも有効。練習題材は、リードの取り込み、LLMによる調査、スコアリング、営業文面の下書き、スプレッドシートへの記録までを一気通貫で行うリード選定システム。

6か月後に期待できること

画像

6か月でシニアになれるわけではありませんが、実際に動くAIシステムを作り、公開し、運用できる人にはなれます。原著では次のような市場データが紹介されています(出典は元記事側の主張で、筆者自身が検証したものではありません)。

  • 求人は前年比25%増、AIスキルのある職種には賃金プレミアムがある

  • 米国のフルタイムでは、ジュニアで年収約9万〜13万ドル、シニアでは19.5万ドル超

  • フリーランスの時給目安は、エージェント開発で175〜300ドル、RAG実装で150〜250ドル、LLM連携で125〜200ドル

最後に:行動のための3つの原則

画像
  1. 各月に1つ、実際に作る:読むだけ、見るだけで終わらせず、作って壊して直し、デプロイしてGitHubに置く。採用されるのは学んだことより作ったものを示せる人

  2. 学んだことを発信する:X、LinkedIn、noteなどで公開する。教えることが最速の学習になり、評判にもつながる

  3. 準備が整うのを待たない:動くものができたら、応募も受注も始める。市場が評価するのは完璧さではなく、出荷できる力


あなたへのおすすめ