機械学習に学ぶ_AI時代のボトルネック解消

Transcript

1. 機械学習に学ぶ Masato Akiho AI時代のボトルネック解消 時代のボトルネック、みんなはどう乗り越えてる？ 2026/10/2, Qiita Bash | AI
2. Business AI Designer AI MagicDelta CEO エンジニア 株式会社 機械学習に学ぶ Masato Akiho AI時代のボトルネック解消
3. 自己紹介（概要） 概要 N高卒→1年間福岡のIT企業就職→ZEN大学入学→上京→フリ ーランス→起業 2026年3月にMagicDelta株式会社を設立, CEO 機械学習と独自発想法を元に新アーキテクチャの開発 MagicDelta株式会社 Founder &CEO AIエンジニア 手羽先 実績/研究開発 AIスタートアップCTO, スタートアップ技術顧問 月間20プロジェクトを並列 推論システムの費用を2000万円/年間→20万円/年間に削減 企業の根幹システムの開発, コンセプト設計, コンサル 国産LLM開発に関する投稿が、Xで月間合計1,500万インプ AI学習アルゴリズムのAP法を発見 国内最先端の微分可能論理ゲート型NNの開発者 世界初の物体検出モデルや感情分類モデル開発
4. 自己紹介（経歴） MagicDelta株式会社 Founder &CEO AIエンジニア 秋穂正斗 「2026年度未踏IT」採択 「INDIE Live Expo 2026.4.25」Official Selection 「ZEN⼤学」入学 特待⽣採択 「SecHack365 開発駆動コース」修了 TOKYO INDIE GAMES SUMMIT 2025 推しタイトル総選挙1位 「SECCON 13 Contest of Contest」優秀賞＆ワークショップ主催 「2024年度 SecHack365（開発駆動コース・仲山ゼミ）」採択と 全国のセキュリティ人材トップ40名に選出 2024 「TOKYO GAME SHOW 2024」 Selected Indie 80 2024.4 「福岡のIT企業」入社 2024.3 「第42回CLE研究発表会」招待講演発表, 学⽣奨励賞 2024.3 「第10回 Japan Business Design & Action Award 2023-2024 全国 大会」準優勝 2024.1 「福岡未踏Proコース」優秀クリエイター認定 2023.12 「EDD 2023プロダクト開発部⾨」受賞, 福岡市長から表彰 2023.7 「福岡未踏Proコース」採択 2018 「エクサキッズ 2018」4位 2018 「PCNこどもプロコン 2018」優秀賞, ブロンズ協賛賞 光本勇介賞 2018 「Why！？プログラミングNHK教育番組」出演 2026.6 2026.4 2025.4 2025.3 2025 2025.3 2024.5
5. Google Blockly Summit 2025 in Seattle 2 登壇（日本人 人⽬） テレ東 国産LLM開発者として出演 株式会社ZEALS CEO 清水 正大 総資金調達額100億円 Voice AI Agents最先端 朝日新聞 「いま子どもたちは」 （朝刊全国版教育面）掲載 国立研究開発法人情報通信研究機構) 主催 SecHack365 採択 NICT( 未踏IT2026 採択
6. テーマ： AI時代のボトルネックを どう解消するか？ 機械学習に学ぶ Masato Akiho AI時代のボトルネック解消
7. 結論： 徹底的に人間を排除する 機械学習に学ぶ Masato Akiho AI時代のボトルネック解消
8. エンジニアは不要 コードの価値はゼロ エンジニアリングは急速に変化 機械学習に学ぶ Masato Akiho AI時代のボトルネック解消
9. エンジニアの仕事はどんどん減っていく の性能はどんどん上がっていく がコーディングをしている＝エンジニアは不要になる 時代は産業革命ではない 産業革命はエネルギー革命であり、AIは知能革命である 産業革命の延長線で考えれば痛い目を⾒る 人間ベースの世界は、知能が最も高い生命だったため維持できた AI vs 人間では人間が圧倒的に負ける 人間が勝てる部分は、知能ではない 個体数（80億人） 再生能⼒（タンパク質） エネルギー効率（20w） LLM LLM AI
11. 機械学習（Neural Network） Loss 入力x NN 出力y 正解t 教師データを用意すれば勝手に問題を解けるように最適化（学習）される
