AI・機械学習を学ぶ

AI（人工知能） は、2026年現在のエンジニアリングにおいて避けて通れない領域です。ChatGPT・Claude・Gemini などの生成AIが日常的に使われるようになった今、「AIが何をしているのか」「どんな仕組みで動いているのか」を理解することは、エンジニアとして大きな強みになります。

このセクションでは、AI・機械学習の基礎概念から、生成AI、RAG、AIエージェントを構成するメモリ・ツール・MCP・スキル・フック・サブエージェント・オーケストレーション、ファインチューニング、評価まで、ゼロから体系的に学べます。

このセクションで学べること

AIトランスフォーメーション

AI・機械学習の技術理解から一歩進み、組織・経営レベルでのAI推進を学びます。戦略立案・推進体制構築・PoC定着・スケーリング・定着化まで5フェーズで体系化しています。

AIトランスフォーメーション全体像 — 定義・DXとの違い・学習順序をまとめたセクション入口
AIトランスフォーメーションにおける組織・文化変革 — AIトランスフォーメーションを成功させるための組織設計と文化変革を解説。CoE・連邦制・組み込みモデルの比較と、段階的に組織能力を高める考え方を整理する。
AI COEとは — AI推進専門組織の役割・形態・立ち上げ方
AI DrivenとAI Native企業の比較 — AI Driven（AI Driven）とAI Native（AI Native）という2つの組織モデルの定義と違いを、戦略・文化・テクノロジー・オペレーションの視点から比較解説する。
AI DrivenとAI Native開発の違い — 開発プロセス・技術スタック・チーム構造・意思決定の観点から、AI Driven企業とAI Native企業の開発アプローチの本質的な差異を比較解説する。どちらの開発モデルを目指すかの判断基準を提示する。
個人のAI活用 vs 組織のAI活用 — 個人レベルのAI活用と組織レベルのAI活用は目的・戦略・アプローチが根本的に異なる。それぞれの特徴と、個人の成功を組織的価値に変換するための考え方を解説する。
AI時代の人材・スキル変革 — AI時代に必要なスキルセットと人材戦略を解説。育成・採用・外部活用・自動化の組み合わせ、リスキリング、AI時代に生まれる新しい役割を体系化する。
個人のAI活用レベル定義 — 個人のAI活用力を導入、検証、活用、効率化、変革の5段階で整理し、チャットを試す段階から、業務効率化と組織展開につなげる状態までを定義する。
AI成熟度モデル：組織のAI進化段階を診断する — Gartner・IBM・NISTを参考に再構成した5段階の簡易診断
AI Readyとは — 組織がAIを本格導入するための前提条件を整える「AI Ready」の概念・チェックリスト・実践ステップを解説。ツール技術・人材・パイロット・ガバナンス・普及・データ・インフラの7つの観点から準備状況を診断する。
AI Poweredとは — AIを業務プロセスに統合し、組織全体の生産性・意思決定品質・創造性を高める「AI Powered」の概念・実装パターン・効果測定方法を解説。
AI Adoption・AI Enablement・AI Transformation の違いと関係 — AI Adoption（AI採用）・AI Enablement（AIイネーブルメント）・AI Transformation（AIトランスフォーメーション）の3概念の定義と依存関係を解説。どのレベルを目指すかによって戦略・体制・投資が根本的に変わることを体系化する。
AI Nativeとは — AIが例外ではなく既定になった組織の到達状態「AI Native」を解説。AI Ready→AI Transformation→AI Nativeという進化のストーリーの中に位置づけ、定義・5つの特徴・自己診断の問い・既存企業が近づくための道筋を整理する。
Agent Readyとは — AIエージェントが業務の中で自律的に動ける前提条件が整った状態「Agent Ready」を解説。人のための準備であるAI Readyとの違い、接続性・権限・手順の形式知化・可観測性など6つの要件、自己診断チェックリストを整理する。
AIトランスフォーメーション戦略のフレームワーク — McKinseyのRewiredフレームワーク、BCGのAIトランスフォーメーションポートフォリオ、Accentureのトータルエンタープライズリインベンションを軸に、AIトランスフォーメーション戦略の立案方法と優先順位付けを解説する。
AIトランスフォーメーションのチェンジマネジメント — AIトランスフォーメーションを成功させるチェンジマネジメントの理論と実践を解説。Kotter 8ステップモデルの適用、変化への抵抗パターンと対策、コミュニケーション戦略、Microsoftの成長マインドセット事例を体系化する。
オペレーティングモデル変革の全体像 — AI前提のオペレーティングモデルとは何か。従来型との違い、McKinseyのAgile Operating ModelとDeloitteのHuman-Machine Collaboration Modelを軸に、変革の3要素を解説する。
AI導入・活用のロードマップ — 「なんとなくPoC」から脱却し、AI導入を確実に価値へ変えるための3段階ロードマップと実践的な方法論を解説する。
PoC倒れを防ぐ仕組み — Production-Backward設計、5大原因への対策、本番化・全社展開の条件
AI活用の定着：コミュニティと組織の自律的学習 — AI活用を組織に定着させるために、勉強会・実践コミュニティ・自律的学習の仕組みをどう設計するかを解説する。

