AIの進化で「エンジニアの仕事がなくなるのでは？」と不安を感じていませんか？
実は、AIはエンジニア未経験者の成長を劇的に早める「最高の加速装置」であり、現在活躍しているエンジニアにとっても最高のパートナーです。
今回は、現役AIエンジニアの竹田さんのお話をもとに、未経験者が知っておきたいAIの利用イメージを具体的に解説します。
お話してくれた人
AIエンジニア 竹田さん
高校の数学教師から、実務未経験でラクスパートナーズに機械学習エンジニアとして入社。現在は医療AIの研究所に参画中。
目次
未経験からエンジニアを目指す人が学習にAIを使う3つのメリット
独学で立ち止まってしまう時間をAIが大幅に短縮してくれますし、1人だと難しいことを助けてくれます。
メリット① 学習効率の圧倒的な向上
わからない用語や、エラーで動かないコードを質問したら、24時間いつでも即座に回答が得られます。
自力で何時間もWebサイトを巡回して答えを探し回る停滞時間がなくなり、理解や実装に最短ルートで到達できます。
メリット② アウトプットの品質向上
自分の書いたコードをAIに送り、「プロの視点で見直して」「現場で使われる読みやすい書き方に直して」と頼んで添削してもらうことができます。
AIとのやり取りを通じて、自分のコードの改善点が明確になるだけでなく、実務レベルの品質（クオリティ）を保ったアウトプットを自力で出せるようになります。
メリット③ 実務の疑似体験
「画像認識の開発を任されたら、まず何から着手すべき？」といった質問を通して、現場での「仕事の進め方」をシミュレーションできます。
プログラミングだけでなく、データの準備から改善提案まで、実務の一連の流れをあらかじめイメージできるのは大きなアドバンテージです。
AIエンジニアはどう対話している？AIを「開発パートナー」にするコーディング・デモ
竹田さんに、AIと対話しながら「画像分類」をしていく様子を実演してもらいました。
画像分類は、AIエンジニアの主要な仕事の一つです。画像内の特徴やパターンを学習し、その画像が「何であるか」を特定のカテゴリ（犬、猫、車、製品の良品/不良品など）に自動で分類するプロセスです。
関連記事：
AIエンジニアの仕事内容とは？未経験から深層学習に携わる「地道でエキサイティング」な日常のリアル
今回実演するのは、「人間が手書きした0〜9の数字画像を、AIに正しく分類させる」というものです。AI開発の学習において、多くの人が最初にチャレンジする定番のテーマです。
手書きの数字画像と、その正解データである「ラベル」が対になっているデータセット（特定の形式に整えられて集められたデータの集合体）があるので、そちらを利用します。
環境は、開発用エディタ「VS Code」上で動作するAI コーディングアシスタント「GitHub Copilot」です。
AIに丸投げするのではなく、AIエンジニアがどのような意図を持ってAIに指示を出し、コードを作成していくのか。その思考プロセスに注目してください。
ステップ① データの準備と中身の確認
まずはAIに「手書き数字のデータセットをロードして表示して」と頼んでみます。
するとコードが生成されました。そのコードを実行すると、瞬時にデータを読み込み、黒い画面に白く書かれた「0〜9」の数字画像を画面に並べてくれました。
ステップ② 人間が理解しやすい形に整理（次元削減）
この手描き数字のデータは、実は「64個の数字の羅列（64次元）」で構成されており、人間がパッと見て特徴を掴むのは困難です。
膨大な情報を重要なポイントだけ残して凝縮する「PCA（主成分分析）」という手法を使って、人間に見やすく分類してみます。
AIに「PCAで2次元に次元削減して結果を可視化して」と頼み、生成されたコードを実行すると、一瞬でX軸とY軸のグラフが生成されました。
似た数字同士が近くに集まり、「4と6は形が近いな」「0は離れた場所に孤立しているということは、他の数字とは違う特徴を持っていて分類しやすそうだ」といったことが視覚的に一目でわかるようになりました。
ステップ③ AIに数字を分類させる（分類モデルの作成）
いよいよ、実際に数字を判定させる「分類モデル」を作成します。
今回は、AI開発でよく使われる「ロジスティック回帰」と「ランダムフォレスト」の2つの手法をそれぞれ試してみましょう。
- ロジスティック回帰： データの境界線を引いて、どちらのグループに属するかを予測する統計学的な手法。
- ランダムフォレスト： 複数の「条件分岐（Yes/Noの判断）」を組み合わせて、多数決で答えを導き出す協力型のアルゴリズム。
まず「ロジスティック回帰で分類して」と頼んで出てきたコードを実行すると、正解率約97%で分類できました。続けて「ランダムフォレストで分類して」と頼んで出てきたコードを実行すると、こちらも正解率が約97%となりました。
