Name: AIエンジニアリング初心者のための現実的なロードマップ (AI Engineering: A Realistic Roadmap for Beginners)
Uploaded: 2025-09-18T05:18:12.000Z
Duration: 15 min 53 s
Description: VoiceTubeの動画で発音を聞きながら英語表現を覚えよう！学べる英語：

If you're interested in becoming an AI engineer, then watch this video.

AIエンジニアになることに興味があるなら、このビデオを見てほしい。

I'm going to give you a complete roadmap, a step by step guide on how to break into this field for beginners.

初心者がこの分野に参入するための完全なロードマップ、ステップ・バイ・ステップのガイドをお見せしよう。

I'm going to try not to use a ton of fancy terms.

あまり難しい用語は使わないようにするつもりだ。

I'm going to make this very clear and easy to understand.

これはとても明確でわかりやすく説明するつもりだ。

And I'm going to explain practically how you actually could become an AI engineer in 2025 and beyond.

そして、2025年以降にあなたがAIエンジニアになるにはどうすればいいか、実践的に説明するつもりだ。

So let's start by defining what an AI engineer is.

そこで、AIエンジニアとは何かを定義することから始めよう。

さて、これは実はかなり難しい。

It's not something that I can give an a hundred percent answer on.

100パーセントの答えを出せるものではないよ。

And that's because this role is constantly changing.

そして、この役割は常に変化しているからだ。

AI is evolving extremely fast and all kinds of companies have a different idea of what an AI engineer should be.

AIは非常に速いスピードで進化しており、あらゆる企業がAIエンジニアのあるべき姿について異なる考えを持っている。

So in this video, I want to focus on a very practical pragmatic AI engineer, which really means that you're responsible for implementing AI into software systems.

このビデオでは、非常に実践的で実用的なAIエンジニア、つまりソフトウェアシステムにAIを実装する責任者に焦点を当てたいと思います。

It doesn't mean that you're going to build an AI model from scratch.

ゼロからAIモデルを作るという意味ではない。

It doesn't mean that you're going to become the next open AI and train something like, you know, GPT five, that's really reserved for people that are significantly smarter than probably all of us that have done massive amounts of academic research, PhDs, you name it.

次のオープンAIになるとか、GPT5のようなトレーニングができるようになるとか、そういうことではありません。それは、おそらく私たち全員よりもはるかに賢く、膨大な学術研究、博士号、その他もろもろを取得した人たちだけのものです。

私がここで話しているのはそういうことではない。

And that's actually really much more machine learning and like AI research than it is practical AI engineering.

そしてそれは実際、実用的なAIエンジニアリングというよりも、機械学習やAI研究のようなものだ。

Most of the AI engineering roles that I'm aware of involve using existing tools, things like Lang graph or Lang chain, maybe doing something like fine tuning and LLM doing some prompt engineering work, understanding how to use these APIs, which LLM is better for a specific task.

私が知っているAIエンジニアリングの役割のほとんどは、ランググラフやラングチェーンのような既存のツールを使い、おそらく微調整のようなことを行い、LLMはこれらのAPIの使い方を理解し、特定のタスクにどのLLMが適しているかを理解し、プロンプトエンジニアリングの仕事をすることです。

That's really what I'm talking about here.

それが、私がここで話していることだ。

So to summarize it, it means you are actually really practically building systems that use typically existing AI models or kind of base LLMs.

つまり、既存のAIモデルやベースとなるLLMのようなものを使って、実際にシステムを構築するということだ。

You may be doing something on top of that or enhancing the system, but a lot of this is actually core software engineering work that just happens to revolve around using AI, right?

その上で何かをしているかもしれないし、システムを拡張しているかもしれない。しかし、その多くは実際にはソフトウェア・エンジニアリングの中心的な仕事であり、たまたまAIを使うことに集中しているだけなのだ。

AI really being all of these crazy models like LLMs or existing machine learning models that people much smarter than us have already built.

AIとは、LLMのようなクレイジーなモデルや、我々よりはるかに賢い人々がすでに構築した既存の機械学習モデルのことだ。

So with that in mind, let's get into the roadmap.

それを念頭に置いて、ロードマップに入ろう。

Now, the reality here is that if you were doing this, you are going to be using Python.

さて、ここでの現実は、もしあなたがこれをするなら、Pythonを使うということだ。

Python is just the number one language when it comes to machine learning and AI, it's very easy to learn.