AI・機械学習の基礎

AI・機械学習・ディープラーニングがどのような関係にあるのかを整理し、それぞれの基本概念を学びます。

機械学習とは — データからパターンを学ぶ仕組みと、従来のプログラミングとの違い
ディープラーニングとは — ニューラルネットワークの仕組みと、LLM（大規模言語モデル）の概要
学習パラダイム — 転移学習・ファインチューニング・連合学習など、現代の実践的な学習手法

生成AIの仕組み

LLM、推論モデル、テキスト・画像・音楽・動画生成の仕組みなど、生成AIそのものの基礎を学びます。

生成AIの仕組み — テキスト・画像・音楽・動画を生成するAIの全体像
LLMとは：大規模言語モデルの仕組みと歴史 — 大規模言語モデルの仕組みと歴史
トランスフォーマーモデル — 2017年論文「Attention Is All You Need」を起点に、TransformerのSelf-Attention・Multi-Head Attention・Positional Encodingを初心者向けに解説。現代LLMの基盤となる仕組みを図解付きで学ぶ。
BERTとGPTの違い — BERTとGPTはどちらもTransformerベースだがアーキテクチャが正反対。双方向 vs 単方向・MLM vs 自己回帰の違いと、それぞれが得意なタスクを初心者向けに解説。
推論モデル — 「考えてから答える」推論モデルや推論モードの仕組みを解説。Chain-of-Thought・RLHF などの技術と、通常LLMとの違いを初心者向けに整理。
生成AIモデルと知能指標 — モデルの種類、IQ風スコア、実務で見るべき能力
テキスト生成の仕組み — LLMがどのようにテキストを生成するかを初心者向けに解説。トークン予測・サンプリング戦略・プロンプト設計まで、ChatGPT・Claude・Geminiを例に具体的に説明。
画像生成の仕組み — 拡散モデル（Diffusion Model）を中心に、画像生成AIの技術的な仕組みを初心者向けに解説。Text-to-Image がどう動くかをわかりやすく説明。
動画生成の仕組み — 動画生成AIの技術的な仕組みを初心者向けに解説。拡散モデルの時系列への拡張・Video Diffusion・DiT アーキテクチャを具体例とともに説明。
音楽生成の仕組み — AI音楽生成の技術的な仕組みを初心者向けに解説。トークンベース音楽生成・拡散モデルアプローチ・音楽の構造学習の仕組みをわかりやすく説明。

生成AIエンジニアリング

プロンプトエンジニアリング、コンテキストエンジニアリング、ハーネスエンジニアリング、ループエンジニアリングなど、生成AIを実務で使いこなすための設計を学びます。

プロンプトエンジニアリング — 指示文を設計して回答品質を安定させる基本
コンテキストエンジニアリング — 必要な資料・履歴・制約をAIに渡す設計
ハーネスエンジニアリング — AIをツール・権限・検証へ接続する設計
ループエンジニアリング — 反復の粒度・終了条件・ペース配分を設計する
AIエージェントスタックの全体像 — 現代のAIエージェントを構成する代表的な12のレイヤー（RAG・Context・Memory・Agent・Agentic AI・Tools・MCP・Skills・Hooks・Subagents・Orchestration・Eval）を整理し、それぞれの役割と詳細解説ページへの入り口をまとめる。
コンテキストウィンドウと制限 — コンテキストウィンドウの仕組みと制限を解説。トークン単位での上限、入力と出力の関係、上限に近づいたときの挙動を初心者向けに整理。
プロンプトキャッシュとは — 同じプロンプト前半の計算を再利用する仕組みを、Claude、OpenAI API、ChatGPT、Codexの違いとともに解説。
コンテキスト圧縮とは — 長い会話から必要な作業状態を残す仕組みを、Claude Code、Codex、ChatGPTの例と情報損失の注意点から解説。
長い会話で品質が落ちる理由 — 会話が長くなるとAIの品質が落ちる理由を解説。指示の希薄化・古い情報の混入・矛盾の蓄積という3つの要因と対処法を初心者向けに整理。

