MIXIのAI研修2026を全解剖｜新卒エンジニアに「何をどこまで」教えているのか

MIXIは2025年7月27日、2026年度新卒エンジニア向け技術研修12科目の資料・動画・実習リポジトリをすべて無料公開しました。中でも最大の話題を呼んでいるのがAI研修です。前年の1日から2日間へと大幅拡充され、Day1のスライドが339ブクマ、Day2が424ブクマと業界に大きな反響を生んでいます。

本記事では、公開されたDay1・Day2のスライドと実習内容を横断的に分析し、「大企業が2026年の新卒エンジニアに求めるAI知識の輪郭」を可視化します。この記事を読むことで、次の3点が明らかになります。

• MIXI AI研修のカリキュラム全体像と設計思想
• Day1（ML基礎編）とDay2（生成AI・LLM応用編）の設計の差分と積み上げ構造
• 新卒・現役エンジニア・研修設計者それぞれの学習への落とし込み方

MIXIが新卒AI研修を2日間に拡充した理由

「使う」から「仕組みを理解して使う」への転換

MIXIが研修を2日間に拡充した背景には、明確な設計思想があります。公式の説明によれば、「生成AIとAIエージェントの台頭により、生成されたコードや設計の妥当性を判断するための基礎知識が一層重要になっている」 という認識です。

2026年入社の新卒エンジニアは、学生時代からChatGPTやGitHub Copilotを当たり前のように使いこなしてきた「AIネイティブ世代」です。ところがMIXIはここで、AIを「使える」ことと「理解して使える」ことを明確に区別しています。

たとえばLLMがコードを生成したとき、そのコードに問題があるかどうかを判断できるか。RAGを組んだとき、検索精度が落ちた原因がベクトルDBにあるのかリランキングにあるのかを切り分けられるか。エージェントの動作がおかしいとき、どのObservationで判断が狂ったのかを特定できるか。

これらの「生成物を評価し、問題を診断する力」は、ツールの使い方だけを教える研修では育ちません。内部の仕組みを理解しているからこそ初めて機能する能力です。MIXIの研修拡充は、まさにこの「理解ベースのAI活用」を新卒の必修要件として定義した宣言と言えます。

研修資料の公開範囲

MIXIは今年度、AI研修を含む12科目すべての資料・動画・実習リポジトリを無料公開しています。AI研修はDay1（ML基礎）とDay2（生成AI・LLM・Agent応用）の2本立てで構成されており、どちらもSpeaker Deckで誰でも閲覧できます。

この公開は採用ブランディングという側面もありますが、業界全体のAIリテラシー底上げという公益的な側面も無視できません。実際、公開直後から「自社研修の参考にしたい」「独学の道標になる」という声がSNSで多数上がっており、企業カリキュラムのベンチマークとして機能しています。

MIXI AI研修のカリキュラム全体像

2日間の構成マップ

2日間の研修は、大きく「従来型ML」と「生成AI・LLM・Agent」という2つのフェーズに分かれています。

貫かれている2本の軸

一見、Day1とDay2は別物のように見えますが、研修全体を通じて2つの共通軸が一貫して強調されています。

軸1：「前処理 → モデル → 後処理」の処理フレーム

どんなタスクであれ、データの前処理・モデルの推論・結果の後処理という3ステップは変わりません。この枠組みを意識することで、新しいモデルや技術が登場したときも自分で「どの処理に相当するのか」を整理できるようになります。

軸2：「評価 → デプロイ → 再学習」の運用サイクル

モデルは作って終わりではありません。本番環境でのパフォーマンスを監視し、劣化を検知したら再学習する。このサイクルをMLOps的な視点でDay1から植え付け、Day2ではLLMアプリ固有の評価手法へと発展させる設計になっています。

Day1：機械学習の基礎編で扱う6テーマ

ML基礎理論と推論体験

Day1はまず、AI・機械学習・深層学習の定義を整理するところからスタートします。「AIとMLは何が違うのか」「深層学習はMLの一部なのか」という基礎的な概念整理は、後続の内容を正確に理解するための不可欠な土台です。