Pythonは、機械学習とAIに関してはナンバーワンの言語だ。

It's used in this field massively, and all of the main frameworks are written in Python.

この分野ではPythonが多用されており、主要なフレームワークはすべてPythonで書かれている。

だからPythonを学ぶ必要がある。

And what that means is they need to have a really strong foundation in Python and programming in general.

つまり、Pythonやプログラミング全般の基礎をしっかり身につける必要があるということだ。

つまり、ループを理解すべきだということだ。

You should know more specific Python features, even more advanced features, things like decorators, generators, potentially meta classes.

もっと具体的なPythonの機能、さらに高度な機能、デコレーターやジェネレーター、潜在的なメタクラスといったものを知るべきだ。

パッケージ・モジュールについて理解しておく必要がある。

I have all kinds of Python roadmaps out there, but the point is you're probably going to have to spend at least two months here, learning Python, getting good at it, and just learning standard software engineering with Python before we can dive into AI and ML.

Pythonのロードマップはいろいろありますが、AIやMLに飛び込む前に、少なくとも2ヶ月はここでPythonを学び、Pythonを使いこなし、Pythonを使った標準的なソフトウェアエンジニアリングを学ばなければならないでしょう。

It takes a good amount of time to get good at this.

うまくなるにはそれなりの時間がかかる。

So make sure that you have a really strong Python foundation.

だから、本当に強いPythonの土台があることを確認してほしい。

Now, once you built a strong foundation in Python, there's a whole list of tools that you're going to need to learn that are very likely going to be used for an AI engineering rule.

さて、Pythonで強固な基礎を築いたら、AIエンジニアリング・ルールに使用される可能性が非常に高い、学ぶ必要のあるツールの一覧があります。

Now, the first is Git and GitHub that's for version control and essentially saving and checkpointing your code.

GitとGitHubはバージョン管理用で、基本的にコードの保存とチェックポイントを行う。

You're going to need to understand how to use various IDEs or editors, things like PyCharm, cursor, VS code, et cetera.

PyCharm、cursor、VS codeなど、さまざまなIDEやエディタの使い方を理解する必要があるだろう。

You're likely going to need to commands or terminal commands.

コマンドかターミナル・コマンドが必要になるだろう。

So how to navigate a command line interface, just something that's pretty common when it comes to being a programmer or software engineer of any type, then you'll need to understand things like virtual environments and how you isolate dependencies for your Python projects.

コマンドラインインターフェイスの操作方法は、プログラマーやソフトウェアエンジニアであれば、どのようなタイプであれ、ごく一般的なことです。

And then lastly, things like Jupiter notebooks.

そして最後に、ジュピターノートのようなものだ。

So you actually can run an experiment with different Python code.

つまり、Pythonのコードを変えて実験を行うことができる。

And then additionally, I will mention that having a math background or a computer science degree would obviously be helpful here.

そしてさらに、数学の素養やコンピューター・サイエンスの学位があれば、ここで役に立つことは言うまでもない。

しかし、これは必須条件ではない。

And in fact, most of these AI engineering rules that I've seen don't actually require a lot of advanced mathematics.

そして実際、私が見てきたこれらのAI工学ルールのほとんどは、実際にはそれほど高度な数学を必要としない。

Like I said, in most cases, you're actually using existing models and building systems around that, as opposed to really developing the models or the LLMs on your own.

さっきも言ったように、ほとんどの場合、自分でモデルやLLMを開発するのではなく、既存のモデルを使ってシステムを構築しているんだ。

So once you've built a core foundation in Python and the core software engineering tools, the next thing that we want to move into is understanding LLMs.

Pythonとソフトウェアエンジニアリングの中核となるツールの基礎ができたら、次はLLMを理解しよう。

Now this is one of the main things that you're going to be using, especially in today's age, you know, in six months, it might change, but for now it's LLMs.

特に今の時代、半年もすれば変わるかもしれないが、今はLLMだ。

And that means that you need to understand what an LLM is, the architecture of it, how it actually works on a lower level.

つまり、LLMとは何か、LLMのアーキテクチャーとは何か、LLMが実際にどのように機能するのかを理解する必要があるということだ。

So, you know, you get some input, how do you actually generate some output?

インプットを得て、どうやってアウトプットを生み出すのか？

And then you should be aware of a lot of the different LLMs that exist and when you should use which one, for example, why would I use Gemini over using GPT-5?

そして、さまざまなLLMが存在し、どのような場合にどのLLMを使うべきか、例えば、GPT-5を使うよりもジェミニを使うのはなぜか、などを知っておく必要がある。

Or why would I use a thinking or a reasoning model?

