はじめに
最近、LLMを使ったプロダクト開発に携わる中で、自分の知識の穴を痛感する場面が増えた。RAGパイプラインを組むにしても、ベクトル検索の仕組みを表面的にしか理解していないと、精度が出ないときに原因を追えない。LangChainのようなフレームワークを使えば動くものは作れるが、内部で何が起きているか分からないまま本番に出すのは怖い。
そこで改めて基礎から学び直そうと、NLP、データシステム設計、LLMアプリケーション構築に関する書籍を読み漁った。結果、自分の中で「この順番で読めば効率がいい」という流れが見えてきた。
本記事では、生成AIの開発力を底上げするために実際に役立った5冊を紹介する。全体像の把握から深掘り、そして実装へと段階的にスキルを積み上げられる構成にしている。
① 機械学習エンジニアのためのTransformers ―最先端の自然言語処理ライブラリによるモデル開発 — Lewis Tunstall, Leandro von Werra, Thomas Wolf
著者3名はHugging Faceの中核メンバーであり、Transformersライブラリの開発・運用に直接関わっている。
この本はTransformerアーキテクチャの理論から始まり、テキスト分類、要約、質問応答といったタスクごとにHugging Face Transformersライブラリを使った実装を解説する。モデルの学習、評価、デプロイまで一気通貫で扱っているのが強みである。
ファインチューニングの章では、実務で遭遇しがちなデータ不足やラベルノイズへの対処法にも触れている。コード例が豊富で、Jupyter Notebookを手元で動かしながら読み進められる。
個人的に刺さったのは、モデル蒸留や量子化に関する章だ。本番環境でレイテンシを詰める必要があるとき、この知識があるかないかで打ち手の幅が大きく変わる。
こんな人に: LLMの仕組みを理解した上でファインチューニングや推論最適化まで実践したいエンジニア
② データ指向アプリケーションデザイン — Martin Kleppmann
著者のMartin Kleppmannはケンブリッジ大学の研究者で、分散システムとデータ基盤の設計に関する第一人者として知られる。
生成AIとデータベースは一見遠い話に思えるかもしれない。しかしRAGを構築する際、ベクトルDBの選定やインデックス戦略を考える場面で、データシステム全般の設計知識が効いてくる。本書はレプリケーション、パーティショニング、トランザクション、バッチ処理とストリーム処理を体系的に整理している。
図解が秀逸で、複雑な概念も視覚的に理解しやすい。特に「信頼性」「スケーラビリティ」「保守性」の3軸でシステムを評価するフレームワークは、LLMアプリのアーキテクチャ設計にもそのまま応用できる。
注意点として、本書は特定の言語やフレームワークに依存しない抽象度の高い内容だ。すぐに手を動かしたい人は、次に紹介するベクトル検索の本と併読するといい。
こんな人に: RAGや検索拡張システムの裏側を支えるデータ基盤を正しく設計したい人
③ Generative AI with LangChain — Ben Auffarth
著者のBen Auffarthはデータサイエンティストとして長年のキャリアを持ち、Pythonによる機械学習の実践書を複数執筆している。
LangChainはLLMアプリ開発のデファクトフレームワークになりつつあるが、公式ドキュメントだけではアーキテクチャの全体像が掴みにくい。本書はChains、Agents、Memory、Retrievalといったコア概念を順序立てて解説し、各コンポーネントの組み合わせ方をコード付きで示してくれる。
RAGパイプラインの構築例やツール呼び出しを伴うAgentの実装例が具体的で、読後すぐにプロトタイプを組める実用性がある。LangChainのAPIは変化が速いため、バージョン差異に注意しながら読む必要はあるが、設計思想を理解しておけばアップデートへの追従も楽になる。
こんな人に: LangChainを使ってLLMアプリを素早くプロトタイピングし、本番投入まで持っていきたい開発者
④ 達人プログラマー（第2版）：熟達に向けたあなたの旅 — Andrew Hunt, David Thomas
著者の2人はアジャイル宣言の署名者でもあり、ソフトウェア開発の原則を数十年にわたって言語化し続けてきた。
LLMアプリ開発はR&D的な側面が強く、コードが散らかりやすい。実験用のスクリプトがそのまま本番に流れ込み、テストもリファクタリングもないまま技術負債が積み上がる。本書が説く「DRY原則」「直交性」「曳光弾」といった概念は、こうした混沌を防ぐ防波堤として機能する。
第2版ではモダンな開発環境に合わせた内容の刷新が行われており、並行性やドメイン言語に関する章も充実している。生成AI固有の話題は扱っていないが、ソフトウェアエンジニアリングの土台を固めるには外せない一冊だ。
こんな人に: AI系プロジェクトでコード品質や保守性に課題を感じているエンジニア
⑤ Generative AI on AWS — Chris Fregly, Antje Barth, Shelbee Eigenbrode
著者陣はAWSのAI/MLスペシャリストとして、Bedrock、SageMakerをはじめとするサービスの設計・普及に深く関わっている。
本書はテキスト、画像、音声を横断するマルチモーダルAIアプリケーションの構築を、AWSのサービス群を活用しながら実践的に解説する。基盤モデルの選定からプロンプトエンジニアリング、ファインチューニング、デプロイ、モニタリングまで、プロダクション環境に必要な工程を一通りカバーしている。
AWSに依存する部分は多いが、マルチモーダルAIのワークフロー設計やコスト最適化の考え方は他のクラウドにも応用可能だ。複数のモダリティを組み合わせたシステムを設計する際の指針として価値がある。
こんな人に: マルチモーダルな生成AIアプリをクラウド上で構築・運用したいエンジニア
まとめ
| ステップ | 読む本 | 得られるもの |
|---|---|---|
| 1. Transformerの基礎固め | 機械学習エンジニアのためのTransformers | モデルの仕組みとファインチューニング力 |
| 2. データ基盤の設計力 | データ指向アプリケーションデザイン | スケーラブルなシステム設計の判断軸 |
| 3. LLMアプリの実装力 | Generative AI with LangChain | RAG・Agent構築の実践スキル |
| 4. コード品質の底上げ | 達人プログラマー | 保守性の高い開発習慣 |
| 5. マルチモーダル対応 | Generative AI on AWS | 複数モダリティを統合する設計力 |
今の課題別に1冊選ぶなら:
- LLMの中身をちゃんと理解したい → 「機械学習エンジニアのためのTransformers」
- RAGの精度が出なくて困っている → 「データ指向アプリケーションデザイン」
- とにかく早くLLMアプリを動かしたい → 「Generative AI with LangChain」
- チーム開発でコードが崩壊しがち → 「達人プログラマー」
- 画像や音声も扱うシステムを作りたい → 「Generative AI on AWS」