教師あり学習・教師なし学習の区分、そして強化学習の概念を押さえた上で、実際に4つのモダリティで推論を体験します。

• テーブルデータ：Irisデータセット（LightGBMによる分類）
• 自然言語処理（NLP）：BERTによるテキスト分類
• 画像認識：YOLOによる物体検出、DETRによるTransformerベースの検出
• 音声認識：WhisperによるSpeech-to-Text

この「4モダリティ横断体験」は非常によく設計されています。異なるデータ形式であっても「前処理→モデル→後処理」の処理フレームは共通であることを、体験を通じて学べるからです。実際の開発現場ではマルチモーダルなシステムを扱うケースが増えており、複数のモダリティの基礎を早期に習得しておくことは大きな強みになります。

モデル学習と評価指標

推論体験の次は、モデルを「学習させる」側の理解に進みます。

学習の仕組みとして以下を扱います。

• 損失関数（Loss Function）：モデルの誤りをどう数値化するか
• 勾配降下法（Gradient Descent）：損失を最小化するパラメータ更新のアルゴリズム
• 過学習（Overfitting）対策：Dropout、正則化、Early Stoppingなどの手法
• 転移学習（Transfer Learning）：事前学習済みモデルを活用してゼロから学習するコストを削減する手法

評価指標については、タスクごとの「正しい指標の選び方」を学びます。

分類タスク    → Precision / Recall / F1スコア
物体検出      → mAP（mean Average Precision）
音声認識      → WER（Word Error Rate）/ CER（Character Error Rate）

「何でも精度（Accuracy）で評価すればいい」という誤解を早期に解くことで、実際の開発で適切な評価設計ができるようになります。たとえば不正検知のような不均衡データではAccuracyが意味をなさず、RecallとPrecisionのトレードオフをビジネス要件に合わせて調整する必要があります。このような「指標の選び方そのものを学ぶ」設計は、実務直結型の研修として際立っています。

高速化・デプロイ・MLOps

Day1後半は、モデルを実際にサービスに組み込む上で避けて通れない実装技術を扱います。

高速化技術として以下の3つを学びます。

• ONNX変換：PyTorchで学習したモデルをフレームワーク非依存の形式に変換し、様々な推論環境で動作させる技術
• FP16/INT8量子化：モデルの重みの精度を下げることでメモリ使用量と推論時間を削減。INT8は精度低下と速度改善のトレードオフに注意が必要
• 知識蒸留（Knowledge Distillation）：大きな「教師モデル」の知識を小さな「生徒モデル」に転移させる手法

# ONNX変換の基本的な流れ（PyTorch）
import torch
import torch.onnx
import torchvision.models as models

# モデルの定義（例：ResNet18の事前学習済みモデル）
model = models.resnet18(pretrained=False)
model.eval()

# モデルのダミー入力（バッチサイズ1、チャンネル3、224×224）
dummy_input = torch.randn(1, 3, 224, 224)

# ONNX形式でエクスポート
torch.onnx.export(
    model,
    dummy_input,
    "model.onnx",
    export_params=True,
    opset_version=11,
    input_names=["input"],
    output_names=["output"]
)

デプロイ・運用については以下を扱います。

• Google Vertex AI Inference：マネージドな推論エンドポイントの構築
• MLOpsライフサイクル：データ収集→前処理→学習→評価→デプロイ→監視→再学習のサイクル全体
• データドリフト監視：本番データの分布が学習データから乖離していないかを継続的に検知する手法

データドリフトの検出は、実際の開発現場でよく見落とされる重要な観点です。季節変動、ユーザー行動の変化、外部サービスの変更などにより、モデルの精度は時間とともに劣化します。MIXIがDay1からこの概念を取り上げているのは、「作って終わり」ではなく「運用まで含めたエンジニアリング」を初日から意識させるためでしょう。

