AI開発に必要なものとスキル｜初心者が最初に用意する環境と作り方

AI開発を始めようとしたとき、技術そのものより先に詰まるのが「何をどこまで用意すればよいのか」という点です。高価なGPUが要るのか、数学をどこまでやり直すのか、データは何件あれば足りるのか。この記事では、AI開発に必要なものを優先順位をつけて整理し、実行環境を明記したうえで実際に動かして測った数値とコードを添えて解説します。扱うのは「自分で作る側」の話です。外注費用の相場や内製と受託の判断軸はAI開発とは？工程・費用相場・内製と受託の判断基準【2026年版】で扱っています。

まとめ：AI開発に必要な5つのものと着手の順序

本記事の分類例は、Pythonとscikit-learnを導入できるPCで始められます。準備するものと着手の順序は次のとおりです。

• 教師あり分類では、入力データと正解ラベルの定義を最初に確認します。データの量より先に「何を正解とするか」が決まっていないと、以降の工程がすべて空回りします。
• 計算資源は最初はCPUで足ります。本記事で使った455件・30項目のデータでは、学習の実測が中央値0.008秒でした。GPUの必要性はモデル規模と許容時間で判断します。小規模な画像分類はCPUでも学習できます。
• 開発環境はPythonと数個のライブラリで始まります。2026年9月時点の現行版は本文の表に整理しました。
• スキルは「Python→前処理→評価指標→数学」の順が実務的です。本記事では、まずコードを動かし、評価に必要な数学を後から補う順序を勧めます。
• 評価の設計が精度そのものより重要です。本記事では、何も学習していないモデルが正解率94.7％を出す例を実際に動かして示します。

加えて、開発者には公的なルールが明文化されています。総務省・経済産業省の「AI事業者ガイドライン（第1.2版）」（令和8年3月31日）は第3部をAI開発者専用の章に充てており、データ前処理時・AI開発時・AI開発後の3段階で取り組むべき事項を挙げています。詳しくは本文の最後で扱います。

AI開発に必要な5つのもの

AI開発の準備は、必要なものを一度に全部揃えようとすると止まります。最初に用意すべき水準と、後回しにしてよいものを分けて考えます。

学習データと正解ラベルの用意

本記事で扱う教師あり分類では、入力データと正解ラベルの両方を用意します。売上データが10年分あっても、どれが異常でどれが正常かという判定がついていなければ、教師あり分類には使えません。ただしラベルが常に必須というわけではなく、ラベルなしのデータから外れ値を検出する教師なし異常検知の手法や、学習済みモデルをAPI経由で使う方法もあります。この正解づけの作業をアノテーションと呼びます。必要な工数は、データの種類、件数、判断基準、品質確認の方法によって変わります。作業の種類や品質管理の方法はアノテーションとは？AI・機械学習の教師データ作成の種類・やり方・品質管理を解説で詳しく扱っています。

必要な件数は扱う問題によって大きく変わるため、一律の目安を示すことはできません。ただし練習の段階であれば、ライブラリに同梱されている数百件規模のデータセットで十分に一連の流れを体験できます。本記事の後半で使うデータも、学習用が455件・項目数が30という規模です。

もう一点、初学者が見落としやすいのが、データの形をどう決めるかという問題です。モデルに入力する項目を特徴量と呼びます。元データの列をそのまま使う場合もあれば、モデルに合わせて変換したり、新しい項目を作ったりする場合もあります。考え方は特徴量とは？機械学習での意味と作り方・重要度の見方を実装目線で解説【2026年版】にまとめています。

計算資源はCPUから始める判断

「AI開発にはGPUが必須」という説明をよく見かけますが、これは学習させる対象によります。表形式のデータを扱う一般的な分類・予測であれば、手元のPCのCPUだけで完結します。

実際に測ってみました。後述する分類モデルについて、学習（fit）の所要時間だけを同じ環境で7回計測したところ、中央値0.008秒・最長0.033秒でした（学習データ455件・特徴量30項目、Intel Core i9-9880H、GPUは未使用）。この規模でGPUを検討する意味はありません。

