AIの作り方|個人でできる3つの方法とPythonのコード例

この記事の要点

  1. AIの作り方は、ノーコード、生成AIのAPI、Pythonの機械学習の3つ。資料をもとに答えるAIはノーコード、アプリに組み込むAIはAPI、データから見分けるAIは機械学習で作る。
  2. ノーコードなら、ChatGPTのプロジェクト(無料版から)、Geminiのスキル、Dify、Copilot Studioで作れる。ChatGPTのGPTsは個人のアカウントでは新しく作れず、GeminiのGemもスキルに移った。
  3. OpenAIのAPIで前のやりとりを覚えるチャットボットを作るPythonのコードと、実際の入力と出力を載せている。同じ2つの質問を送り直して数えた料金は約0.0023ドルだった。
  4. scikit-learnとPyTorchで手書きの数字を見分けるAIを作り、テスト用のデータの正解率はそれぞれ0.969と0.961だった。
  5. ライブラリが入っていない、APIキーが設定されていない、モデルの名前が違う、などのよく出るエラーと直し方を表にまとめている。
SHARE

AIは、個人でも作れます。 作りたいものに合わせて、ノーコードの道具で作る、生成AIのAPIをプログラムから呼ぶ、Pythonで機械学習のモデルを学習させる、という3つの方法から選びます。 この記事では、3つの方法の選び方と手順を説明し、Pythonのコードは実際に動かした出力と一緒に載せています。

AIの作り方は3つ

ChatGPTのような大規模言語モデルを一から学習させるには、膨大なデータと高性能な計算環境が要ります。 そのため、個人や小さなチームが作るAIの多くは、すでにあるAIのモデルを使い、目的に合わせて指示や資料、データを与えたものです。 作りたいものから、次のように方法を選びます。

作りたいものと作り方
作りたいもの作り方プログラミング試す費用
資料をもとに答えるAIノーコード要らない無料のプランから
アプリに組み込むAI生成AIのAPI要る使った分だけ
データから見分けるAI機械学習要る無料で試せる

ノーコードは、画面で指示の文と資料を設定して作ります。 社内のマニュアルをもとに質問に答える相談役のような、決まった役割のAIを最も早く作れる方法です。

生成AIのAPIは、OpenAIやGoogleなどのAIのモデルを、自分で書いたプログラムから呼び出す方法です。 自分のアプリや業務のシステムに組み込めて、画面のデザインや処理の流れを自由に決められます。

機械学習は、正解の付いたデータからモデルを学習させる方法です。 画像の種類を見分ける、数値から売上を予測するなど、生成AIに頼むより自分のデータで学習させたほうが適している用途に使います。

AIと機械学習の関係やAIの種類は、AIとは?人工知能の意味と仕組みで説明しています。

作る前に決めること

どの方法でも、作り始める前に次の5つを決めておくと、作った後に良し悪しを判断できます。

  • 目的:誰の、どの作業を楽にするか。「社内の経費の質問に答える」のように1文で書けるまで絞ります。
  • 入力と出力:AIに何を渡し、何を返してほしいか。質問の文を受けて答えを返す、画像を受けて数字を返す、などです。
  • データ:ノーコードとAPIでは、答えのもとにする資料です。機械学習では、正解の付いたデータです。
  • 確かめ方:作ったAIに解かせる問題と正解を、先に用意しておきます。機械学習では、学習に使わないテスト用のデータを分けておきます。
  • 使う人と場所:自分だけで使うか、社内で共有するか、アプリに組み込むかで、選ぶ方法が変わります。

ノーコードでAIを作る

ノーコードの道具では、AIの役割と答え方を書いた「指示」と、答えのもとにする「資料」を画面で設定して、自分用のAIを作ります。 個人で始めやすい道具と、会社で使う道具を比べると次のとおりです。

ノーコードでAIを作る道具(2026年11月19日時点の公式の情報)
道具作れるもの使える条件共有
ChatGPTのプロジェクト指示と資料を持つチャット無料版からリンクか招待
Geminiのスキル繰り返し使う指示18歳以上Webで共有
Difyチャットボット、ワークフロー無料のプランありWebアプリ、API
Copilot Studio会社向けのエージェント試用は公開不可Teamsなど

