Path B: 技術者のための AI システム構築
最終更新: 2026-08-04
概要
- 対象読者: EC の開発/データ/BI に携わる技術者
- 前提条件: Python の基礎(または学びながら進める意思。コードは AI が手伝ってくれる)
- 時間投入: 1 日 1 時間、4〜8 週間で体系的に習得
- 主な成果物: デプロイ可能な AI ツール
AI 駆動の EC ツールとシステムを、スクリプトからプロダクト級のアプリケーションまで構築する
flowchart LR
B1["B1 データ収集\nと処理"] --> B2["B2 予測モデル\nと意思決定"]
B2 --> B3["B3 RAG\nナレッジベース"]
B3 --> B4["B4 AI Agent\nと自動化"]
B4 --> B5["B5 ローカルモデル\nデプロイと微調整"]
モジュールナビゲーション
| モジュール | テーマ | 難易度 | 想定時間 | 内容 |
|---|---|---|---|---|
| B1. データ収集と処理の自動化 | データパイプライン | 入門 | 4〜6 時間 | Amazon レポートからクレンジング済み分析データセットまで |
| B2. 予測モデルと意思決定 | 予測モデリング | 中級 | 6〜8 時間 | 販売予測モデルで補充判断を支える |
| B3. RAG ナレッジベースシステム | ナレッジベース | 中級 | 6〜8 時間 | 社内文書にもとづく AI Q&A システム |
| B4. AI Agent とワークフロー自動化 | Agent | 上級 | 8〜10 時間 | 多段階の運用タスクを自動実行する |
| B5. ローカルモデルのデプロイと微調整 | モデルデプロイ | 上級 | 4〜6 時間 | LLM をローカルで動かし、データを外に出さない |
| B6. MCP 統合と Agentic ワークフロー | MCP / Agentic | 上級 | 2〜3 週間 | MCP で Amazon Ads / Shopify をつなぎ、対話で運用する |
| B7. Review インテリジェント分析システム | NLP / トピックモデル | 中級 | 2 週間 | BERTopic トピックモデル + 感情分析 + LLM インサイト |
| B8. EC データ可視化ダッシュボード | Streamlit / Plotly | 中級 | 1〜2 週間 | 複数プラットフォーム運用ダッシュボード + AI 異常検知 |
| B9. AI 商品画像/動画生成 | ComfyUI / GPT Image 2 / FLUX.2 | 上級 | 2〜3 週間 | 商品画像の一括生成パイプライン + 動画生成 |
進捗トラッキング
[ ] B1. データ: 複数の Amazon レポートを自動で結合し集計を出すスクリプトを書く
[ ] B2. 予測: Prophet で実在 SKU の 90 日販売予測を行う
[ ] B3. RAG: 商品に関する質問に答えられる RAG システムを立てる
[ ] B4. Agent: 運用監視を自動化する Agent をデプロイする
[ ] B5. デプロイ: Ollama でローカル LLM を動かし EC タスクを 1 件こなす(選択)
[ ] B6. MCP: Amazon Ads MCP を設定し Claude との対話で広告を管理する
[ ] B7. NLP: BERTopic で 1000 件以上の Review をトピックモデリングする
[ ] B8. ダッシュボード: 4 モジュール以上の Streamlit 運用ダッシュボードを作る
[ ] B9. 画像: ある商品の AI 画像一式を生成し Amazon のコンプライアンス検査を通す
関連リソース: 技術実装ガイドライン アーキテクチャパターン、性能基準、セキュリティとコンプライアンスのチェックリスト。
Path B の完了目安: B1〜B4 のうち少なくとも 3 つを終えれば、AI の EC ツールを構築する力はついている。B5〜B9 は必要に応じて。B5 はデータを外に出さないため、B6 は運用を対話に変えるため、B7〜B9 はそれぞれ独立した完成システムにあたる。