Day1の使用技術スタック

Day2：生成AI・LLM・エージェントの応用編

LLMの内部構造を理解する

Day2はLLMの「なぜそう動くのか」を理解することから始まります。単に「GPTは大規模な言語モデルだ」という知識ではなく、どのように言語を処理しているかの内部構造を段階的に学びます。

N-gramからTransformerへの進化

N-gramモデル → RNN → LSTM → Transformer
（統計的）    （逐次）（長距離依存）（並列・自己注意）

N-gramモデルは前N-1単語から次の単語を予測する統計的手法ですが、長距離依存（文の離れた箇所の関係）に弱いという限界があります。RNN・LSTMはこれを改善しましたが、並列処理が困難でした。2017年の「Attention Is All You Need」論文で提案されたTransformerは、自己注意機構（Self-Attention）により長距離依存と並列処理を両立し、現代LLMの礎となっています。

BPEトークン化

LLMはテキストを文字や単語ではなく「トークン」という単位で処理します。BPE（Byte Pair Encoding）は頻出する文字列の組み合わせをトークンとして定義する手法で、語彙サイズと表現力のバランスを取ります。

「東京」が1トークンになるか2トークンになるかは、モデルのトークナイザーによって異なります。日本語はトークン数が英語より多くなりやすく、API利用コストの設計に影響します。ハンズオンでは実際にTokenizerを動かして、この挙動を確認します。

Self-Attentionの仕組み

入力トークンから Q（Query）、K（Key）、V（Value）を生成
              ↓
Attention(Q, K, V) = softmax(QK^T / √d_k) × V
              ↓
各トークンが「他のどのトークンに注目するか」を重みで表現

Self-Attentionにより、「東京は日本の首都です」という文で「東京」と「首都」の関係を捉えられます。Multi-Head Attentionは複数の注意ヘッドを並列に走らせることで、異なる種類の関係（文法的・意味的・文脈的）を同時に学習します。

KVキャッシュは推論の高速化に使われる重要な最適化技術です。過去のトークンのKey・Valueを計算してキャッシュしておくことで、新しいトークンを生成するたびに全トークンを再計算するコストを削減できます。長い会話の応答速度に直結する技術であり、LLMアプリ開発者として理解が求められます。

スケーリングとポストトレーニング

LLMの能力はどこから来るのか。その答えの一部が「スケーリング則」です。

スケーリング則（Scaling Law） は、パラメータ数・学習データ量・計算量を増やすとモデルの性能が対数線形的に向上するという経験則です。GPT-4のような超大規模モデルが実現した背景には、この法則への信頼がありました。

ポストトレーニングは事前学習済みモデルをより有用にするための追加学習です。

MoE（Mixture of Experts） は、全パラメータを常に使うのではなく、入力に応じて活性化する専門家モジュールを切り替えるアーキテクチャです。同等の性能をより少ない計算量で実現でき、大規模モデルの効率化に貢献しています。

画像生成とマルチモーダル

Day2では言語だけでなく、画像生成とマルチモーダルAIにも踏み込みます。

拡散モデル（LDM：Latent Diffusion Model） はStable DiffusionやDALL-Eの基礎となる手法です。

ランダムノイズ
    ↓ ノイズ除去を繰り返す（逆拡散過程）
クリーンな画像

学習時はクリーンな画像にノイズを加える「拡散過程」を使い、推論時はランダムノイズからノイズ除去を繰り返して画像を生成します。LDMは計算コストを下げるため、ピクセル空間ではなく「潜在空間（Latent Space）」でこの処理を行います。

LoRA（Low-Rank Adaptation） による微調整は、少ないパラメータで特定の画像スタイルや人物をモデルに学習させる手法です。フルファインチューニングに比べてコストが大幅に削減でき、実用的なカスタマイズを可能にします。

CLIP（Contrastive Language-Image Pre-training） はテキストと画像を同一の特徴空間に埋め込む技術で、「この画像に最も合うテキストはどれか」という横断的な検索を可能にします。