RAG（検索拡張生成）

LLMに外部文書を検索させ、根拠に基づいて回答させるRAGの仕組みを学びます。社内文書、最新情報、専門資料をAIに安全に参照させたい場合の基礎から、Agentic RAGやコードRAGまで扱います。

RAGとは — RAGの基本フロー、設計、評価、直近のベストプラクティス
RAGの歴史 — 検索、QA、RAG原論文、Advanced RAGまでの発展
RAGアーキテクチャパターン — Naive RAG、Advanced RAG、Graph RAGなどの使い分け
Agentic RAGとは — エージェントが検索計画、再検索、検証を行う設計
コードRAGとコーディングエージェント — リポジトリ検索、構造化チャンク、テスト実行との関係
RAGの今後 — 長文コンテキスト、権限、評価、エージェント化を踏まえた将来像
埋め込みとベクトル表現 — テキストをベクトル化して意味検索する仕組み
検索手法の比較と選択 — BM25、ベクトル検索、ハイブリッド検索、リランキングの使い分け
チャンク戦略 — 文書を検索しやすい単位に分割する設計
ベクトルDBの選び方 — RAGで使うベクトルデータベースの比較

メモリ

AIエージェントが会話のターンやセッションをまたいで情報を保持し、必要なときに呼び出す仕組みを学びます。

メモリとは — コンテキストとの違いと、短期メモリ・長期メモリの役割
短期メモリと長期メモリ — 2種類のメモリの寿命と書き込み基準
メモリとRAGの違い — 似た仕組みをどう使い分けるか
長期メモリの保存方式 — ファイル・構造化・ベクトル検索・要約の比較

AIエージェント

AIがツールを使い、計画し、複数ステップの作業を進める仕組みを学びます。

AIエージェントとは — エージェントの基本構成とReActループ
AIエージェントとMCP — 外部ツール接続とMCPの関係

エージェンティックAI

計画・判断・自己修正を含めて目標達成に向けて動く、エージェンティックAIの考え方を学びます。

エージェンティックAIとは — 「エージェント」との違いと自律的な振る舞いの3要素
計画とタスク分解 — 目標を実行可能な工程へ分ける設計
自己修正とリフレクション — 結果を確認して方針を直す仕組み
自律レベルの設計 — どこまでをAIに任せるかの段階設計

ツール利用

AIエージェントが外部環境と連携し、実際に「行動」するために呼び出す機能の設計を学びます。

ツール利用とは — ツール定義の要素と最小権限の原則
ツール選択の失敗と対策 — AIがツールを選び間違える原因と対処
実行権限と承認 — 最小権限の設計と承認を挟む位置
ツールのエラー処理 — 失敗時のメッセージ設計とリトライ方針

MCP（Model Context Protocol）

AIモデルが外部ツールやデータと連携するための標準規格「MCP」を学びます。Claude Code や Claude Desktop がなぜ多様なツールと連携できるのか、その仕組みを理解できます。

MCPとは — AIと外部ツールをつなぐプロトコルの概要
なぜMCPが必要か — M×N統合問題とMCPによる解決策
MCPのアーキテクチャ — Host・Client・Serverの3層構造
MCPのケイパビリティ — Tools・Resources・Promptsの違いと使い分け
リモートMCPとローカルMCP — MCPサーバーが「あなたのパソコン」で動くか「インターネット上のサーバー」で動くかを、FigmaのNative MCPを例に解説。ローカルMCPとリモートMCPの違い・使い分け・具体的なSkillsも初心者向けに説明します。

スキル

必要なときに読み込まれる、再利用可能な手順・ノウハウとしてのスキルの考え方を学びます。

スキルとは — プロンプト・ツールとの役割の違い
必要なときだけ読み込む仕組み — 段階的読み込みの考え方と要約の書き方
スキル・プロンプト・MCPの使い分け — 4つの仕組みの役割の違い
良いスキルの書き方 — 粒度・手順・完了条件の指針

