「.NET 開発基盤部会 Wiki」は、「Open棟梁Project」,「OSSコンソーシアム .NET開発基盤部会」によって運営されています。
目次 †
概要 †
（何気に、以下の概要の文字列は生成AIで生成していたりする笑）
- イキナリLLMからスタートしたい～Python知らなくても、機械学習の基礎飛ばして、LLMを即戦力に！～
- 伝統的なルートを飛び越えて、LLMの世界にダイブしましょう！ あなたのAI活用が、今日から変わります。
なぜ「イキナリLLM」なのか？ †
- AIの波が急速に広がる中、特にLLM、大規模言語モデルがビジネスや日常に浸透し始めています。
- ChatGPTやGeminiなどのツールがEUCとして誰でも簡単に使えるようになり、企業ではLLMを活用した業務効率化が急務となっています。
- 「そんな時間がない！ すぐにLLMを使って仕事やプロジェクトに活かしたい！」という声に応えるのが、このコンテンツの目的です。
- 私たちは、最小限の前提知識でLLMの核心に飛び込み、即実践できるスキルを提供します。Pythonの基本すら知らなくてもOK。
- 段階を飛ばして、LLMの活用法から逆算して必要な知識をピックアップし、短期間で「LLMを使いこなせる人」を生み出します。
このコンテンツの対象者 †
- LLMに興味はあるけど、プログラミング経験ゼロの人
- 基礎を学ぶ時間は無いが直ぐに実務で使いたいビジネスパーソン
- AIツールをEUCとして活用し、業務効率化を目指す人
- 各資格の取得は後回しで、まずはLLMの面白さを体感したい人
学習の目標と流れ †
- LLMの基礎理解（理論ゼロからスタート）：LLMとは何か？ なぜ今注目されているのか？ を実例で解説。
- 即実践ツール活用：APIやノーコードツールを使って、LLMを動かす（Python不要の方法から）。
- 必須知識の逆引き学習：LLMを使う上で必要な機械学習/深層学習のエッセンスだけをピックアップ。
- プロジェクト実践：チャットボット作成やテキスト生成などのハンズオンで即戦力化。
詳細 †
LLMの基礎理解 †
以下をLLMに聞いてみてください（笑）
LLMとは何か？ †
- 言語モデルのうち、主に次単語予測を行うもので、Transformerを使用した大規模なモノ。
- 大規模なテキストコーパスを使って学習、タスク（生成、理解、抽出）に合わせて追加学習される。
- 更に、ドメイン（業務、教育、医療、法律、開発、創作）にあわせてファインチューニングされる。
注目の理由は？ †
- 自然言語処理のブレイクスルー
従来のルールベースや小規模モデルでは難しかった自然な会話や創造的な文章生成が可能。
- 汎用性の高さ
1つのモデルで複数のタスクをこなせるため、開発コストや時間を大幅に削減。
- 業務効率化・自動化
カスタマーサポート、ドキュメント生成、データ分析など、さまざまな業務に応用可能。
- 急速な進化とオープン化
OpenAI、Meta、Google、Anthropicなどが競って開発を進めており、OSSのLLMも登場。
実例で解説 †
- カスタマーサポートの自動化
チャットボットが顧客の質問に自動応答。
- 社内ドキュメント検索エージェント
社内のPDFやドキュメントを自然言語で検索・要約。
- コード生成・レビュー支援
開発者が自然言語で指示を出すと、コードを生成・修正・レビュー。
環境構築編 †
Python環境 †
Pythonのインストール方法と基本的な動作確認を解説。
- 3.8～3.11の推奨理由：安定性・機能性・互換性のバランスが非常に良い。
- 3.12の推奨理由：パフォーマンス・開発体験・型安全性・構文の柔軟性
- また、更に別バージョンをインストールしたり、仮想環境を使用したりする。
- システムPythonを汚さないよう別のPythonをインストールすることもできる。
- 仮想環境を使用についてはPKGMGRと仮想環境で解説する。
- WindowsのWSL2でのPythonインストール手順
PKGMGRと仮想環境 †
「PKGMGR」と「仮想環境」の使用方法を学び、プロジェクト毎に独立した環境を構築、LLM関連パッケージを安全にインストール。
- pythonではpipと言うパッケージ・マネージャーを使用する。
- 実行単位に依存関係のPKGバージョンが異なると、スクリプト系特融の互換性の緩さから、動かないことが多い。
- 仮想環境では、環境や実行の単位毎にインストール・パッケージを別々に管理できる。
Notebook環境 †
Jupyter系やGoogle Colabのセットアップ。PythonのREPL（対話型シェル）以上のインタラクティブ体験を説明。
IDE環境 †
より本格的な開発向けに、IDEのセットアップ。将来的なスケールアップに備える
基本ツール編 †
前提 †
ローカルでLLMを動かすための軽量ツール、プライバシーやコストを意識した活用法を学ぶ。
OpenAI API（ChatGPTの基盤）を使ったLLM活用の入門。
LlamaIndex を使いRAGを作成。
※ 実装レベルの参考はコチラ
- インストールと基本設定（LLM_LlamaIndex1.ipynb）
- 実例
- ベクトル検索（LLM_LlamaIndex1.ipynb）
- グラフ検索（LLM_LlamaIndex2.ipynb）
- その他の機能
- エージェントの構築（LLM_LlamaIndex3.ipynb）
- パイプライン、ワークフロー（LLM_LlamaIndex4.ipynb）
- 構築構造化データ抽出（...）
- 画面定義の例
- Gradioによる画面定義
- Session的な概念を加えた画面定義
- チャットUI（履歴の考慮もアリ）。
- チャットUIにRAGを追加した例
LangFlowを使い基本的なチュートリアルを実行。
エージェントとは何か、LLMとの違いを理解し、次のプログラミングに意欲を持つ。
- エージェントの定義
- 実例：タスク分解、外部ツール連携
- フレームワークの紹介
- AIモデルと外部システムのやりとりを標準化するオープン・プロトコル
- MCPの機能要件はFunction callingと変わらないが、その他の幾つかの非機能要件に対応。
- 関心の本丸はSaaS（法人向けの重量級機能）の利用（統一的なアクセスポイント化）
エージェントを動かす簡単なコード実装・実行し、感覚をつかむ。
- インストール
- エージェント定義
- ハンズオンのコンセプト
GPUオフロード環境編 †
- Space
- Inference Endpoints
LLMファインチューニング編 †
ファインチューニング概要 †
ファインチューニングの基本概念と必要性を解説。
ファインチューニングの目的とプロセスを直感的に理解。
- ファインチューニングとは？（モデルを特定タスクに最適化）。
- 転移学習やLoRA（軽量チューニング）の簡単な説明。
- 実例: カスタマーサポート向けの応答モデル、専門用語対応モデル。
- 必要なデータセットの準備（例: JSONやCSV形式）。
- コストや計算リソースの現実的な話（GPU必要性など）を追加。
ファインチューニング・プログラミング †
実際にファインチューニングを実践、簡単なファインチューニングを自分で実行し、業務特化のモデルを試作。
- オープンソースモデルをHugging Faceでチューニング
- LoRAを使った軽量チューニングの実装（peftライブラリ）
- ハンズオン: 小規模データセットでカスタムモデル作成。
- Google Colab などの無料GPU活用をガイド
全体の補足と提案
![[PukiWiki]](image/pukiwiki.png "[PukiWiki]")
