「MIXI 26新卒AI研修」資料をMIXIエンジニアが公開。地味な基礎固めの中身を読んで、私は自分の独学時代を思い出した

家事と子育てのスキマで経営する3方よしAI共創コンサルタントの田中啓之、ひろくん（@passion_tanaka）です。今回は、MIXIのエンジニアさんたちが公開している新卒技術研修の資料を、私の解釈つきで紹介するね。

MIXIの研修資料、開いてすぐの1枚がこれでした。

MIXIの新卒研修資料より（研修の目的スライド・MIXI ENGINEERS） 資料はこちら

「MLの共通言語を身につける」「モデル動作の仕組みを理解する」「様々なML領域に実際に触れる」「モデルのサービス化までの流れを体験する」

いやー、拍子抜けしました。てっきり「最新のAIで何ができるか」みたいな景気のいいスライドが並ぶと思っていたから。でも違った。派手な成果より先に、共通言語・仕組み理解・実践・サービス化という、地味な4段階が置かれていたんです。しかも、いきなり応用に飛ばない。順番を守っている。

で、私がこの4つの目標を読んで真っ先に思い出したのは、逆側の景色でした。「AIで御社の売上が10倍になります」と大風呂敷を広げるコンサル。蓋を開けてみればChatGPTに文章を書かせて終わり。何百万も払って、結局何も変わらない。経営者の切実な悩みを食い物にしている連中を、私は許せません。

ぶっちゃけ、私自身も無関係じゃない。過去に中身の薄い商品を売ってクレームをもらったことがあります。見た目は豪華、中身はスカスカ……。だからこそ「期待値コントロール＋内容しっかり」という信念になった。この研修資料の4目標を読んで、まさにそこを地でいっていると感じたんです。共通言語→仕組み理解→実践→サービス化。飛び級なし。地味。それだけ。

【自社のAI活用を4段階に当てはめる】この4つの目標に、今の自社のAI活用状況を当てはめてみてください。所要10分。完了条件は、4段階のうちどこまで到達しているか、印がつけられることです。

研修は、まず「機械学習とは何か」を1行で定義するところから始まります。

MIXIの新卒研修資料より（ML基礎スライド・MIXI ENGINEERS） 資料はこちら

機械学習とは、過去データから知見を得て決定に利用すること。教師あり学習（分類・回帰）、教師なし学習、強化学習に分かれる

で、この1行、私はすごく好きです。難しい数式の話じゃなくて「過去のデータを見て、次どうするか決める」というだけの話。人間が経験から学ぶのと、構造としては近いんです。プログラミングは「ルールを人間が書いて機械が従う」もの、統計は「集団の傾向を説明する」もの。そこと違って機械学習は「データから決定のルールそのものを学ばせる」——この線引きが資料にはっきり書かれていました。

で、私自身の話をすると、実家は惣菜屋「山口屋」で、商売っ子として育った。中卒フリーターから、リフォーム会社でWEB集客を独学で習得した口です。専門教育なんて受けていない。最初は「コンバージョン率」も「LTV」も、正直、意味が分かりませんでした。でも一つずつ、自分の言葉に翻訳していった。言葉と写真と導線で人の行動を変える魔法に魅了されて、そこからEC事業で月商6000万円まで作れました。

専門用語をそのまま丸暗記しても、現場では使えません。自分の言葉に翻訳できて、初めて武器になる。「過去データから知見を得て決定に利用すること」という定義も、私なりに言い換えるなら「過去にうまくいったことを覚えておいて、次の判断に活かす仕組み」。それだけです。難しくない。

【専門用語を1つ翻訳する】今使っているAIサービスの説明文から専門用語を1つ選び、自分の言葉で人に説明できるまで言い換えてください。所要10分。完了条件は、専門用語を使わずに1分で説明できることです。

