急に朝礼をお願いされたので書きました。
感謝ですね。

##はじめに
①「人工知能ってなんか凄いよね！ディープラーニングで畳み込みだよね？」
②「AIを使って学習から画像認識を行い分類推論を行うアプリケーションを作成できます」

①と②の間には大きな壁がありますが、この記事を見れば3時間で②の状態に到達できます。
プログラミング未経験でも大丈夫。技術的な事は書きません。というかあんまり知りません。
コピペしましょう。

使用技術
・python
・Teachable Machine
・ngrok
・MessagingAPI

用意するもの
・windowsPC
・ネット環境
・時間

##流れ
AIアプリ開発で面倒なのは、サーバーの構築とフロントだと思います。
そこで今回はngrockを使い爆速でサーバーを構築。
LINEのMessagingAPIを使用する事で爆速でフロントを構築します。
ゴールはこんな感じ。

##①画像準備
Teachable Machineを使って教師データを作成します。
Teachable Machineとはgoogleが開発した画像認識のモデルをノーコードで作成してくれるアプリです。
モデルはダウンロードできるので他の環境で使用できますし、アップロードすればAPIとしてアクセスする事も出来ます。

事前準備としてAIに教える為の画像が必要になります。例えば犬と猫を判別したい場合は10～30枚ずつあればよいかと思います。
余裕がある方は更に、他の画像を用意しても面白いと思います。
写真はなんでも良いのですが、手持ちがない方はフリー素材のサイトから入手して下さい。著作権に触れる行為はお気をつけ下さい。

##②モデル構築
https://teachablemachine.withgoogle.com/

URLにアクセスして→「使ってみる」→「画像プロジェクト」を選択します。
画像分類をするので、アップロードをクリックして画像をアップロードして下さい。
30枚ぐらいあると良いですが、10枚でも結構いけます。
今回は猫と犬の画像を教師データとして使用しますのでクラス分けを犬と猫にします。

##②モデルダウンロード

アップロードが終わったらトレーニングを押して（ちょっと時間かかります）エクスポートモデルを選択して下さい。
そうすると下の画像の画面になるので、「Tensorflow」と「savedmodel」を選択して「モデルをダウンロード」を選択して下さい。
これで分類モデルの完成です。簡単ですね。ダウンロードしたモデルは「model.savedmodel」という名前で保存されていると思います。
また後で使います。

##③フォルダの準備
imagebotとか好きな名前を作成してディレクトリを作成します。
直下に先ほど作成した「model.savedmodel」を配置します。
同じくpythonファイルも準備しますので、テキストファイルを開いてimagebot.pyと名前を変更して下さい。
拡張子がpyであれば名前は何でも良いです。

##④LINE公式アカウント作成
フロントとなるLINEを準備します。LINEディベロッパーツールから適当に作成しましょう。
作成したら「チャネルアクセストークン」「チャネルシークレット」を保存しておきます。後で使います。

##⑤pythonのインストールと必要なライブラリのインストール
※爆速で行う為、依存関係完全無視です。今後も開発等行うPCの場合はVenvやanaconda等で開発環境を作成して下さい。
下記からpythonをインストールします。バージョンは3.7にして下さい。
https://www.python.org/

コマンドプロンプトを起動して、必要なライブラリをインストールします。

pip install line-bot-sdk==1.8.0
pip install TensorFlow==2.2.0
pip install　Flask==1.1.2
pip install numpy==1.18.1

##⑥プログラム作成
imagebot.pyに以下のコードを貼り付けます。
「チャネルアクセストークン」と「チャネルシークレット」は③で保存した値に置き換えてください。
※tensorflowでモデルをロードしておいて、Flaskでサーバーを立ち上げています。
line-bot-sdkを使って画像が来たら推論をして、結果をテキストで返しています。

import numpy as np
from PIL import Image, ImageOps
import tensorflow
from flask import Flask, request, abort
import os
import numpy as np
from pathlib import Path
from linebot import (
    LineBotApi, WebhookHandler
)
from linebot.exceptions import (
    InvalidSignatureError
)
from linebot.models import (
    MessageEvent, TextMessage, TextSendMessage, ImageMessage
)
app = Flask(__name__)
imagepath = ""