重要になってくるのが、残りの3%はなぜ間違えたのか？という検証です。そこで「間違えた画像を表示して」と頼んで出てきたコードを実行すると、例えば「5」を「6」と間違えた画像などが表示されます。
画像を確認すると、人間でも迷うような数字が含まれていました。実務ではこうした間違いの理由を徹底的に探る必要があります。モデルの問題ではなく、最初につけた「正解ラベル」自体が間違っていた（6なのに5と登録されていた）というケースも珍しくないそうです。
紹介されていた次元削減、主成分分析…どんな勉強が必要？
ラクスパートナーズでは、こうしたプロのAIエンジニアに必要な知識を、3ヶ月・480時間の研修でゼロから学べます。
統計・数学的背景から、現場で使えるPythonの扱い方まで、体系的に学ぶ環境が整っています。
- ✅ 未経験からAI・機械学習エンジニアへ
- ✅ 実務直結の周辺知識（SQL/Git等）もまとめて習得
- ✅ キャリアアップを全面サポート
「AIに仕事を奪われる」は本当か？AI活用は「AIエンジニア」のスキルがあってこそ
デモではAIがスラスラとコードを書いてくれましたが、これは人間が適切にAIへ指示し、出された結果の妥当性を判断しているからこそ成立しています。
生成AIによって「手を動かしてコードを書く時間」は減りましたが、「何をしたいか」の意思決定や「出された内容に問題がないか」の検証は人間が行う必要があり、その役割の重要性はむしろ高まっています。
AIエンジニアがAIを仕事のパートナーとして使いこなすためには、以下の2つのスキルが不可欠になります。
不可欠なスキル① プログラミング（設計・指示・検証する力）
AIに「何を実現したいか」を構造的に伝え、出てきた中身を正しく読み解く力です。
- 的確なプロンプト： 実現したいことを論理的な手順に分解して伝えるには、プログラミングの基礎知識が欠かせません。
- 妥当性の判断： AIのコードが100%正しい保証はありませんし、一見正しそうでも実現したいことと合っていない場合もあります。中身を読み解き、品質を担保し、不具合があれば原因を究明する。この「最後の砦」としての役割は、エンジニアにしかできない地道かつ重要な作業です。
不可欠なスキル② 統計・数学の知識（手法の選定・結果を読み解く力）
AIに「何をさせるか」を選び、結果の裏側にある「意味」を理解する力です。
- 手法の選定と解釈： デモで登場した「PCA（主成分分析）」や「ロジスティック回帰」などは統計学に基づいた手法です。行いたいことに適している手法を選び、出てきた結果を検討するには、数学的な素養が必要です。
- 品質を見極め改善： 正解率が高く出ていたとしても、求める品質に達しているかを分析する必要があります。エラーの傾向を数理的に把握することで、モデルの数式を調整すべきか、データを補強すべきかといった、次なる改善への「正しい判断」につながります。
実はこれらのスキルは、AIエンジニアとしての基礎的なスキルそのものです。
生成AIの登場でエンジニアの働き方は大きく変わりました。しかし、未経験から「AIを使いこなせるAIエンジニア」になるために必要なのは、AIエンジニアの土台となるスキルを地道に身につけることです。一見遠回りのようですが、それが時代に流されない確かな一歩となります。
まとめ：AIを「最高のパートナー」にして、成長を加速させよう
生成AIの登場でエンジニアの働き方は劇的に変わりましたが、それは決して「エンジニアがいらなくなる」ことを意味しません。
むしろ、AIという強力なパートナーを使いこなす「エンジニアの判断力」の価値がこれまで以上に高まっています。
未経験から「AIエンジニア」への第一歩を踏み出そう
生成AI時代のエンジニアには、ツールに振り回されない「本物の基礎力」が求められます。
ラクスパートナーズには、未経験からAIエンジニアとしての基礎力を着実に身につけ、実務で活躍するための充実した研修とキャリアパスがあります。
「自分にもチャレンジできるかな？」と迷っているなら、まずは無料の説明会で、AIエンジニアとしての働き方や学習環境をのぞいてみてください。
「プログラミングや統計・数学…自分にできるだろうか」と圧倒されてしまうかもしれません。
ラクスパートナーズでは、こうしたプロのエンジニアに必要な知識を、3ヶ月・480時間の研修でゼロから学べます。
数学的背景から、現場で使えるPython実装まで、体系的に学ぶ環境が整っています。
- ✅ 未経験からAI・機械学習エンジニアへ
- ✅ 実務直結の周辺知識（SQL/Git等）もまとめて習得
- ✅ キャリアアップを全面サポート
▼この記事の内容は動画でもご覧いただけます！