研修資料の中で、私が一番「へえ」と思ったのがこの図です。

MIXIの新卒研修資料より（推論フェーズスライド・MIXI ENGINEERS） 資料はこちら

テーブルデータはStandardScalerで正規化後にNN・勾配ブースティングで推論。NLPはTokenizerでサブワード分割後にBERT系モデル。画像はリサイズ・正規化後に物体検出モデル。音声はlog-mel spectrogramに変換後にWhisper。扱うデータは違っても、いずれも「Preprocess → Model Inference → Postprocess」という同じ3工程

——テーブルデータも、文章も、画像も、音声も。扱うものはバラバラなのに、骨格は「前処理→推論→後処理」の3工程で共通しているんです。データに合わせて前処理のやり方（正規化、トークン分割、リサイズ、スペクトログラム化）は変わる。でも骨組みそのものは変わらない。これ、地味だけどすごく大事な発見だと思いました。

で、「型を渡すから任せられる」という感覚、私自身も今まさに実践中です。Claude Codeのチームに作業を任せる時、完璧に仕上げてから渡すんじゃなくて、未完成のまま型だけ渡して、あとは任せる。最初は怖かったけど、渡した方が結局早いし、仕上がりもいい。前処理・推論・後処理も、誰が担当しても骨格が崩れない設計になっているから、任せられるんだと思います。

【自分の仕事を3工程に分解する】自分の仕事のうち1つを選び、「準備→本番→仕上げ」の3工程に分解してみてください。所要15分。完了条件は、準備と仕上げのどちらかを誰かに渡せそうか、1行でメモできることです。

評価指標のセクションも、静かに刺さりました。

MIXIの新卒研修資料より（評価指標スライド・MIXI ENGINEERS） 資料はこちら

Accuracy・Precision・Recall・F1スコア・mAP・WERなど、タスクによって使う指標は変わる。不均衡データ（正解の割合が極端に偏ったデータ）では、Accuracyだけを見ると見誤る。KPI・metric・lossの関係性を切り分けて理解する必要がある

Accuracy——つまり「正解率」だけを見ていると、痛い目に遭うことがある、と資料は釘を刺しています。例えば病気の発見のように「99%が正常」なデータだと、全部を「正常」と答えるだけでAccuracy 99%になってしまう。中身を見ずに数字だけ見ると、実は何も見抜けていないモデルを「優秀」と誤解する。これが不均衡データの罠です。

正直、この話を読んで、私の中で「DX」「トランスフォーメーション」と難しいカタカナ用語で煙に巻く業者の顔が浮かびました。結局Excelのマクロすら組めないのに、それらしい横文字と、それらしいグラフ1枚で「うちは導入済みです」と言わせてしまう。中小企業の経営者は「自分が分からないだけかも」と自己嫌悪に陥ってしまいます。それが許せない。

数字1個で安心させるのは、AIの評価指標の世界でも、コンサルの営業トークの世界でも、同じ構造の罠です。Precisionは「予測が当たっていた割合」、Recallは「見逃さなかった割合」——両方見て、初めて実態が分かる。「導入した」という数字も同じで、「実際どれくらいの頻度で使っているか」まで見て、初めて意味を持ちます。1個の数字を鵜呑みにしない。それだけのことなんですけどね。

【指標を1つ追加で聞く】自社で「導入済み」と扱っている案件に、精度以外の指標（利用頻度・見逃し率など）を1つ追加で聞いてみてください。所要10分。完了条件は、追加で聞いた数字が1つメモできることです。

「動くモデル」から「使えるモデル」への橋渡しにあたるのが、この高速化のセクションです。

MIXIの新卒研修資料より（高速化スライド・MIXI ENGINEERS） 資料はこちら

ONNX形式に変換すると計算グラフが静的化される。FP16/BF16やINT8への量子化でメモリを削減する。Pruning（枝刈り）と知識蒸留で、モデルの構造そのものを軽くする