MIXIはここで自社事例を紹介しています。家族アルバムアプリ「みてね」において、CLIPを活用した億単位のメディア検索を実現。「赤ちゃんが笑っている写真」というテキストクエリで類似画像を検索できる機能の背後にこの技術があります。抽象的な技術概念が自社プロダクトに直接つながる実例として、非常に説得力のある事例提示です。

LLMアプリケーション設計

LLMを実際のアプリケーションに組み込む際の設計技術を体系的に学びます。

Function Calling（ツール呼び出し）

{
  "tools": [
    {
      "name": "search_database",
      "description": "製品データベースを検索する",
      "parameters": {
        "type": "object",
        "properties": {
          "query": {
            "type": "string",
            "description": "検索クエリ"
          }
        },
        "required": ["query"]
      }
    }
  ]
}

LLMが外部APIや関数を呼び出す能力を持たせることで、最新情報の取得・計算・データベース検索など、LLM単体では難しいタスクを実行できるようになります。

RAG（Retrieval-Augmented Generation）

ユーザーのクエリ
    ↓ ベクトル検索
関連ドキュメントを取得
    ↓ コンテキストとして追加
LLMに渡して回答生成

RAGはLLMの「知識のカットオフ問題」と「ハルシネーション問題」を緩和する代表的なアーキテクチャです。社内文書検索、カスタマーサポート、法律・医療など専門ドメインへのLLM適用で広く使われており、実務でほぼ必須の技術と言えます。

構造化出力（JSON Schema） は、LLMの出力を事前定義したスキーマに準拠させる技術です。「商品名・価格・カテゴリーを抽出してJSON形式で返せ」という指定が確実に守られるようになり、バックエンドシステムとの連携が安定します。

エージェント設計

Day2の最後の山場はエージェント設計です。MIXIはここで「ワークフロー」と「エージェント」の概念を明確に区別しています。

ReAct（Reason + Act）パターン

Thought: ユーザーが質問しているX社の株価を調べる必要がある
Action: search_stock_price("X社")
Observation: X社の株価は3,500円
Thought: 株価が取得できた。回答を生成する
Final Answer: X社の現在の株価は3,500円です

ReActは思考（Thought）、行動（Action）、観察（Observation）を繰り返すことで複雑なタスクを解決するパターンです。エージェントのデバッグ時は、このサイクルのどこで失敗しているかを特定することが重要になります。

Plan and Solve は、最初にタスク全体の計画を立ててから実行する手法です。ReActより計画的で、長期的なタスクや多ステップの推論に向いています。

Human-in-the-Loop は、エージェントの実行中に人間の確認を挟む設計パターンです。コードの削除、メールの送信、データベースの更新など取り消しが難しい操作を自動化する際は、必ずこの確認ステップを設けるべきです。MIXIがこれを必修として教えている点には、後述する重要な意味があります。

ハンズオン6本のフロー

Day2では以下の順番で6つのハンズオンを実施します。

① Tokenizer確認
    → テキストがどのようにトークン化されるかを数値で確認する
② Attention可視化
    → Self-Attentionの重みをヒートマップで可視化し、注意の向き先を直感的に理解
③ CLIP特徴空間
    → テキストと画像の類似度を計算し、共有特徴空間を探索する
④ LLM API操作
    → OpenAI / Claude等のAPIを呼んで基本的な対話フローを実装
⑤ Function Calling実装
    → ツール呼び出しを含む会話フローを実装し、外部システムとの連携を体験
⑥ ReAct Agent実装
    → Thought→Action→Observationのループを実装し、自律的なエージェントを構築

この6本は「理解→観察→体験→実装→応用→統合」の段階的な設計になっており、各ハンズオンが次のハンズオンの前提知識を積み上げます。

Day1とDay2の差分を横断分析する

対比マップで見る5つの転換

2日間を横断的に見ると、明確な5つの「転換」が見えてきます。

Day1（MLの基礎）                Day2（生成AIの応用）
━━━━━━━━━━━━━━━━━━━            ━━━━━━━━━━━━━━━━━━━━━━━
従来型ML（タスク特化）    →     LLM（汎用）
スクラッチ学習            →     事前学習＋ファインチューニング
モダリティ個別処理        →     マルチモーダル統合
推論エンドポイント設計    →     エージェント/ツール呼び出し設計
データドリフト監視        →     LLMアプリの評価サイクル