13. アプリ（フルスタック） Web 操作 アプリ層 インフラ層 結果 バグ 仕様
14. も も関数と見做せる NN Web Loss 入力x 操作 NN アプリ層 インフラ層 出力y 結果 正解t バグ 仕様
15. 数値微分ではなく、テキスト勾配が誕生 ＝プログラミングも勾配降下法できるように NN アプリ層 インフラ層 https://qiita.com/Nezura/items/bdbf0ec3ec3962d6037b https://hono-ja.pages.dev/docs/
21. テキスト勾配をもっと学びたい方へ https://zenn.dev/teba_eleven/articles/8586aa2092d974
22. https://www.analog.com/jp/resources/analogdialogue/articles/training-convolutional-neuralnetworks-what-is-machine-learning-part-2.html
23. 理解負荷 理解負債 生成負債 機械学習に学ぶ Masato Akiho AI時代のボトルネック解消
24. 結論：理解負債もコードレビューもどうでも良い 方針 a. 理解負債, ハーネス, コードレビューなどどうでも良い b. 正しく勾配が伝わる目的関数とデータセットがあれば高級なLLM（≒学習 アルゴリズム≒勾配降下法）が全てを癒してくれる 2. 現状 a. ただし、現在のAIはまだ弱い b. ガードレール（正しく勾配が流れやすくする必要がある）を引くための最 低限のハーネスやアーキテクチャは必要 c. エンジニア自身の勉強もある程度必要だが、AIが賢くなればそれは要らな くなる d. アーキテクチャに関しては、MLモデルのアーキテクチャと同じく学習の収 束のしやすさや誤差の減りやすさがあるため一概にいらないとは言えない が、モデルアーキテクチャは公開されやすいため、待っておけば良い。 1.
25. 理由：MLにおいて、重みを手作業で調整し、 BPで訓練されたNNの重みを確認などするか？ 事実 や の回帰問題、分類問題の重みを手作業で更新、確認することはあるだろうか？ 学習：頑張れば人力も可能（XOR, 3次元程度）, 基本的に誤差逆伝播法や数値微分 確認：ある程度特徴量との関連性は理解できる さらに高次元でブラックボックスなCNN, Transformer, Attention機構において、重みを手 作業で更新、確認することはあるだろうか？ 学習：人力は次元の呪いによって不可能。BPを使うしかない（数値微分もGAもリソ ースと有限時間内に収まらない点で厳しい） 確認：高次元すぎて不可能。データセットを出し入れし、過学習していないか、精度 判定、ノイズなども含め、決められた範囲の中で正しく動くことを確認する SVM NN
26. 理由：MLにおいて、重みを手作業で調整し、 BPで訓練されたNNの重みを確認などするか？ 現在 学習（実装） 人力でコードを書き、設計し、理解する 確認（テスト） 人力でテスト項⽬を設定し、理解し、テストする 未来 学習（実装） BPのように勾配が大規模アーキテクチャに浸透し、勝⼿に成長、精度向上する 確認（テスト） データセット、目的関数、誤差の監視まで全てがテキスト勾配によって実現される
27. 理由：テキスト勾配による勾配降下法の強力さは、 Claude Code, Codex, Cursorによるバイブコーディング で実証されてしまった 事実 実装 バイブコーディングである程度できる 誤差 少しミスをするが、大体動くサービスを作れてしまっている 示唆 テキスト勾配による勾配降下法は1~2年でほとんどLossを最小化できている コメント MLの分野では誤差逆伝播法や学習アルゴリズムが何十年とかけてきたものが、LLMとい うテキスト勾配を扱える勾配降下法、つまり学習アルゴリズムの近似システムによって 急激に勾配を下ることができてしまっていることに多くの人が気づいていない
28. 結局、具体的にどう対策すれば 良いのか？ 機械学習に学ぶ Masato Akiho AI時代のボトルネック解消
29. 結論：機械学習のアーキテクチャに学ぶ アーキテクチャを学ぶ a. 機械学習のアーキテクチャを学ぶ 2. マッピングする a. 自分のやっている領域がどこか当てはめる 3. 自分の立ち位置を知る a. 自分がどこをやっていて、どこがAIに代替 され、どこをやらなくて良いかを知る →自分がやっている領域＋次にいく領域＋危険な領域が分かる 1.