#自分のLINE botのデータを設定する。
line_bot_api = LineBotApi('チャネルアクセストークン')
handler = WebhookHandler('チャネルシークレット')

# 署名検証とエラー処理
@app.route("/callback", methods=['POST'])
def callback():
    # get X-Line-Signature header value
    signature = request.headers['X-Line-Signature']

    # get request body as text
    body = request.get_data(as_text=True)
    app.logger.info("Request body: " + body)

    # handle webhook body
    try:
        handler.handle(body, signature)
    except InvalidSignatureError:
        abort(400)

    return 'OK'
@handler.add(MessageEvent)
def handle_message(event):
# # これやらないとテストの時にエラー起きるらしい。
    if event.reply_token == "00000000000000000000000000000000":
        return
    line_bot_api.reply_message(event.reply_token,TextSendMessage(text='爆速なのでテキストには対応していません！ごめんなさい。画像を送ってね！'))
@handler.add(MessageEvent, message=ImageMessage)
def handle_image(event):
    message_id = event.message.id
    imagepath=f"{message_id}.jpg"
    # message_idから画像のバイナリデータを取得
    message_content = line_bot_api.get_message_content(message_id)
    with open(imagepath, "wb") as f:
        for chunk in message_content.iter_content():
            f.write(chunk)
    image = Image.open(imagepath)
    size = (224, 224)
    image = ImageOps.fit(image, size, Image.ANTIALIAS)
    image_array = np.asarray(image)
    normalized_image_array = (image_array.astype(np.float32) / 127.0) - 1
    data[0] = normalized_image_array
    #丸め関数
    def round_func(x):
        return round(x*100, 5)
    prediction = model(data).numpy()
    res_text = f"この画像が猫の可能性は\n{round_func(prediction[0][0])}%です！\n犬の可能性は\n{round_func(prediction[0][1])}%です！"
    line_bot_api.reply_message(event.reply_token, TextSendMessage(
        text=res_text))

#モデルロード
np.set_printoptions(suppress=True)
export_dir = 'model.savedmodel'
model = tensorflow.saved_model.load(export_dir)
data = np.ndarray(shape=(1, 224, 224, 3), dtype=np.float32)


if __name__ == "__main__":
    app.run()

##⑦サーバーを構築します。
AWSやherokuやら時間がかかるサーバー構築も爆速です。なぜならngrokを使います。
あなたのPCが今からWEBサーバーです。使い方は下記のURLが分かりやすいです。
https://qiita.com/mininobu/items/b45dbc70faedf30f484e

今回はFlaskを使っているので、5000を開放します。

ngrok http 5000

成功すると以下の画面になりますので、URLをコピーしましょう。
HttpsのURLじゃないと動かないです。LINEの仕様です。

Session Status                online 
Account                       登録したアドレス (Plan: Free)
Version                       2.3.35 
Region                        United States (us) 
Web Interface                 http://127.0.0.1:4040                                                                     
Forwarding                    http://生成されたURL.ngrok.io -> http://localhost:5000 
Forwarding                    https://生成されたURL.ngrok.io -> http://localhost:5000

⑦LINEにURLを登録
画像を参考にさっきコピーしたURLをペーストして下さい。その後設定のチェックをします。
下記と同じにしましょう。

〇公式アカウント管理画面から
・応答モード→BOT
・WEBhook→オン
・応答メッセージ→オフ
〇developers管理画面から
・Webhookの利用→オン

##⑧完成！お疲れ様でした。

developers管理画面のMessagingAPI設定から自分のLINEアカウントのQRコードが見れるので、追加して画像を送信してみましょう！
うまく返してくれたら成功です。

##まとめ
物理学者リチャード・ファインマンは「自分が作れないものは理解できない」と名言を残しています。
手軽に人口知能を体験して理解を深めて頂ければ幸いです。

※記事も爆速で書いています。コードのミスなどありましたら修正致しますのでご指摘下さい。