画像認識モデルや言語モデルの学習ではGPUが計算時間の短縮に役立ちますが、必要性はモデル規模、メモリ容量、許容できる学習時間によって決まります。逆に言えば、学習済みのモデルをAPI経由で呼び出して使うだけであれば、手元に計算資源は要りません。どの提供形態を選ぶかという観点はAIエンジンとは？仕組み・種類と提供形態別の選び方を解説で整理しています。

開発環境とライブラリの現行版

環境はPythonと少数のライブラリで始められます。2026年9月18日時点でPyPIの公開情報を確認した安定版が次の表です。

注意点として、scikit-learn 1.9.1が要求するPythonのバージョンは3.11以上です（PyPIのrequires_pythonの記載値）。古いPythonを使っている場合、最新版がインストールされず、気づかないまま旧版で作業していることがあります。最初にPythonのバージョンを確認しておくと、後の不整合を避けられます。

最初に手を出すべきライブラリはscikit-learnです。表形式のデータであれば、深層学習の枠組みを持ち出さなくても十分な精度が出ることが多く、学習も評価も数行で書けます。PyTorchやTensorFlowは、画像や自然言語を扱う段階で必要になります。

身につける順に並べたスキルセット

AI開発に必要なスキルを一覧で並べると膨大に見えますが、同時に必要になるわけではありません。動くものを作りながら順に足していくのが現実的です。

最初に固めるPythonとデータ操作

本記事では、scikit-learnを使えるPythonから学習を始めることを勧めます。ライブラリと学習教材がPythonに集中しているため、ほかの言語から入ると情報量の差で不利になります。必要なのは高度な言語機能ではなく、リストと辞書の扱い、関数の定義、ループと条件分岐といった基本です。

次に効くのがpandasによるデータ操作です。実務のデータは欠損値や表記ゆれを含んでおり、モデルに渡す前の整形にかかる時間のほうが、学習そのものより長くなります。この前処理を手早く回せるかどうかが、開発の速度を決めます。

数学より先に必要な評価指標の理解

統計学や線形代数は必要ですが、着手の順序としては後ろです。先に必要なのは、モデルの良し悪しを判断するための評価指標を正しく読めることです。正解率、適合率、再現率がそれぞれ何を測っているのかを理解していないと、数字が出ていても、それが使えるモデルなのか判断できません。

数学が効いてくるのは、モデルが期待通りに動かない原因を追うときや、アルゴリズムを選ぶ根拠を説明するときです。動くものを一度作った後のほうが、何のための数式なのかが腑に落ちます。機械学習そのものの仕組みを押さえたい場合は機械学習とは？初心者にもわかるよう仕組み・種類・活用例を簡単に解説から始めてください。

学習の進捗を客観的に測りたい場合、日本ディープラーニング協会のG検定が目安になります。公式サイトによれば受験資格に制限はなく、受験費用は一般13,200円（税込）・学生5,500円（税込）、オンライン実施は試験時間100分・出題数145問程度の知識問題（多肢選択式）です（2026年9月18日時点）。

手元で動かす最小のAI開発

ここからは実際に動かします。以下のコードは scikit-learn 1.6.1／Python 3.9.6（Intel Core i9-9880H、CPUのみ）で実行し、掲載している出力はその実行結果です。データはscikit-learnに同梱されているため、データファイルの準備は不要です。コードを実行するPython環境には、事前にscikit-learnとNumPyをインストールしてください。

学習から評価までの一連の流れ

AI開発の中核は、データを学習用と検証用に分け、学習させ、手元に残しておいた検証用データで測る、という流れです。この分割を省いて全データで学習・評価すると、答えを見ながら答え合わせをすることになり、数字は良くなっても実用にはなりません。

from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
from sklearn.pipeline import make_pipeline
from sklearn.metrics import accuracy_score, recall_score, precision_score

X, y = load_breast_cancer(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=0, stratify=y)

model = make_pipeline(StandardScaler(), LogisticRegression(max_iter=1000))
model.fit(X_train, y_train)
pred = model.predict(X_test)

print('accuracy :', round(accuracy_score(y_test, pred), 3))
print('precision:', round(precision_score(y_test, pred), 3))
print('recall   :', round(recall_score(y_test, pred), 3))

