AIエンジニアは「数学が得意な天才の仕事」というイメージを持たれがちですが、いまの現場で求められるのは、データを扱い、既存のモデルを正しく使い、製品として動かし続け、評価しながら改善する力です。この記事では、未経験から実務レベルまでを、何を・どの順で・どこまでやればよいかロードマップとして整理します。期間の目安はおおむね6か月〜1年。学習に使える時間や前提知識によって前後します。
FIG.1 基礎体力 → 機械学習の芯 → 深層学習/Transformer → 生成AI実務 → 運用、の5段
01まず「どのAIエンジニア」を目指すか決める
「AIエンジニア」とひとことで言っても、現場での役割は分かれます。最初に方向性をざっくり決めると、学ぶ順番に迷いません。いまもっとも案件が伸びているのは、生成AIを業務システムに組み込める人と、作ったモデルを運用まで落とし込めるMLエンジニアです。まずはこの2方向のどちらかを軸に据えるのが現実的です。
生成AIエンジニア（LLM/エージェント）
RAG（検索拡張生成）、ツール実行、プロンプト設計、評価とガードレール。いま最も需要が大きい領域。
MLエンジニア
学習〜推論のパイプライン、API化、運用（MLOps）まで一貫して作る。表形式データや既存システムとの統合に強い。
データサイエンス寄り
分析・仮説検証・特徴量設計・評価が中心。ビジネス課題を数字に翻訳する役割。
研究寄り（論文実装・モデル改善・ベンチマーク）という道もありますが、必要な数学・実装の深さが別格で、就職の入口としては遠回りになりがちです。本ロードマップは「既存のモデルを使って製品を作る」側を主軸に組みます。
02Step1（1〜4週）：Pythonとデータ処理に慣れる
AIの仕事は、突き詰めると「コードでデータを扱う仕事」です。最初は難しいモデルより、Pythonで手を動かせることを最優先にします。
- Python基礎：関数、クラス、例外処理、型ヒント（typing）
- データ処理：NumPy、pandas（結合・集計・欠損処理）
- 可視化：Matplotlib / seaborn（分布・相関・箱ひげ図）
- 環境構築：venv や uv などのパッケージ管理、Jupyter、VS Code
- Git：コミット・ブランチ・プルリクの基本操作
到達ラインは、CSVを読み込み → 前処理 → 特徴量を作る → グラフで確認がひと続きでできる状態。
おすすめの小課題：Kaggleの「Titanic」で、欠損値の処理と特徴量づくり（家族人数や敬称の抽出など）を一周してみる。データの扱いに体が慣れます。
03Step2（1〜2か月）：機械学習を「評価」とセットで理解する
ここで大事なのは、アルゴリズムの暗記よりモデルの良し悪しを測るものさしです。現場では「精度が上がりました」だけでは通りません。「なぜその指標で測るのか」「どんな失敗が起きたのか」を毎回言葉にできると、面接でも実務でも強い武器になります。
芯になるトピック
- 学習/検証/テストの分割とデータリーク（答えが漏れて精度が過大評価される失敗）
- 評価指標：分類（Accuracy / Precision / Recall / F1 / AUC）、回帰（MAE / RMSE）
- 過学習：正則化、特徴量の数、交差検証
- 前処理：標準化、カテゴリ変数の扱い、欠損、外れ値
使うライブラリ
- scikit-learn：学習・交差検証・パイプラインがひと通りそろう
- XGBoost / LightGBM：表形式データで強く、実務でも定番
指標は業務上の「損失」と結びつけて選びます。たとえば見逃しが致命的になる検査なら、取りこぼしを嫌ってRecall（再現率）を重視する、といった判断です。
04Step3（2〜4か月）：深層学習とTransformerの入り口
生成AI時代の土台はTransformerという仕組みです。とはいえ、最初から巨大モデルを自分で作る必要はありません。しくみを理解しつつ、既存モデルを正しく使えることがゴールです。
学ぶポイント
- PyTorch：Dataset / DataLoader、学習ループ、GPUの使い方
- ニューラルネットの基本：損失関数、最適化（Adamなど）、バッチ、正則化
- Transformer：Attention、トークナイズ、埋め込み（embedding）、位置情報
