0.1 30分 AI エンジニアリング体験

**まず流れを感じます：**入力 -> モデル -> 出力 -> 確認。用語の暗記はまだ不要です。

キャリア転換で最初に身につける習慣は、「AIに驚くこと」ではありません。条件を1つ変え、出力を比較し、他の人が確認できる証拠を記録することです。

いちばん速いノーコード体験

使える AI チャットまたは画像ツールを開き、次を入力します。

初心者に RAG をたとえ話で説明して。

次に「初心者」を「開発者」に変えて、出力の違いを見ます。目的は AI が賢いかどうかを判定することではありません。小さな入力変更が、構成、語彙、例、自信の出し方をどう変えるかを見ることです。

変更するもの	確認するもの
読者：初心者 -> 開発者	例と語彙が変わるか
制約：80字以内 を追加	長さと焦点を守るか
形式：3つの箇条書き を追加	出力が読みやすくなるか
証拠：限界を1つ含めて を追加	保証できないことを説明するか

この小さな比較が、講座全体の最初の習慣です。1回の出力だけを見ないでください。条件を1つ変え、比較し、なぜ良いのかを書いてより良い結果を残します。

任意の Colab 体験

Google Colab を開き、新しい Notebook で実行します。

!pip install transformers torch pillow requests -q

from transformers import pipeline
from PIL import Image
import io
import requests

classifier = pipeline(
    "image-classification",
    model="google/vit-base-patch16-224",
    use_fast=True,
)

image_url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/cats.png"
response = requests.get(image_url, headers={"User-Agent": "Mozilla/5.0"}, timeout=20)
response.raise_for_status()

content_type = response.headers.get("Content-Type", "")
if "image" not in content_type:
    raise ValueError(f"Expected an image response, got {content_type}: {response.text[:120]}")

image = Image.open(io.BytesIO(response.content)).convert("RGB")

for row in classifier(image)[:3]:
    print(f"{row['label']:30s} {row['score']:.1%}")

出力の形：

tabby, tabby cat                27.4%
tiger cat                       27.2%
Egyptian cat                    14.0%

数値は環境によって変わります。重要なのは、ラベルと信頼度が順位付きで出る形です。 HTTP 状態と Content-Type を先に確認するため、URL が HTML やエラーページを返した場合も、PIL の UnidentifiedImageError ではなく読みやすいエラーになります。

結果を読む

初学者の問い	実用的な答え	深い信号
入力は何か	URL から取得した1枚の画像	実システムでは種類、サイズ、出所、プライバシーを確認する
モデルは何か	事前学習済み画像分類器	学習設定にあるラベルしか扱えない
出力は何か	上位ラベルとスコア	高スコアは事実の証明ではなく、モデルの信頼度
どこで失敗するか	download、install、model loading で失敗し得る	信頼できる AI 作業にはログ、代替手段、再現可能な環境が必要

Colab が失敗しても、ここで1日使い切らないでください。エラーを保存し、ノーコード体験を先に終え、第1章で terminal、Python、環境を学んでから戻ります。

エンジニアリングメモを1つ残す

短いメモを作り、5 行だけ書きます。

成果物名：
試した入力：
観察した出力：
制御した変更：
証拠としての価値：

ここでの AI は魔法ではありません。入力を渡し、学習済みモデルが処理し、出力を確認します。経験者は、依存関係のインストール時間、モデル download、入力検証、モデルの限界、出力形式、証拠の残し方という隠れた工程にも注意してください。次は最小環境を準備します。

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。

ミニアプリ

完成した最小実行可能な AI または自動化デモ

入力と出力

サンプル入力、表示出力、スクリーンショット、またはログ

比較記録

入力変更を1つ選び、それによる出力差分を書く

概念リンク

後の章で隠れた仕組みを説明している箇所はどれか

失敗確認

APIキー、依存関係、ネットワーク、プロンプト、または出力形式の問題

期待される成果

小さいが検証可能な AI の振る舞い記録