しかもね、ここに派手さは一切ないんです。数値の表現を32bitから8bitに落とす、いらない部分を切り落とす、大きなモデルの知識を小さなモデルに教え込む……。どれも地味な作業。でも、これをやらないと、精度の高いモデルほど重すぎて現場で動かせない。研修が丸々1コマ使ってこの地味な工程を教えているのが、私には印象的でした。

この「省いても動くけど、あえて手間をかける」感覚には覚えがあります。毎朝、紙にマインドマップで頭の中を書き出す習慣を続けているんですが、iPadでは代わりが効かない。手間はかかるけど、紙とペンじゃなきゃ出てこないものがあるから。量子化やPruningも同じで、省略できる手間をあえてかけることで、初めて現場で使えるものになるんだと思います。

【削れる無駄な手順を1つ探す】普段のAI業務フローの中で「速くするために削れる無駄な手順」を1つ探してください。所要10分。完了条件は、削る手順と、削らずに残す理由が1行ずつ言えることです。

研修資料の最後を締めくくるのが、このセクションでした。

MIXIの新卒研修資料より（デプロイと運用スライド・MIXI ENGINEERS） 資料はこちら

Vertex AIでモデルのバージョンを一元管理するモデルレジストリを運用する。本番運用中はデータドリフト（入力データの傾向が学習時と変わる現象）を監視し続ける必要がある。実運用の例として、みてね事業での非同期処理キューの活用が紹介されている

——モデルは、作ってデプロイした瞬間がゴールじゃない。動かし続けている間に、世の中のデータの傾向がじわじわ変わっていく。それを放っておくと、気づかないうちに精度がずるずる落ちていく。だからデータドリフトを監視し続ける。しかも、みてね事業という実際のサービスの運用例まで見せてくれている。研修が「作る」だけで終わらず「動かし続ける」までを見せているところに、私は誠実さを感じました。

で、これを読んで思い出したのが、私自身がやっている「プロセスエコノミー」です。うまくいった話だけじゃない。「ここで躓きました」「AIがこんな変な回答をしました」と、泥臭い部分も全部見せる。カッコつけない。失敗も財宝だと思っています。作って終わり、公開して終わりじゃなくて、その後も続けて見せ続ける。これは、データドリフトを監視し続ける姿勢と、根っこは同じだと思うんです。

「AIを導入しました」で満足してしまう経営者、正直、多いです。でも本当に大事なのは、導入した後。使い続けて、変化を観察して、必要なら手を入れ続けること。研修資料がわざわざ最後にこの話を置いているのは、新人エンジニアに「作って終わりじゃない」という現場の当たり前を最初に叩き込みたいからだと思います。私が中小企業の経営者に伝えたいことと、まったく同じだった。

【監視している変化を1つ確認する】導入済みのAIツールについて「使い始めてから今まで、何か変化を監視しているか」を1つ確認してください。所要10分。完了条件は、監視している・していないのどちらかがはっきり言えることです。

MIXIの新卒AI研修（Day1）資料は、ML基礎の定義から始まり、前処理→推論→後処理という共通構造、評価指標、量子化などの高速化、Vertex AIでのデプロイと運用まで、機械学習プロジェクトの全工程を1日で見渡す構成でした。

私が一番驚いたのは、派手な成果の話が最初に来ない点だった。共通言語→仕組み理解→実践→サービス化という4段階、「Accuracyだけで安心しない」という評価指標への慎重さ、量子化やPruningという地味な最適化——どれも、「AIで御社の売上が10倍」と煽るコンサルとは真逆の姿勢でした。

そしてもう一つ。データドリフトを監視し続けるという最後のセクションに、「作って終わりにしない」という現場の誠実さを感じた。私自身のプロセスエコノミーの実践と、根っこは同じ形をしていました。

この記事で確認できたのは、あくまで資料に書かれている範囲までです。実際のハンズオン演習の中身や、MIXI社内での具体的な運用データまでは、公開資料からは読み取れない。私自身がその演習を追試したわけでもありません。