AIのアイデアがあり、データがあり、モデルが完成した。
しかしそれだけでは、AIは世に出られません。モデルを動かすための環境を整え、他のシステムとつなぎ、安定して運用できる形にする——技術的な土台が整ってはじめて、AIは現実の世界で動き始めます。
この章では、AIの開発・運用を支える代表的なツールと技術基盤を見ていきます。
プログラミングが専門でない方にも、「何のために使われるのか」がイメージできるように説明していきます。
Python
Python（パイソン）は、AI・機械学習の分野で最も広く使われているプログラミング言語です。TensorFlow・PyTorch・scikit-learnなど、主要な機械学習ライブラリのほとんどがPythonで使えます。
Pythonが選ばれる理由は、シンプルで読みやすい文法にあります。
他のプログラミング言語と比べて、コードが自然言語に近い形で書けるため、プログラミング初心者でも比較的習得しやすいです。
また、世界中の研究者や開発者が作ったライブラリ（便利な機能の集まり）が豊富に揃っているため、複雑な機械学習の処理も少ないコードで実現できます。
料理にたとえるなら、Pythonは「世界中のレシピが揃った、使いやすい万能キッチン」のようなものです。一から包丁を作る必要はなく、揃った道具を使って料理に集中できる——それがPythonの強みです。
Jupyter Notebook
Jupyter Notebook（ジュピター・ノートブック）は、コードを書いて実行し、その結果をその場で確認できる対話型の開発環境です。
通常のプログラミングでは、コードを全部書いてから実行して結果を確認します。
しかしJupyter Notebookでは、コードを少しずつ書きながら、その都度結果を確認できます。
データを読み込んで中身を確認し、グラフを描いて分布を見て、モデルを試して精度を確認する——試行錯誤が前提のデータ分析・機械学習の開発スタイルと、Jupyter Notebookの「その場で確認できる」という特徴は、非常に相性が良いのです。
また、コードと実行結果と説明文を一つのノートにまとめられるため、分析の過程を他の人と共有しやすいという利点もあります。
研究者がJupyter Notebookごと公開することで、分析の再現や検証が容易になります。
Web API
Web API（ウェブ・エーピーアイ）とは、異なるシステムやサービスがインターネットを通じてデータや機能をやり取りするための仕組みです。
APIとは「Application Programming Interface」の略で、「システム同士が会話するための窓口」とイメージするとわかりやすいでしょう。
AIモデルをWeb APIとして公開すると、他のシステムやアプリケーションからそのAIの機能を呼び出せるようになります。
たとえば、スマートフォンアプリが翻訳AIのWeb APIを呼び出して翻訳機能を実現する、ECサイトがレコメンドAIのWeb APIを呼び出して「おすすめ商品」を表示する——AIをWeb APIとして提供することで、様々なサービスにAIの力を組み込めるようになります。
Docker
Docker（ドッカー）は、アプリケーションの実行環境をまるごとパッケージ化して、どこでも同じ環境を再現できるようにする技術です。
AIの開発では、「自分のパソコンでは動くのに、サーバーに移したら動かない」という問題がよく起きます。使っているライブラリのバージョンが違う、OSの設定が違う——こうした「環境の違い」が原因です。
Dockerは、アプリケーションと必要なライブラリ・設定をすべて「コンテナ」という箱に詰め込み、その箱ごと移動させることで、どの環境でも同じように動くことを保証します。
引っ越しにたとえるなら、家具をバラバラに運ぶのではなく、部屋ごとそのまま移動できるようなイメージです。
新居でも同じ配置・同じ使い勝手が保たれる——Dockerはそんな「環境の引っ越し」を実現する技術です。
クラウド
クラウド（Cloud Computing）とは、インターネットを通じて、サーバー・ストレージ・計算資源などをサービスとして利用する仕組みです。
AWS（Amazon Web Services）・Google Cloud・Microsoft Azureが代表的なクラウドサービスです。
AIの学習には膨大な計算資源が必要です。しかし、そのために高性能なサーバーを自社で購入・維持するのは、コストも手間も大きいです。クラウドを使えば、必要なときに必要なだけ計算資源を借りて、使い終わったら返す——まるで電力会社から電気を使った分だけ買うように、計算資源を従量課金で利用できます。
スタートアップ企業でも、クラウドを使えば大規模なAI学習が可能になります。実験段階では小さなリソースで試して、本番環境では一気にスケールアップする——クラウドの柔軟性が、AIの民主化を支えています。
ここで、クラウドと混同されやすい二つの言葉を整理しておきましょう。
オンプレミス（On-Premises）は、クラウドの対義語としてよく使われる言葉です。自社でサーバーや機器を購入・設置して、自分たちで管理・運用する形態のことを指します。
「クラウドを使わずに自社で全部やる」イメージです。
初期コストは高くなりますが、データを外部に預けずに自社内で管理できるため、セキュリティや機密性が特に重要な場面で選ばれます。
エッジは少し異なる切り口の言葉です。
オンプレミスが「誰が管理するか」という視点でのクラウドの対比であるのに対して、エッジは「どこで処理するか」という視点での対比です。
クラウドが遠くのデータセンターで処理するのに対して、エッジは手元のデバイスで処理する——この章の「エッジAI」の概念と同じです。
まとめ
Python → AI・機械学習の分野で最も広く使われるプログラミング言語。シンプルな文法と豊富なライブラリが特徴
Jupyter Notebook → コードを書きながらその場で結果を確認できる対話型の開発環境。データ分析・機械学習の試行錯誤に適している
Web API → 異なるシステムがインターネットを通じてデータや機能をやり取りするための仕組み。AIをWeb APIとして公開することで様々なサービスにAIを組み込める
Docker → アプリケーションの実行環境をコンテナとしてパッケージ化し、どの環境でも同じように動くことを保証する技術
クラウド → インターネットを通じてサーバー・ストレージ・計算資源などをサービスとして利用する仕組み。必要なときに必要なだけ計算資源を使える柔軟性が特徴
オンプレミス → 自社でサーバーや機器を購入・設置して管理・運用する形態。クラウドを使わず自社内でデータを管理できるため、セキュリティや機密性が重要な場面で選ばれる
next ▶ MLOpsとは何か AIモデルの運用とライフサイクル管理