転換1：タスク特化 → 汎用

Day1の画像分類モデルは「画像を分類する」という1つのタスクしかできません。Day2のLLMは、テキスト生成・要約・翻訳・コード生成・質問応答など、単一モデルで多数のタスクをこなします。この「タスク特化型」から「汎用基盤型」への転換は、AI開発のパラダイムシフトそのものです。

転換2：スクラッチ学習 → 事前学習＋ファインチューニング

Day1ではモデルをゼロから学習させますが、Day2では巨大なデータで事前学習済みのモデルを起点に、特定タスクへのファインチューニングで適応させます。学習コストの桁が違うため、現代の実務ではほぼすべてのケースでこのアプローチが採用されます。

転換3：モダリティ個別処理 → マルチモーダル統合

Day1では画像はYOLO、音声はWhisperと、モダリティごとに異なるモデルを使います。Day2では同一のTransformerアーキテクチャの上でCLIPがテキストと画像を統合処理します。GPT-4oのような最新モデルはテキスト・画像・音声を横断的に処理できるマルチモーダルモデルへと進化しており、この転換の方向性は今後さらに加速するでしょう。

転換4：推論エンドポイント → エージェント/ツール設計

Day1のデプロイはモデルを推論エンドポイントとして公開することが目標です。Day2では、LLMが自律的にツールを呼び出し外部システムと協調して動くエージェントの設計が主題になります。システム設計の複雑性が大きく上がるため、それに見合った設計思想と判断力が必要になります。

転換5：データドリフト監視 → LLMアプリの評価サイクル

Day1の監視はデータ分布の変化を検知することが中心です。Day2では、LLMの出力の「品質」をどう評価するかが課題になります。正解が一意に定まらない生成タスクの評価は伝統的なML評価より難しく、オフライン評価とオンライン評価の組み合わせが必要です。

なぜDay1（従来型ML）を先にやるのか

「最初からLLMを教えればよいのでは」という疑問を持つ方もいるかもしれません。しかしMIXIの設計は明確な積み上げ構造になっています。

Day1で習得した概念は、Day2で「再解釈」される形で登場します。

Day1を経ずにDay2から始めると、「Transformerがなぜ優れているか」「ファインチューニングとはどういう操作か」が表面的な理解に留まります。Day1が「地面を固める」作業であり、Day2がその上に「高層ビルを建てる」作業という積み上げ設計になっているのです。

MIXIが定義する「新卒に必要なAI知識」4階層

2日間の研修内容を整理すると、MIXIが新卒エンジニアに求めるAI知識が4つの階層に分類できます。

第1階層：基礎力（ML理論・評価指標・MLOps）

これはDay1が担う領域です。生成AIが登場しても消えない「AIエンジニアリングの原理原則」と言えます。どんなモデルを使っても、学習・評価・デプロイ・監視というサイクルは変わりません。技術的に正確な表現を心がけると、この階層は「AIの素養」に相当するものです。

第2階層：LLM理解（Transformer・スケーリング則・RLHF）

Day2前半の領域です。「LLMを使う」ために必要な最低限の内部知識と言えます。Attentionがどう動くかを知ることでプロンプトの効き方を理解でき、スケーリング則を知ることでモデル選定の根拠を持てます。RLHFを知ることで、なぜChatGPTが親切な回答をするのかが分かります。

第3階層：応用設計（RAG・Function Calling・エージェント）

Day2後半の領域です。「LLMを活用したシステムを設計する」力で、多くの実務プロジェクトはこの階層の技術を組み合わせて構築されます。RAGとFunction Callingはほぼすべての実用的なLLMアプリに登場します。段階的に理解を深めていく上で、最終的に到達すべき実践的なゴールです。

