A.5 ハードウェアとクラウドリソースガイド

短い結論: 最初に GPU を買わないでください。まずタスクを見て、ローカル CPU、クラウド GPU、API のどれを使うか決めます。

クイック判断表

学習段階	ローカルで必要なもの	詰まったときの選択
第 1-5 章: ツール、Python、データ、数学、古典的 ML	8-16GB RAM、SSD	通常 GPU は不要
第 6 章: 深層学習基礎	16GB RAM	学習用の訓練はクラウド GPU
第 7 章: LLM 原理と微調整概念	16-32GB RAM	クラウド GPU または API 実験
第 8-9 章: RAG と Agent	16GB RAM、安定したネットワーク	API 優先のエンジニアリング
第 10-11 章: CV と NLP	16GB RAM	重めの実験はクラウド GPU
第 12 章: マルチモーダル	16-32GB RAM	クラウド生成または API サービス

購入の優先順位

多くの学習者は、この順番で投資するほうが安定します。

1. メモリ: 最低 16GB、快適なら 32GB。
2. SSD: 最低 512GB、快適なら 1TB。
3. 安定した環境: 整理された Python、Node、Docker、プロジェクトフォルダ。
4. 表示と入力の快適さ: 外部モニタ、キーボード、マウス。
5. GPU: 実際の負荷がわかってから。

クラウドや API を使うタイミング

選択肢	向いていること	注意点
無料 notebook	小さなデモとワークフロー理解	時間制限と可用性
時間課金クラウド GPU	コードとデータが明確な訓練実験	先に準備し、終わったらすぐ停止
API 優先ルート	RAG、Agent、アシスタント、プロダクト	ログ、コスト、プライバシー、リトライ
ローカル GPU	長期的で頻繁な訓練と高速なローカル反復	VRAM、冷却、電源、総コスト

ローカル GPU を買う価値があるとき

少なくとも 2 つ当てはまるなら検討します。

• 今後数か月、頻繁にモデルを訓練する。
• クラウドの待ち時間や制限が毎週のように邪魔になる。
• モデルサイズ、batch size、必要 VRAM がわかっている。
• 初期費用の低さより、高速なローカル反復が重要。

理由が「いつか必要かもしれない」だけなら、まだ待ちましょう。

実用的な進め方

第 1-5 章は今の PC で進めます。第 6、10、11 章で本当に訓練が必要になったときだけクラウド GPU を借ります。第 8-9 章は API 優先のエンジニアリングプロジェクトで進めます。ローカル GPU は、プロジェクト負荷が必要性を証明してから判断しましょう。

残す証拠

このページを終えたら、この証拠カードを残します。

作業負荷

学習、推論、ファインチューニング、Vision、Video、またはデプロイ対象

制約

予算、レイテンシ、メモリ、プライバシー、可搬性、保守コスト

判断

理由付きで local CPU/GPU、cloud GPU、API、または hosted service を選ぶ

リスク確認

ワークロードを測らずにハードウェアを買う、または cloud/API の代替を無視すること

期待される成果

実際のコースプロジェクト1件に結びついたハードウェア／クラウドの判断メモ

確認

この付録は、1 つの course task に対して CPU、API、cloud GPU、local GPU のどれを使うかを理由付きで説明できれば合格です。