「.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Large Language Models（LLM）のような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（End User Computing）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。
- しかし、伝統的な学習パスでは、まずG検定やE資格を目指し、Pythonプログラミングを学び、機械学習の基礎を固め、深層学習を理解した上でようやくLLMに到達する……というステップを踏むのが一般的です。
- これでは、数ヶ月から1年かかることも珍しくありません。「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
- 機械学習や深層学習の基礎を学ぶ時間がなく、す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
- G検定/E資格の準備は後回しで、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 †
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。
- WindowsのWSL2でのPythonインストール手順
- Pythonのバージョン（3.8～3.11の推奨理由）。
- ターミナル/コマンドプロンプトでの基本操作
- クラウド・オプション（Google Colabなど）も紹介。
PKGMGRと仮想環境 †
pipとvenvの使用方法を学び、プロジェクトごと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。
- pipの基本操作（pip installやpip list）。
- 仮想環境の必要性と作成方法（venv）。
- 仮想環境のアクティベート/デアクティベート手順。
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。
- Jupyter Labのインストールと起動。
- Google Colabの基本操作（無料で使えるクラウド環境）。
- Notebookでのコード実行、Markdown記法、結果の可視化。
- サンプルコード（例: 簡単なテキスト生成）で動作確認。
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
- VS CodeのインストールとPython、Jupyter 拡張機能の設定。
- 基本的なデバッグ方法やコード補完の活用。
- Notebook系との違いを簡単に説明
基本ツール編 †
OpneAI †
OpenAI API（ChatGPTの基盤）を使ったLLM活用の入門。
- APIキー取得とセットアップ。
- 簡単なテキスト生成（curl → python）。
- 実例: 質問応答、文章要約、翻訳など。
- コスト管理（無料枠や課金体系）の簡単な説明を追加。
LangChainを使い業務に応用可能なプロトタイプを作成。
- LangChainの概要（LLMを簡単に実装するためのフレームワーク）。
- インストールと基本設定（pip install langchain）。
- 実例: メモリ付きチャットボット、ドキュメント検索、外部データとの統合。
- プロンプトテンプレートの作成とカスタマイズ。
- 補足提案: LangSmith（デバッグツール）などエコシステム
Ollama †
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。
- Ollamaのインストールとセットアップ
- オープンソースモデルのダウンロードと実行。
- APIエンドポイントを使った簡単なアプリケーション構築。
- オフライン環境でのテキスト生成やチャット。
LLMエージェント編 †
エージェント概要 †
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
エージェント・プログラミング †
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。
- エージェントの定義
- ツール利用
- ハンズオン
- デバッグ
- ノーコードツール
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]")