30. 入力層 入力 データ 隠れ層 モデル 最適化 アルゴリズム 出力層 出力y 学習アルゴリズム 目的関数 誤差 正解 ラベル
31. テスト 例：E2E, Component Test, Mock, Visual Regression Testing, Lint デザイン, 要件定義 例：UIUX, 戦略, Domain 入力 データ モデル 最適化 アルゴリズム 設計, アーキテクチャ 例：Clean Architecture, DDD, MVC, DIP 出力y 学習アルゴリズム 目的関数 誤差 正解 ラベル プロンプト, ハーネス 例：Skills, Hooks, Sub Agent
32. デザイン, 要件定義 方針：プロダクト成功という面では一番大事。 ドメイン理解は人間がまだ得意 入力 データ モデル 最適化 アルゴリズム 設計, アーキテクチャ 方針：理解も書く必要もない, 意思決定のみ テスト 方針：一番大事。誤差関数を設定 すれば勾配が正しく伝播するので ここが一番大事 出力y 学習アルゴリズム 目的関数 誤差 正解 ラベル プロンプト, ハーネス 方針：微分可能で皆やるので 触ってはいけない
33. 時代にやる優先順位：1→2→3（アーキテクチャ選定） やってはいけない優先順位：4→3（実装+修正） AI ↑ ↑ 1 3 出力y 2 誤差 ↑：価値が上がる ↓：価値が下がる ↓ 4 4 ↓ ↑ 正解 ラベル ↑
34. 最後に： 実際に成果が出ている 具体的な技術 機械学習に学ぶ Masato Akiho プログラマーの生存戦略
35. 入力データ（もっと厚くすべき） レビュー、意思決定、ドメイン全てをビジュアライズ化 Context図, UseCase図, アーキテクチャ図の可視化 動的なチームトポロジーの決定とPDCA 学習速度と検証速度の向上 徹底的な店舗、実機の観測、ヒアリング（Why Tree） 目的関数（もっと厚くすべき） VRT, Playwrightを使ったストリームな価値がある部分への 完全E2E, Component, Mock, Fakeの徹底 仕様、ドメイン、ビジョンを詰め込んだMD管理 DB Scheme変更や破壊的な変更に対するチェックリスト 学習アルゴリズム（少なめにするべき） マージ, PRをClaudeで自動化 全てのトラブル、方針、バグをハーネス化 MCP, MVP, DDD, Clean Architecture, MLOpsなどの今までの 知見を詰め込んだSkills, Hookを⽇々改良 モデル（モデルアーキは有名なものを使っておけば良い） featureブランチごとにDBブランチ(PlanetScale) Worktree, sandbox環境を用いた全ての環境隔離及び超並列 開発環境 Prisma + Tanstack Query + tRPC + Module Architectureを使 ったFull TS StackとDomain実装と変更のしやすさ インフラ層の完全IaC化, Platform Engineering 一般、補完、中核の思想をベースにした技術選定（Clerk, Algolia,独自モデル） 全てのContext, Actionにアクセスできる認証認可システム の実装と運用
36. 機械学習を学び、 機械学習から学ぼう 理解負債や コードレビューは無視。 徹底的に人間を排除し、 テキスト勾配に従おう。 機械学習に学ぶ Masato Akiho AI時代のボトルネック解消 逆に、コードレビューや理解負債を 無視しても正しく動くプログラムを 生成できる環境を作るという逆転の 発想が必要
37. も も関数と見做せる NN Web 関数: y = f(x) 微分係数の定義式 微分 導関数: f’(x) x=aを代入 微分係数: f’(a)