実行結果は次のとおりです。

accuracy : 0.982
precision: 0.973
recall   : 1.0

AI開発の骨格はこの十数行に収まっています。データを読み、分割し、学習させ、評価する。実務で複雑になるのは、この前後にあるデータの収集と整形、そして運用の部分であって、モデルを学習させる工程そのものではありません。

不均衡データにおける正解率単独評価の落とし穴

初学者が最もはまりやすいのが、正解率だけでモデルを評価してしまう失敗です。これは説明よりも動かしたほうが早いので、不均衡なデータを作って確かめます。

このデータでは0が悪性、1が良性です。先ほどのコードの適合率・再現率は良性（1）を対象にしていました。次のコードは、悪性（0）を間引いて偏りのあるデータを作り、何も学習しないモデル（常に多数派を答えるだけのモデル）を当てはめたものです。再現率の対象も悪性（0）に変更しています。

import numpy as np
from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split
from sklearn.dummy import DummyClassifier
from sklearn.metrics import accuracy_score, recall_score

X, y = load_breast_cancer(return_X_y=True)
rng = np.random.default_rng(0)
pos = np.where(y == 0)[0]
keep = rng.choice(pos, size=int(len(pos) * 0.1), replace=False)
idx = np.concatenate([np.where(y == 1)[0], keep])
X, y = X[idx], y[idx]
print('少数派の割合:', round((y == 0).mean(), 3))

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.3, random_state=0, stratify=y)

dummy = DummyClassifier(strategy='most_frequent').fit(X_train, y_train)
pred = dummy.predict(X_test)
print('accuracy:', round(accuracy_score(y_test, pred), 3))
print('recall  :', round(recall_score(y_test, pred, pos_label=0), 3))

実行結果は次のとおりです。

少数派の割合: 0.056
accuracy: 0.947
recall  : 0.0

正解率94.7％という数字だけを見れば優秀に見えます。しかしこのモデルは入力特徴量を使わず、学習用ラベルの多数派だけを予測するため、見つけるべき少数派を1件も検出できていません（再現率0.0）。不良品検査、不正検知、故障予知のように少数派を見つける用途では、多数派ばかりを予測しても正解率が高くなる場合があります。この性質を知らないまま報告すると、使えないモデルが合格と判定されます。

対策は難しくありません。正解率と併せて、見つけるべき側の再現率と適合率を必ず確認することです。評価指標をどう選ぶかは、モデルの選択より先に決めるべき設計事項だと考えてください。

個人のAI開発で実装できる範囲と計算資源の制約

「AIは個人で開発できるのか」という疑問には、対象を分けて答える必要があります。

個人で十分に作れるのは、表形式データの分類・予測・異常検知、そして学習済みモデルやAPIを組み合わせたアプリケーションです。本記事のコードがそのまま示すとおり、環境も費用もほとんどかかりません。既存の画像認識モデルを追加学習する場合は、GPUの時間単価と想定利用時間に、保存容量などの費用を加えて予算内に収まるか確認します。

一方、大規模言語モデルを一から学習させることは、個人では現実的ではありません。必要な計算資源とデータ量の桁が違うためです。ただし、既存モデルを使って目的に合った挙動をさせる工夫は個人でも十分にでき、実務で求められているのもこちらの領域です。

この住み分けは、仕事としてのAI開発でも同じです。AI開発の仕事には、モデルを一から開発する役割と、既存モデルを組み合わせてシステムを実装する役割があります。職種としての整理はAIエンジニアリングとは？AIエンジニアの仕事内容・スキル・年収を公的統計で整理を参照してください。

AI開発初心者の失敗例と予防策

ここまでの内容を踏まえ、着手後に起きやすい失敗を4つ挙げます。

1つ目は、目的を決める前にデータを集め始めることです。「何を予測し、その予測をどう業務に使うか」が決まっていないと、集めたデータが目的に対して不足しているという事態が後から判明します。必要なデータは目的から逆算して決まります。

2つ目は、正解ラベルの定義が人によってぶれることです。複数人でアノテーションを行う場合、判断基準を文書化しておかないと、同じ対象に違うラベルがつきます。モデルはその矛盾をそのまま学習するため、精度が頭打ちになります。

3つ目は、評価指標の取り違えです。前章で示したとおり、不均衡なデータでは正解率だけで少数派の検出性能を判断できません。何を見つけたいのかによって、見るべき指標は変わります。