フック

決められたタイミングで自動的に処理を実行する、フックの仕組みを学びます。

フックとは — 検証・権限管理・ログ記録への活用
フックの発火ポイント — どのタイミングで何ができるか
フックの活用例 — 品質ゲート・安全確認・記録・前提の統一
フック利用時の注意点 — 無限ループ・遅延・過剰なブロック

サブエージェント

メインのエージェントが特定の作業を任せる、補助エージェントの考え方を学びます。

サブエージェントとは — コンテキスト分離による品質向上の仕組み
委譲の設計パターン — 調査型・レビュー型・並列型の使い分け
コンテキスト分離の効果 — 分離が品質に効く理由と注意点
使わないほうがよい場面 — 委譲がかえって非効率になるケース

オーケストレーション

複数ステップのワークフローや複数のAIエージェントを、1つの仕事として成立するように調整する設計を学びます。

オーケストレーションとは — 工程の分割・担当の割り当て・流れの制御・検証と回復
AIエージェントのオーケストレーション — シングル・マルチ・階層型など代表的な構成の比較
Claude・ChatGPT・Codexのオーケストレーション比較 — 各サービスで利用者が制御できる範囲と依頼例
Claude Codeの親子エージェント設計 — 高性能な親、用途別subagent、Skills、worktreeの実装例
Codexの親子エージェント設計 — 高effortの親、軽量subagent、AGENTS.md、Skillsの実装例
AIエージェントフレームワーク比較 — LangGraph、OpenAI Agents SDK、Claude Agent SDK、Google ADKなどの比較
状態管理と引き継ぎ — 工程間で情報を受け渡す設計
失敗検知とリカバリ — 途中で失敗したときの検知と復旧の設計

AI評価

AIモデルやLLMアプリを本番で使う前に、品質・安全性・業務適合性を測る方法を学びます。

AI評価とは — 自動評価、人間評価、LLM-as-a-Judgeの全体像
AI評価フレームワーク — LM Evaluation Harness、Ragas、DeepEvalなどの比較
業務適合性の評価 — 実業務のタスク達成率、コスト、ROIを測る考え方
安全性・有害性の評価 — 有害出力、プロンプトインジェクション、情報漏洩リスクの検証
一貫性と信頼性の評価 — 同じ入力に安定して答えられるかを検証する方法
人間評価とLLM評価の組み合わせ — 人間の判断を評価プロセスへ組み込む設計
AIエージェントの評価 — 最終出力だけでなく実行軌跡まで見る評価設計
トレーシングと可観測性 — エージェントの動作を後から追えるようにする記録設計

ファインチューニング

LLMの振る舞いやスタイルを追加学習で調整する方法を学びます。RAGやプロンプトでは解決しにくい、出力形式・専門タスク・モデル軽量化の設計を扱います。

ファインチューニングとは — 基本概念とRAG・プロンプトとの使い分け
ファインチューニング手法の比較 — Full Fine-tuning、LoRA、QLoRA、Adapterの比較
ファインチューニング用データの準備 — 学習データの収集、整形、品質管理
知識蒸留 — 大きなモデルの知識を小さなモデルへ移す方法

AIガバナンス

AIシステムを安全・倫理的・法的に適切な方法で活用するための意思決定体制・ポリシー・プロセスを学びます。責任あるAIの5原則、NIST AI RMF・EU AI Act・ISO/IEC 42001 などの主要フレームワーク、生成AI時代に対応するアジャイルガバナンスのアプローチを扱います。

