LLM技術の階層構造とロール別理解度

今のAI界隈、MCPだとかA2Aやらとなにやら新しいものが出てきて、それぞれを学んでいくと、LLMってそもそもなんだかわからないな、それでいいんだっけか？と不安になる。何を知らないかというのを分かるだけでも前に進みやすくなるので、技術を階層構造に分け、それぞれの層はどんな人がどのくらい把握しているべきかという情報を、今の理解の範囲でまとめた。

ロール別理解度

レイヤー＼ロール	アプリケーションエンジニア（LLM組み込み）	MLエンジニア	データエンジニア	プロダクトマネージャー	業務の担当者や従業員
LLMアプリケーション利用層	◎	○	△	○	△〜○
LLM応用開発層	○〜◎	◎	○	△〜○	△
チューニング・適応層	△	◎	○	△	×
モデル訓練層	×〜△	◎	○	×	×
モデル理論層	×	○	△	×	×

• ◎：深く理解し実装・設計ができる
• ○：構造や用途を理解し、活用・議論できる
• △：用語や基本的な役割を理解している
• ×：不要

補足

AIコーディングを使った開発をするのは、LLMアプリケーションを利用するという話になるので、この表では従業員にあたる。

レイヤー構造説明

上に行くほど「LLMを使う」＝応用の層、下に行くほど「LLMを作る」＝基礎の層。

LLMアプリケーション利用層

LLMを活用したプロダクトを使ったり、そのUIを作ったりする。

例

• チャットボットを使う
• AIエージェントとして振る舞うアプリケーションを使う
• Claude Desktopを使う
• AIエージェントのUIを作る

各アプリケーションにも操作があるし、設定等もあるので、この層にもスキルはある。

LLM応用開発層

LLMを組み込んでアプリケーションを作ったりと、LLMの性能を引き出す工夫や設計を行う。

例

• LLMを組み込んだアプリケーションの開発
• プロンプトエンジニアリング
• MCPサーバの開発

モデルチューニング・適応層

ファインチューニングや独自のEmbeddingなどによって、モデルを自社や特定業務に最適化するための作業を行う。

モデル訓練層

モデルをゼロから訓練・構築する。すでにある理論に基づいて、汎用的な性能の高いモデルを作る。

モデル理論層

モデル構造や最先端の研究・理論を扱う。大規模言語モデル技術そのものを改善する。