4つ目は、公開して終わりにすることです。AIは、学習したときのデータの傾向が現実とずれていくと、放置するだけで精度が落ちます。定期的に実データで測り直し、必要なら再学習する体制が要ります。この運用の仕組みはMLOpsとは？機械学習の運用を支える仕組みと導入判断をわかりやすく解説で扱っています。

AI開発者に求められる公的ルール

個人の学習段階では意識しにくいものの、AI開発には国内の公的な指針が整備されています。総務省と経済産業省が公表する「AI事業者ガイドライン（第1.2版）」（令和8年3月31日）です。

このガイドラインは第1部「AIとは」から第5部「AI利用者に関する事項」までで構成され、AIに関わる主体をAI開発者・AI提供者・AI利用者の3つに分けたうえで、第3部をAI開発者に関する事項に充てています。つまり、AIを作る側は利用する側とは別の責任を負う立場として明示されています。

第3部で挙げられている事項は、開発のライフサイクルに沿って次の3段階に整理されています。

初学者の段階で実務に直結するのは「データ前処理時」の2項目です。学習に使うデータを適正に収集し、第三者の個人情報や知的財産権に留意が必要なものが含まれる場合は法令に従って扱うこと、そして学習データに含まれるバイアスに配慮することが求められています。ネット上のデータを無条件に集めて学習させる、という進め方はこの時点で外れます。

法制度の面でも前提が変わりました。同ガイドラインは冒頭で、「人工知能関連技術の研究開発及び活用の推進に関する法律」（令和7年法律第53号）が2025年6月に公布、9月に全面施行されたと記しています。

なお、企業側の状況としては、総務省「令和8年版 情報通信白書」が、生成AIについて「積極的に活用する方針である」または「活用する領域を限定して利用する方針である」と回答した日本企業の割合を68.9％と報告しています（2025年度企業向け調査。前年度調査では49.7％、大企業74.0％・中小企業58.1％）。前年度から大きく上昇していますが、これは企業の活用方針を尋ねた調査であり、開発人材の需給や待遇までは読み取れません。

よくある質問

AI開発を始めるのに数学は必須ですか？

着手の段階では必須ではありません。先に必要なのはPythonとデータ操作、そして評価指標の理解です。統計学や線形代数は、モデルが期待通りに動かない原因を追う段階や、手法の選択根拠を説明する段階で効いてきます。動くものを一度作ってから学び直すほうが、何のための数式かが理解しやすくなります。

AI開発にGPUは必要ですか？

扱う対象によります。表形式データの分類や予測であればCPUで完結します。本記事で実測した例では、455件・30項目の学習が中央値0.008秒で終わりました（7回計測）。画像認識や言語モデルの学習でも、小規模ならCPUで実行できます。GPUはモデル規模、必要メモリ、許容時間を基準に検討します。

学習データは何件あれば足りますか？

問題の難しさによって変わるため、一律の目安は示せません。ただし練習段階であればライブラリ同梱の数百件規模で一連の流れを体験できます。実務では件数よりも、正解ラベルの定義が一貫しているかどうかが精度を左右します。

正解率が高ければ良いモデルと言えますか？

言えません。滅多に起きない事象を見つける用途では、何も学習していないモデルでも正解率は高く出ます。本記事の実測では、常に多数派を答えるだけのモデルが正解率94.7％を記録し、見つけるべき少数派の再現率は0.0でした。正解率に加えて再現率と適合率を必ず確認してください。

AI開発は個人でもできますか？

対象を選べば可能です。表形式データの分類・予測、学習済みモデルやAPIを組み合わせたアプリケーション開発は個人の環境で十分に作れます。大規模言語モデルを一から学習させることは、必要な計算資源とデータ量の点で現実的ではありません。

関連記事

• AI開発とは？工程・費用相場・内製と受託の判断基準【2026年版】
• 機械学習とは？初心者にもわかるよう仕組み・種類・活用例を簡単に解説
• アノテーションとは？AI・機械学習の教師データ作成の種類・やり方・品質管理を解説
• AIエンジンとは？仕組み・種類と提供形態別の選び方を解説
• MLOpsとは？機械学習の運用を支える仕組みと導入判断をわかりやすく解説