ChatGPTのGPTs(カスタムGPT)は、個人のアカウント(無料版、Go、Plus、Pro)では新しく作れず、2026年12月11日に提供が終わる予定です。 GeminiのGemも、18歳以上の個人のアカウントでは2026年11月17日に「スキル」へ移り、新しく作れなくなりました。 これから作るなら、ChatGPTはプロジェクト、Geminiはスキルを使います。

ChatGPTのプロジェクトで作る

プロジェクトは、指示とファイルとチャットをまとめて置ける場所です。 プロジェクトの中のチャットは、置いた指示に従い、置いた資料をもとに答えます。

  1. ChatGPTのサイドバーで「新しいプロジェクト」を選び、名前を入れます。
  2. PDF、スプレッドシート、文書、画像を追加するか、テキストを貼り付けて、答えのもとにする資料を置きます。
  3. 「•••」から「プロジェクト設定」を開き、「プロジェクトの指示」に役割と答え方を書きます。
  4. プロジェクトの中で新しいチャットを始め、用意した問題を解かせて答えを確かめます。

置けるファイルの数は、無料版で5個、PlusとGoで25個、Proで40個です。 「共有」から範囲を「リンクを知っている全員」にすると、リンクを開いたChatGPTの利用者が参加できます。 無料版で一緒に使える人数は5人までです。

Geminiのスキルで作る

スキルは、繰り返し使う指示を保存しておき、Geminiのチャットで呼び出せる機能です。 使えるのは18歳以上で、Geminiにログインしている人です。

  1. パソコンで gemini.google.com を開きます。
  2. サイドバーの「カスタマイズ」を開き、上の「スキル」を選びます。
  3. 「Geminiに作ってもらう」「テンプレートから作る」「ファイルやフォルダをアップロードする」「チャットで頼む」の中から作り方を選びます。

スキルの共有は、Webのgemini.google.comからだけ行えます。 仕事用と学校用のGoogleのアカウントでは、まだ使えません。

Difyで作る

Difyは、AIのアプリを作るためのオープンソースの道具です。 チャットボットや、いくつかの処理をつないだワークフローを、部品を線でつなぐ画面で組み立てます。 公開したアプリは、Webアプリ、API、MCPサーバーとして使えます。

クラウド版(cloud.dify.ai)の無料のSandboxプランでは、アプリを5個まで作れ、200回分のメッセージのクレジットと、50件のナレッジの文書を使えます。 有料のプランは、Professionalが月59ドル、Teamが月159ドルです(月払い、税抜)。 DockerとDocker Composeで、自分のサーバーに入れて動かすこともできます。

公式のクイックスタートでは、cloud.dify.aiでサインアップした後、「Integrations」の「Model Provider」で使うAIのモデルの提供元(例ではOpenAI)をインストールし、「Studio」の「Create from Blank」からアプリの種類(例ではWorkflow)を選んで作ります。 組み立てたら「Test Run」で試し、「Publish」の「Publish Update」で公開します。

Copilot Studioで作る

Copilot Studioは、AIのエージェントとワークフローを作るためのMicrosoftの道具です。 作りたいエージェントを言葉で説明して作り、試してから、Microsoft TeamsやWebサイトなどに公開します。 無料の試用は個人でも申し込めますが、個人のメールアドレスでは申し込めないことがあり、その場合は仕事用か学校用のアカウントを使います。 試用では、エージェントを作ってテストのチャットで試せますが、公開はできません。

生成AIのAPIでチャットボットを作る

APIは、AIのモデルをほかのプログラムから呼び出すための窓口です。 ここでは、OpenAIのAPIをPythonから呼び、前のやりとりを覚えて答えるチャットボットを作ります。 GeminiとClaudeのAPIの使い方とキーの取り方、料金は、OpenAI・Gemini・Claude APIの使い方にまとめています。