第4階層：AI活用力（AI開発ツールの積極活用）

これはある意味で最も現代的な要求です。研修内でClaude Codeなどに代表されるAI開発ツールの積極活用が明示的に推奨されています。「AI研修なのにAIで学ぶ」というメタな推奨は、2026年のエンジニアに求められるスタンスを体現しています。

コードをゼロから書くよりも、AIに叩き台を作らせて検証・改良する開発スタイルの方が生産性が高い。しかしその検証ができるためには、生成されたコードの問題を見抜ける「第1〜3階層の力」が必要です。4つの階層は相互に補強し合う関係になっています。

企業AI教育トレンド2026──MIXIから読み取れる4つの潮流

MIXI AI研修の内容を俯瞰すると、2026年時点の企業AI教育が向かう4つの大きな潮流が見えてきます。

トレンド1：「使い方」から「判断力」へのシフト

2026年入社の新卒は、AIツールの使い方を教えてもらう必要がありません。彼ら自身が「AIを使って育った世代」だからです。企業が研修で教えるべきことは、AIの使い方ではなく「AIの出力を正しく判断できる力」へとシフトしています。

この変化は研修にかける時間と深さの変化にも表れています。「Copilotの使い方30分」ではなく「LLMがなぜそう動くのかを2日間で理解する」という選択がその証左です。

トレンド2：ML基礎 → 生成AI応用の2段階構成が主流化

MIXIの2日間構成は、今後の企業AI研修の標準的なフォーマットになると予測されます。「MLの基礎なしにLLMを教えるのは浅くなる」「LLMを教えないとビジネス応用に繋がらない」という両方の要請に応えるのが、この2段階構成だからです。ベストプラクティスとして、この構成は他社でも参考にする価値があります。

トレンド3：ハンズオン必須化・実課題ベース化

テキストと講義だけでAIを理解することは困難です。MIXIはDay1で4モダリティの推論実習、Day2で6本のハンズオンという大量の実装体験を組み込んでいます。「手を動かして初めて分かること」は非常に多く、2026年の企業AI研修ではハンズオンが必須要素となっています。

また「みてね」での億単位メディア検索という自社事例をDay2で紹介しているように、抽象的な技術を自社ビジネスの文脈に落とし込む「実課題ベース化」も重要な潮流として確認できます。

トレンド4：研修資料の公開が競争力になる時代

MIXIが12科目すべてを無料公開したことは、採用ブランディングと業界貢献の両立を体現しています。公開された資料は「MIXIのエンジニア文化」を外部に示す強力なシグナルとなり、技術力の高い候補者の関心を集めます。

同時に、他社が同じカリキュラムを参考にすることで業界全体のAIリテラシーが底上げされ、MIXIが採用したいような優秀なエンジニアの市場全体が拡大するという正のフィードバックループも働きます。研修資料の公開は「囲い込み」ではなく「市場の育成」として機能しているのです。

この資料をどう活用するか（読者別ガイド）

新卒・学生エンジニアの場合

最も直接的な活用ができる層です。推奨する学習の進め方は以下の通りです。

1. Day1から始める：「LLMだけ学べばいい」と飛ばしたくなる気持ちは理解できますが、Day1の概念がDay2の理解の厚みを決めます
2. ハンズオンを必ず手を動かす：スライドを読むだけと実際にコードを動かすのでは、理解の定着度が大きく異なります
3. 評価指標を重点的に：タスクごとに適切な評価指標を選べることは、実務での差別化ポイントになります
4. AIツールと組み合わせる：Claude CodeやGitHub Copilotを使いながら実習することで、「AI活用力」も同時に鍛えられます

