学習パスを選ぼう

AIの学習データやニューラルネットワークから、生成AIツール、その限界、安全性、そして人々がAIをめぐって行う選択まで、現代のAIについて明確なメンタルモデルを築きます。

データセット、特徴量、埋め込み、ニューラルネットワーク、Transformer、評価、そしてモデルの挙動を左右する実践的なトレードオフなど、現代のAIを支える構成要素を理解します。

概念から応用へと進みます。テキスト、画像、音声、マルチモーダルなシステムに取り組みながら、API、オープンモデル、構造化出力、そして人によるレビューがどこで役立つのかを学びます。

検索拡張、ツール利用、エージェントワークフロー、MCP、評価、ガードレール、可観測性を備えた、本番運用を意識したLLMアプリケーションを設計します。品質、レイテンシ、安全性、コストの最適化を学びます。

プロダクトの発見、アーキテクチャ、データガバナンス、モデルやベンダーの選定、デプロイ、監視、インシデント対応、規制対応、そして継続的な改善まで、ライフサイクル全体を一つにまとめます。

AIシステムを理解しやすく、効率的で、保守しやすいものにするための、プログラミング、データ構造、テスト、計算量の基礎を固めます。

本番サービス、検索、レコメンデーション、データ処理、そして技術面接で繰り返し登場するアルゴリズムのパターンを実践します。

モデルゲートウェイ、検索サービス、非同期処理、ストリーミング、キャッシュ、レート制限、マルチテナンシー、そして耐障害性の高いAPIなど、現代のAIプロダクトのためのシステム設計を学びます。

技術的なコミュニケーション、意思決定の記録、ステークホルダーとの合意形成、責任あるリーダーシップ、そしてAIを踏まえたキャリアの語り方を通じて、確かなエンジニアリングを目に見える成果へと変えます。

エンドツーエンドのAIプロダクトを設計、構築、評価し、発表します。検索拡張やツール利用に、セキュリティ、テスト、可観測性、ランブック、そして説得力のあるプロダクトの根拠を組み合わせます。

AI時代の職種に向けて、的を絞った就職活動の戦略を立てます。職種の分類を理解し、求人票を読み解き、自分の実績を整理し、現実的な学習と応募の計画を準備します。

曖昧さ、成果の実現、失敗、影響力、対立、そして責任あるAIに関する意思決定について、練習した決まり文句ではなく事実にもとづいた、簡潔で誠実なエピソードを準備します。

コーディング、API、デバッグ、システム設計、AIアプリケーションに関する問題を、要件を明確にしトレードオフを説明するための再現性ある手法とともに実践します。

モデル選定、実験、MLシステム設計、RAGやエージェントの評価、データ品質、MLOps、安全性、そして面接官が説明を求めるトレードオフまでを網羅します。

職務範囲、学習、リーダーシップ、報酬、リスク、働き方、そして最初の90日間までを網羅する実践的なフレームワークで、AI時代の職種やオファーを見きわめます。