準備する

  • 1. Pythonを入れる:python.orgからPython 3を入れます。
  • 2. APIキーを作る:OpenAI Platformでキーを作り、支払いを設定します。
  • 3. キーを環境変数に設定する:プログラムの中にキーを書かずに済むように、環境変数OPENAI_API_KEYに設定します。
  • 4. ライブラリを入れる:ターミナルでpip install openaiを実行します。

macOSとLinuxでは、ターミナルで次のように設定します。

export OPENAI_API_KEY="作ったAPIキー"
pip install openai

exportで設定したキーは、そのターミナルを閉じると消えます。 新しいターミナルで動かすときは、もう一度設定します。 Windowsでは、コマンドプロンプトでsetx OPENAI_API_KEY "作ったAPIキー"を実行し、新しいウィンドウを開き直します。

チャットボットのコード

次のコードをchatbot.pyという名前で保存します。

from openai import OpenAI

client = OpenAI()  # 環境変数 OPENAI_API_KEY からキーを読む

# AIの役割と答え方の決まり
instructions = "あなたは料理の相談に乗るアシスタントです。答えは3文以内にしてください。"
previous_id = None

while True:
    text = input("あなた: ")
    if text == "終わり":
        break
    response = client.responses.create(
        model="gpt-6.2-sol",
        instructions=instructions,
        input=text,
        previous_response_id=previous_id,  # 前のやりとりを覚えさせる
    )
    print("AI:", response.output_text)
    previous_id = response.id

instructionsには、AIの役割と答え方の決まりを書きます。 instructionsはその回のリクエストにだけ適用されるため、毎回送ります。 previous_response_idに前の答えのIDを渡すと、AIは前のやりとりを踏まえて答えます。 gpt-6.2-solは、OpenAIのモデルの一覧で、日々の仕事向けとして案内されているモデルです。

動かした結果

ターミナルでpython chatbot.pyを実行し、2つ質問しました。

あなた: 冷蔵庫に卵とトマトしかありません。何が作れますか?
AI: 卵とトマトだけなら、トマトの卵炒めがおすすめです。ざく切りにしたトマトをフライパンで炒め、少し崩れて汁が出たら溶き卵を加え、卵が固まるまでやさしく混ぜます。塩やこしょうがあれば、仕上げにひと振りすると味が引き締まります。
あなた: それを辛くするなら?
AI: 唐辛子や一味があれば、トマトを炒めるときにひとつまみ加えると、辛みが全体になじみます。ラー油しかなければ、仕上げに数滴たらすだけでもおいしいです。
あなた: 終わり

2つ目の質問の「それ」を、1つ目の答えのトマトの卵炒めとして受け取って答えています。 生成AIの答えは、同じ質問でも動かすたびに文面が変わります。

料金の目安

APIの料金は、送った文章と返ってきた文章の量を、トークンという単位で数えて決まります。 gpt-6.2-solの料金は、100万トークンあたり入力2ドル、出力10ドルです。 同じ2つの質問を、同じコードの設定で送り直してトークン数を数えると、入力が合わせて219トークン、出力が189トークンで、料金は約0.0023ドルでした。

前のやりとりをつなぐと、つないだ過去の入力も毎回の入力として数えられます。 この計測では、1回目の入力は54トークン、2回目は165トークンでした。 会話が長くなるほど1回の料金が上がるので、長い会話をさせるときは、過去のやりとりを要約して渡すなどの工夫をします。

人に使ってもらうには

このコードは、自分のパソコンのターミナルで動くチャットボットです。 ほかの人に使ってもらうには、Webページやチャットツールの画面を作り、このプログラムをサーバーで動かしてつなぎます。 APIキーは、使う人のブラウザやアプリの中に置かず、サーバー側だけに置きます。

Pythonで機械学習のAIを作る

機械学習では、正解の付いたデータからパターンを学ばせ、新しいデータを見分けたり予測したりするモデルを作ります。 ここでは、手書きの数字の画像を見分けるAIを、scikit-learnとPyTorchの2つのライブラリで作ります。 教師あり学習や教師なし学習の仕組みは、機械学習とは?で説明しています。

