私の AI アーキテクトへの道

長年ソフトウェアに携わり、デスクトップアプリから Web、モバイル、クラウド、そして AI へと歩んできました。この数年で最も強く感じているのは、AI は単に新しい開発ツールが増えたということではなく、ソフトウェアシステム全体の設計のしかたを変えつつある、ということです。

以前はデータベースの設計、API の切り分け、システムの配置を考えていました。いまはそれに加えて、LLM（Large Language Model、大規模言語モデル。文章を理解し生成する）、RAG（Retrieval-Augmented Generation、検索拡張生成。モデルがまずデータを調べてから回答する）、Agent（エージェント。自らツールを呼び出してタスクを完了するプログラム）、Vector Database（ベクトルデータベース。意味ベクトルを保存し類似度検索に使う）、MLOps（Machine Learning Operations、機械学習の運用。モデルのデプロイ・監視・更新を担う）があり、さらにモデルのコスト、セキュリティ、データ権限まで考える必要があります。

そこで私は新しい方向を定めました。AI Solution Architect（AI ソリューションアーキテクト）を目指すということです。資格は 6 つ、期間は 12〜15 か月を想定し、順番はあえて易しいものから始めて、アプリケーション開発、ML エンジニアリング、Cloud Architecture（クラウドアーキテクチャ）へと進みます。

1. AI-901：まず土台を固める。日常的に LLM や API を使っていると、すべて分かっているつもりになりがちですが、「使ったことがある」と「体系的に理解している」は別物です。1 つ目はあえて易しいものを選び、散らばった AI の知識をもう一度整理します。

2. AIF-C01：別のクラウドで同じことを見直す。同じ考え方でも、AWS では製品名も仕組みも異なります。1 社しか知らないと、問題に直面したときの第一反応が「どの製品を使うか」になってしまいます。アーキテクトが先に問うべきなのは「この問題にはどんなアーキテクチャが必要か」です。

3. Microsoft AI Apps & Agents Developer：実際にシステムを作り始める。LLM の API を呼ぶこと自体は難しくありません。難しいのは AI をシステムに組み込むことです。社内データにどう到達するか、既存 API をどう呼ぶか、どこまで Agent に任せてよいか、どこは人の確認が必須か、権限はどう扱うか、答えが誤っていたらどうするか。

4. AWS Machine Learning Engineer：ML エンジニアリングと MLOps を補う。企業には従来型の Machine Learning（機械学習）のニーズがまだ多くあります。しかも Production（本番環境）では、問題はモデルの精度だけではなく、デプロイ、データパイプライン、バージョン更新、監視、コストにも及びます。

5. Google Professional ML Engineer：製品とアーキテクチャを切り分ける。3 つのクラウドを触った後に大切なのは、3 つのコンソールの操作を覚えることではなく、名前の違う 3 つのサービスが実は同じ種類の問題を解いていると見抜くことです。エンジニアは「どうやるか」を問い、アーキテクトはさらに「なぜそうするのか、他の選択肢はあるか、その代償は何か」を問います。

6. AWS Solutions Architect – Professional：アーキテクチャそのものに戻る。最後の 1 つをあえて AI 資格にしなかったのは、AI アーキテクトもまず何よりアーキテクトだからです。AI を導入しても、Database、Network、Security、IAM（Identity and Access Management、ID とアクセスの管理）、拡張性、災害復旧、コストの課題は消えるどころか、むしろ難しくなります。

これはもともと計画にありませんでした。AIF-C01 の勉強で教材や問題集をいろいろ試したのですが、どれも何かが足りないと感じていました。ひたすら問題を解くだけにはしたくなかったのです。間違えたときはなぜ間違えたのかを知りたいし、正解した問題の中にはたまたま当たっただけのものもありました。

もう一つの問題は時間です。机に向かえる時間は限られていますが、歩いている時間、移動時間、ちょっとした休憩は積み上がると意外に多いものです。自分がソフトウェアを作る仕事なのですから、自分が使いたい版を作ることにしました。

最初のリリースは AIF-C01 から始め、準備期間を 14 日に配分しました。数百問の問題集を開いて延々と解き続けるのではなく、今日どこまで学べばよいかが分かります。さらに音声学習を備えているので、歩きながらでも移動中でも復習できます。現在は English、日本語、한국어、中文、Español、Português (Brasil) に対応しています。

試験を受けるのは、学ぶ範囲が定まり、各段階に明確な目標ができるからです。しかし 6 つの資格を取ったからといって AI アーキテクトになれるわけではありません。1 年後に LinkedIn に載せられるバッジが 6 つあるだけで、AI システムを作った経験がないなら、その 1 年は私の望んだ成果を出していないということです。

そこでもう一つルールを決めました。各段階で必ず、実際に見せられる成果を残すということです。アプリでも、Agent でも、RAG システムでも、ML パイプラインでも、あるいは一式のアーキテクチャ設計でもかまいません。資格は何を学ぶべきかを教えてくれますが、できるかどうかを教えてくれるのは実装です。

私はモデルの研究だけをする人になりたいわけではありません。関心があるのは、AI を既存のソフトウェアにどうつなぐか、Agent と既存システムをどう協調させるか、データをどう扱うか、どうデプロイして拡張するか、コストをどう抑えるか、安全性をどう確保するか、そして最後に、人が本当に使えて企業が本番運用に踏み切れるシステムをどう組み上げるか、という点です。

12〜15 か月、6 つの資格、作りながら学び、その過程をすべて書き残していきます。