あるいは、なぜ私が思考モデルや推論モデルを使うのか？

These are all important things that you need to understand.

これらはすべて、あなたが理解しなければならない重要なことだ。

Now, beyond that, you want to start learning how to use the APIs for these various LLMs.

さて、その先にあるのは、これらさまざまなLLMのAPIの使い方を学び始めることだ。

So I'm talking about things like the open AI API, where you're able to actually interact with GPT models and send a request to them and get a response back.

つまり、オープンなAI APIのようなもので、GPTモデルと実際に対話し、リクエストを送信してレスポンスを返すことができるという話です。

Same thing, like maybe with the deep seek API or the cloud API is not too hard to do that, but it's something that we need to have a foundation and understand how to do essentially.

同じように、ディープシークAPIやクラウドAPIのように、それを行うことはそれほど難しくはありませんが、基本的なやり方を理解する必要があります。

After that, I'm going to recommend looking into tools like Olama or like Docker model runner.

その後は、OlamaやDockerモデルランナーのようなツールを調べることをお勧めする。

This allows you to run LLMs locally on your own computer.

これにより、自分のコンピューター上でLLMをローカルに実行することができる。

And again, it's important to understand how to do that.

そしてまた、その方法を理解することが重要だ。

Essentially in this section, you want to understand what LLMs are.

基本的にこのセクションでは、LLMとは何かを理解したい。

You want to start using them and you want to start interacting with them from code.

あなたはそれらを使い始め、コードから対話し始めたい。

Now let's keep going here, but I want to share with you the reality when it comes to learning these skills.

さて、ここで話を続けよう。しかし、これらのスキルを習得することに関して、現実を共有したい。

Now, AI engineering is one of the fastest growing tech roles today.

現在、AIエンジニアは最も急成長している技術職のひとつである。

There's thousands of job postings asking for real hands-on AI skills, where just reading articles or watching tutorials, isn't going to be enough.

記事を読んだりチュートリアルを見たりするだけでは不十分で、実際に手を動かすAIのスキルを求める求人情報は何千とある。

Now, studies show that you only retain about 20% of what you passively consume, but when you learn by doing writing code, building projects and getting hands-on experience, your retention can jump to 75 to 90%.

しかし、コードを書いたり、プロジェクトを構築したり、実践的な経験を積んだりしながら学ぶと、その定着度は75～90％に跳ね上がる。

Now that's exactly why I recommend data camp who's sponsoring today's video.

今日のビデオのスポンサーであるデータキャンプを推薦する理由はまさにそこにある。

Now I've personally used data camp for years to level up my Python and AI skills and their associate AI engineer track is built for developers who want to get into AI fast with a hands-on project focused approach and its curriculum mirrors almost exactly what I'm sharing with you in this video.

私は個人的に、PythonとAIのスキルをレベルアップするために何年もデータキャンプを利用してきた。彼らのアソシエイトAIエンジニア・トラックは、実践的なプロジェクトに焦点を当てたアプローチでAIに早く取り組みたい開発者向けに作られており、そのカリキュラムは、私がこのビデオで皆さんにお伝えしていることとほぼ同じだ。

Now with data camp, you'll write real Python code in your browser, get instant feedback and build practical skills step by step.

データキャンプでは、ブラウザ上で実際のPythonコードを書き、すぐにフィードバックを得て、実践的なスキルを段階的に身につけることができます。

さて、このトラックの中身はこうだ。

You have core AI building blocks, everything from Python foundations to APIs, vector databases and LLM workflows.

Pythonの基礎からAPI、ベクターデータベース、LLMワークフローまで、AIの中核となる構成要素が揃っている。

You have practical AI projects like building chatbots, summarization tools, and automation scripts that you can actually show off in a portfolio.

チャットボット、要約ツール、自動化スクリプトの構築など、実践的なAIプロジェクトがあり、ポートフォリオで実際に披露することができます。

And you have job ready skills like deployment basics, prompt engineering and understanding how to integrate AI into real applications.

また、デプロイの基本、プロンプト・エンジニアリング、AIを実際のアプリケーションに統合する方法の理解など、即戦力となるスキルを身につけることができる。

Plus there's a direct pathway to earn an industry recognized AI engineer certification that you can showcase on your resume and on LinkedIn.

さらに、業界認定のAIエンジニア資格を取得し、履歴書やLinkedInでアピールすることもできます。

Now, I wish that this existed when I started out, it would have saved me months of trial and error.