開発環境を用意する

手早く試すなら、GoogleのColab(Google Colaboratory)が使えます。 ブラウザで使えるJupyter Notebookのサービスで、設定なしで無料で使えます。 無料版でもGPUを選べますが、使える量には制限があり、上限は公開されていません。 有料のプランは、Colab Proが月1,179円、Colab Pro+が月5,767円です(2026年11月19日の表示)。

自分のパソコンで動かすなら、python.orgからPythonを入れ、ターミナルでライブラリを入れます。 2026年11月時点のscikit-learn(1.9.1)とPyTorch(2.15.0)は、どちらもPython 3.11以上で動きます。

pip install scikit-learn

PyTorchの入れ方は、公式サイトの「Get Started」でOSや実行環境(CPUかGPUか)を選ぶと表示されます。

scikit-learnで手書きの数字を見分ける

scikit-learnには、0から9の手書きの数字の画像1,797枚と、それぞれの正解の数字のデータが入っています。 画像は縦横8画素の小さなもので、1枚を64個の数の並びとして扱います。 このデータの8割で学習させ、残りの2割で、どれだけ正しく見分けられるかを確かめます。

from sklearn.datasets import load_digits
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score

# 1. データを読み込む(8×8画素の手書き数字の画像1,797枚と、その正解)
digits = load_digits()
X, y = digits.data, digits.target

# 2. 学習用とテスト用に分ける(2割をテストに回す)
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=0
)

# 3. モデルを選んで学習させる
model = LogisticRegression(max_iter=5000)
model.fit(X_train, y_train)

# 4. テスト用のデータで正解率を確かめる
pred = model.predict(X_test)
print("正解率:", round(accuracy_score(y_test, pred), 3))

# 5. 学習に使っていない画像を見分けさせる
print("予測:", pred[:10])
print("正解:", y_test[:10])

Python 3.11、scikit-learn 1.9.1で動かした結果は次のとおりです。

正解率: 0.969
予測: [2 8 2 6 6 7 1 9 8 5]
正解: [2 8 2 6 6 7 1 9 8 5]

学習に使っていない360枚のうち、349枚の数字を正しく見分けました。 最初の10枚は、予測と正解がすべて合っています。 コードのコメントの2と4が、「作る前に決めること」の確かめ方(学習に使わないテスト用のデータで確かめる)に当たります。

PyTorchでニューラルネットワークを作る

同じデータで、ニューラルネットワークを作ります。 ニューラルネットワークは、入力された数値を何層もの計算に通して答えを出すモデルで、画像や文章を扱うAIで広く使われています。 PyTorchは、ニューラルネットワークを作って学習させるためのライブラリです。

import torch
from torch import nn
from sklearn.datasets import load_digits
from sklearn.model_selection import train_test_split

torch.manual_seed(0)

# データは scikit-learn の例と同じ手書き数字を使う
digits = load_digits()
X_train, X_test, y_train, y_test = train_test_split(
    digits.data / 16.0, digits.target, test_size=0.2, random_state=0
)
X_train = torch.tensor(X_train, dtype=torch.float32)
X_test = torch.tensor(X_test, dtype=torch.float32)
y_train = torch.tensor(y_train)
y_test = torch.tensor(y_test)

# 64画素を受け取り、0〜9の10通りの点数を返すニューラルネットワーク
model = nn.Sequential(
    nn.Linear(64, 32),
    nn.ReLU(),
    nn.Linear(32, 10),
)
loss_fn = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.01)

# 学習:予測と正解のずれ(損失)が小さくなるように重みを直す
for epoch in range(1, 101):
    optimizer.zero_grad()
    loss = loss_fn(model(X_train), y_train)
    loss.backward()
    optimizer.step()
    if epoch % 25 == 0:
        print(f"{epoch}回目 損失: {loss.item():.3f}")

# テスト用のデータで正解率を確かめる
with torch.no_grad():
    pred = model(X_test).argmax(dim=1)
print("正解率:", round((pred == y_test).float().mean().item(), 3))