AIガバナンスとは — ガバナンスの基礎概念、主要フレームワーク、ガバナンスの3層構造
責任あるAIとは — 5つの中核原則、AIバイアスの種類、EU AI Act・NIST AI RMFの概要
アジャイルAIガバナンス — 変化の速いAI環境に対応する Living Policy・スプリントベースリスク管理・継続的コンプライアンスの実践
Human-in-the-LoopとHuman-over-the-Loopの違い — Human-in-the-LoopとHuman-over-the-Loopの違い、Human-on-the-Loopとの関係、リスクに応じた使い分けをAIガバナンスの観点から解説。
AIと著作権：日本・米国の法制度比較と企業対応 — AI生成コンテンツをめぐる著作権の現状を日本・米国の法律の観点から整理し、学習データの適法性・AI出力物の権利帰属・実務上の企業対応ポイントを解説します。
生成AIと個人情報：法的義務と実務対応 — 生成AIが個人情報を取り扱う際の法的リスクを整理します。個人情報保護法（日本）・GDPRを軸に、学習データ・プロンプト入力・出力管理それぞれの場面での実務対応を解説します。
生成AIとプライバシー：リスクと設計原則 — 生成AIがもたらすプライバシーリスクを体系的に解説します。推論攻撃・メモリーゼーション・文脈的完全性の観点から問題を整理し、プライバシー・バイ・デザインの実践方法を紹介します。
生成画像の権利問題：著作権・肖像権・商標・意匠・類似性と依拠性 — AIが生成した画像に潜む著作権・肖像権・商標権・意匠権のリスクを整理し、類似性と依拠性の判断基準、企業が取るべき実務対応を解説します。
生成コードの著作権と注意点：OSSライセンス・コピーレフト・企業対応 — AIが生成したコードにまつわる著作権帰属・OSSライセンス問題・コピーレフトリスクを整理し、企業が安全に生成AIコーディングツールを活用するための実務対応を解説します。
企業の生成AIガードレールとガバナンスのバランス — 生成AIの活用を促進しながらリスクを制御するために、ガードレール（技術的・運用的制御）とガバナンス（組織的意思決定・方針）をどうバランスさせるかを実践的に解説します。

生成AIのセキュリティ

生成AIに固有のセキュリティリスクを理解し、攻撃手法から防御フレームワーク・ガードレール実装まで体系的に学びます。プロダクトにAIを組み込む開発者に必要な知識を扱います。

主要な攻撃手法 — プロンプトインジェクション・脱獄・データポイズニング・モデル逆転攻撃の仕組み
セキュリティフレームワーク — OWASP LLM Top 10・NIST AI 600-1・MITRE ATLASの比較
OWASP Agentic AI フレームワーク — AIエージェント専用の10脅威カテゴリと緩和策
エージェントセキュリティ — ツール悪用・コンテキスト汚染・MCPセキュリティの設計
ガードレールの仕組みと実装 — 入力・出力・実行ガードの設計パターンと実装例
エージェント時代のIAM認証 — エージェント時代のIAM認証を、人間・ワークロード・AIエージェントのID管理、ロール別認可、委任、監査ログ、企業での具体例から解説。

どの順番で学ぶか

AI・機械学習の基礎から始めたい場合

まずは「機械学習とは」から読み始めてください。AI・機械学習・ディープラーニングの関係を整理してから、それぞれの詳細に進むのがスムーズです。

機械学習とは — AIと機械学習の違い・3種類の学習方法
ディープラーニングとは — ニューラルネットワークとLLMの仕組み
学習パラダイム — 転移学習・ファインチューニングなどの実践的手法

生成AIを実務で使いたい場合

LLMの仕組みを理解してから、モデル選定、プロンプト、コンテキスト、ハーネス、RAG、AIエージェントスタックへ進むと、チャット利用から実務設計へつなげやすくなります。

生成AIの仕組み — 生成AIの全体像
LLMとは：大規模言語モデルの仕組みと歴史 — 大規模言語モデルの基本
生成AIモデルと知能指標 — モデル選定の考え方
プロンプトエンジニアリング — 指示文の設計
コンテキストエンジニアリング — 必要情報の渡し方
ハーネスエンジニアリング — 実行・検証環境の設計
ループエンジニアリング — 反復構造の設計
RAGとは — 外部文書に基づく回答生成
メモリとは — セッションをまたぐ記憶の設計
AIエージェントとは — 複数ステップで行動するAIシステム
エージェンティックAIとは — 計画・実行・自己修正のループ
ツール利用とは — 外部機能を安全に呼び出す設計
MCPとは — ツール・データ接続の標準規格
スキルとは — 再利用可能な手順の設計
フックとは — 自動的な検証・承認の組み込み
オーケストレーションとは — 複数ステップ・複数エージェントの調整
AI評価とは — 品質を測る基準

MCPを実践的に使いたい場合

Claude Code などのAIツールをより深く活用したい方は「MCPとは」から始めてください。

MCPとは — 概要と基本概念
なぜMCPが必要か — 解決する問題の背景
MCPのアーキテクチャ — 仕組みの詳細
MCPのケイパビリティ — 実際にできること

このセクションを読む前に

特別な数学の知識は必要ありません。高校数学レベルの関数・確率の概念があると理解がさらに深まりますが、概念の把握を目的とするなら読み進めることができます。

エンジニアリングの基礎（ターミナル操作・Git）は必須ではありませんが、エンジニアリング入門を先に読んでおくとより実践的な理解ができます。