現役エンジニア・独学者の場合

すでに実務でAIを使っている方には、自分の知識の抜けをチェックリスト的に使う活用が効果的です。

□ BPEトークン化の仕組みを説明できるか？
□ Multi-Head Attentionの「マルチ」の意味は何か？
□ KVキャッシュがなぜ推論高速化に効くのか説明できるか？
□ RLHFとDPOの違いは何か？
□ ReActパターンのObservationはどこで得られるか？
□ データドリフトと概念ドリフトの違いは何か？

特にDay1の高速化・デプロイ領域（ONNX・量子化・MLOps）は、研究寄りの独学者が抜けやすい領域です。意識的に補強することをお勧めします。

研修設計者・マネージャーの場合

自社のAI研修カリキュラムとのギャップ分析に活用できます。特に以下の3点を自社の研修と比較してみてください。

1. Day1の評価指標選択：「Accuracyだけでなくタスク固有の指標を教えているか」
2. Day2のエージェント設計：「Workflow vs Agentの区別、Human-in-the-Loopまで含めているか」
3. ハンズオンの量：「理解した気になるだけでなく、実際に手を動かす機会を十分確保しているか」

2日構成の「Day1 ML基礎 → Day2 生成AI応用」というフレームは、他社への流用価値が高いです。特に、Day1のMLOpsとDay2のLLMアプリ評価サイクルを接続するカリキュラム設計は、MIXIが公開した最大の資産の一つと言えるでしょう。

まとめ：新卒に求められるのは「AIを疑える力」

MIXI AI研修2026年版の2日間を横断的に見てきました。最後に、この研修全体が示すメッセージを一言で表すとすれば、「AIを疑える力」だと思います。

AIが生成したコードを、そのまま信じて使うのではなく、「これは正しいか？」「この設計は最適か？」「この評価指標は妥当か？」と問いかけられる批判的思考力。これがMIXIが新卒エンジニアに求める最も根本的な能力です。

Human-in-the-Loopまで必修化した意味

エージェント設計においてHuman-in-the-Loopを必須として教えることには、技術的な意味以上のメッセージがあります。それは「どれだけAIが賢くなっても、重要な判断には人間が関与し続けるべきだ」という姿勢です。

MIXIはAIを礼賛するのではなく、AIを「理解し、活用し、必要に応じて制御する」エンジニアを育てようとしています。その設計思想は、2026年のエンジニア教育のあるべき姿を示していると言えるでしょう。

2日間の研修が伝えているのは一つのメッセージです。AIは道具だが、道具を正しく使うためには道具の仕組みを知らなければならない。 そしてその知識があって初めて、AIネイティブ世代のエンジニアは真の「AI活用者」になれる、ということです。

参照リンク

• MIXI 2026年度新卒AI研修 Day1 - Speaker Deck
• MIXI 2026年度新卒AI研修 Day2 - Speaker Deck

よくある質問（FAQ）

MIXIの研修資料は誰でも見られますか？

はい、Speaker Deckで一般公開されています。Day1・Day2のスライドは上記リンクから無料で閲覧可能です。動画や実習リポジトリについても公開されている部分があります。

前提知識はどのくらい必要ですか？

Day1はPythonの基本的な文法（ライブラリの使い方レベル）があれば理解できます。線形代数・微積分などの数学的な背景があると理解が深まりますが、必須ではありません。Day2はDay1の内容を前提としているため、Day1を先に履修することを推奨します。

Day1を飛ばしてDay2から見てもいいですか？

技術的には閲覧できますが、推奨しません。Day1で学ぶ「損失関数・転移学習・評価指標」の概念が、Day2のRLHF・ファインチューニング・評価サイクルを理解するための土台になっています。Day2で「なんとなく分かったような気がする」状態で終わらせないために、ベストプラクティスとしてDay1から順番に進めることをお勧めします。

実習リポジトリは手元で動かせますか？

公開されているリポジトリはローカル環境またはGoogle Colabで動かすことが前提になっています。ONNX RuntimeやPyTorchのインストールが必要ですが、基本的にpip installで環境を揃えられます。Google Vertex AIを使う部分はGCPのアカウントが必要ですが、無料枠の範囲で試せる内容も多く含まれています。