今となっては、私が駆け出しの頃にこれがあれば、何ヶ月も試行錯誤をしなくて済んだのにと思う。

Instead of jumping between random tutorials, this gives you a clear guided path to become a job ready AI engineer.

ランダムなチュートリアルの間を飛び回るのではなく、このチュートリアルでは、即戦力のAIエンジニアになるための明確な道筋が示されている。

And right now you can get 25% off using my link below.

そして今なら、下のリンクから25％オフで購入できる。

So if you're serious about learning AI the right way by building experimenting and coding from day one, this is the best place to start and you can check it out.

もしあなたが、初日から実験とコーディングを積み重ね、正しい方法でAIを学ぼうと真剣に考えているなら、ここから始めるのがベストだ。

Now let's move on to the next section in this list, which is AI frameworks.

さて、このリストの次のセクション、AIフレームワークに移ろう。

Now it's one thing to understand Python to be able to use LLMs, but as you start getting more advanced, you'll need to create more advanced AI systems and typically AI agents.

LLMを使えるようになるためにPythonを理解するのは一つのことですが、より高度になると、より高度なAIシステムや典型的なAIエージェントを作る必要が出てきます。

Now I have a few frameworks on my list that you need to be very comfortable with.

さて、私のリストにはいくつかのフレームワークがある。

Obviously there's a lot more and you can continue to learn more frameworks, but these are the core ones for AI engineering.

もちろん他にもたくさんあるし、もっと多くのフレームワークを学び続けることもできるが、これらはAIエンジニアリングの核となるものだ。

Now, the first one is going to be Lang chain.

さて、最初はラングチェーンだ。

Lang chain allows you to really easily create AI applications and call into popular LLMs like GPT, Claude, et cetera.

ラングチェーンを使えば、AIアプリケーションを実に簡単に作成し、GPTやクロードなどの一般的なLLMを呼び出すことができる。

Now this will let you do things like create AI agents, how tool calling capabilities, utilize vector databases, create retrieval, augmented generation programs, which we'll talk about later.

これで、AIエージェントの作成、ツール呼び出し機能、ベクター・データベースの活用、検索、拡張世代プログラムの作成といったことができるようになる。

And it's really the starting ground for using AI a little bit more professionally.

そしてそれは、AIをもう少しプロフェッショナルに使うための出発点でもある。

Now after Lang chain, we have Lang graph.

ラング・チェーンの次はラング・グラフだ。

Now Lang graph is much more complicated than Lang chain.

さて、ラング・グラフはラング・チェーンよりもはるかに複雑だ。

レベルアップのようなものだ。

And this allows you to do orchestration of AI agents and AI systems in general, rather than just having kind of this passive AI agent that responds to events, you can actually have essentially a flow or a graph.

これにより、AIエージェントやAIシステム全般のオーケストレーションが可能になり、単にイベントに応答する受動的なAIエージェントではなく、本質的にフローやグラフを持つことができる。

That's why it's called Lang graph that you can run an AI system through to get the exact desired outcome that you want.

だからラング・グラフと呼ばれるもので、AIシステムを走らせることで、望む結果を正確に得ることができる。

Now I'm describing this very briefly because there's a lot to go into, but I would recommend start with Lang chain, build a few applications with that, then move on to Lang graph and you'll see the benefits of it and how you can create this graph and have a lot more control over what your agents and AI systems are doing now after that, or even kind of at the same time, depends on what you're building.

ラング・チェーンから始めて、ラング・チェーンでいくつかのアプリケーションを作り、ラング・グラフに進むと、その利点がわかるでしょう。

I recommend looking at transformers and hugging face.

トランスフォーマーやハグフェイスを見ることをお勧めする。

Now hugging face is kind of like an open source platform that has a ton of different models already available for you to use.

ハグフェイスはオープンソースのプラットフォームのようなもので、さまざまなモデルがすでに用意されている。

So you can have an image classification model or a sentiment analysis model or whatever you want.

つまり、画像分類モデルでもセンチメント分析モデルでも何でもいいのだ。

It's probably already available on there and you can use it within Python by using the transformers and kind of the hugging face packages.

Pythonのトランスフォーマーやハグフェイス・パッケージを使えば、Pythonの中で使うことができる。

字幕リスト動画再生

AIエンジニアリング初心者のための現実的なロードマップ (AI Engineering: A Realistic Roadmap for Beginners)

specific

essentially

context

content