PyTorch 2.15.0(CPU版)で動かした結果は次のとおりです。

25回目 損失: 0.454
50回目 損失: 0.138
75回目 損失: 0.080
100回目 損失: 0.054
正解率: 0.961

学習を繰り返すたびに損失(予測と正解のずれ)が小さくなり、テスト用のデータの正解率は0.961になりました。 どちらのコードも、GPUを使わずに数秒で終わりました。 大きな画像や長い文章を学習させるときは、学習の時間が延びるので、ColabのGPUなどを使います。

エラーが出たとき

コードを動かしたときに出やすいエラーと、直し方です。 どれも、この記事のコードを動かして確かめたときに表示された文です。

よく出るエラーと直し方
エラーの文原因直し方
ModuleNotFoundError: No module named 'sklearn'scikit-learnが入っていないpip install scikit-learnを実行する
The 'sklearn' PyPI package is deprecated, use 'scikit-learn'pip install sklearnと入れた入れる名前をscikit-learnにする
openai.OpenAIError: Missing credentials.環境変数にAPIキーがないOPENAI_API_KEYにキーを設定し直す
Error code: 401 - Incorrect API key providedAPIキーが違うキーを確かめるか作り直す
Error code: 404 - The model ... does not existモデルの名前が違うOpenAIのモデルの一覧の名前に直す

scikit-learnは、入れるときの名前がscikit-learn、コードで読み込むときの名前がsklearnで、名前が違います。 エラーの文に心当たりがないときは、エラーの文をそのままChatGPTなどの生成AIに貼り付けて、原因を聞くと手がかりになります。

AI開発に使う言語とツール

プログラミング言語

AIを作るなら、まずPythonを選びます。 scikit-learn、PyTorch、TensorFlowなど、機械学習の主なライブラリがPythonで使え、OpenAIやGoogleもAPI向けのPythonのライブラリを用意しているからです。

AI開発で使われる主な言語
言語主な使い道
Python機械学習、データの分析、APIを呼ぶプログラム
JavaScript、TypeScriptAIを組み込んだWebのアプリ
R統計の分析

この記事のコードも、すべてPythonです。

ライブラリと開発の道具

AI開発で使う主なライブラリと道具
名前何をするものか
scikit-learn分類や予測など、機械学習の手法をまとめたライブラリ
PyTorchニューラルネットワークを作って学習させるライブラリ
TensorFlow、Keras機械学習のモデルを作り、学習させ、動かすための道具
Hugging Face Transformers公開されている学習済みのモデルを読み込んで使うライブラリ
pandas、NumPy表のデータや数値の計算を扱うライブラリ
Colab、Jupyter Notebookコードと結果を並べて、少しずつ試せる環境

AIにコードを書いてもらう

「AIプログラミング」という言葉は、AIを作るプログラミングのほかに、AIにコードを書いてもらう開発の意味でも使われます。 Claude CodeやCodexのようなAIのコーディングの道具に作りたいものを伝えると、コードを書き、動かし、直すところまで手伝ってもらえます。 AIを開発するときも、コードの下書きやエラーの原因探しを任せると、手を動かしながら学べます。 始め方はバイブコーディングとは?で、道具ごとの使い方はClaude Codeの使い方とCodexとは?で説明しています。

生成AIや自律型のAIを作るには

生成AIを自分用にする

文章や画像を作る生成AIは、膨大なデータでモデルを学習させて作られています。 自分で作るときは、モデルを一から学習させるのではなく、公開されているモデルを自分の目的に合わせます。

  • 指示を書く:役割、答え方、してはいけないことを指示に書きます。ノーコードのプロジェクトやスキル、APIのinstructionsがこれに当たります。
  • 資料を持たせる:社内の文書などを持たせ、それをもとに答えさせます。ノーコードの資料の追加や、Difyのナレッジがこれに当たります。
  • 追加で学習させる:答え方の例を多く用意し、学習済みのモデルを追加で学習させます。

まずは指示と資料で試し、それでも答え方が合わないときに、追加の学習を考えます。 生成AIの仕組みは、生成AIとは?で説明しています。

自律型(自立思考型)のAIを作る

目的を伝えると、自分で手順を考え、検索やファイルの操作などの道具を使いながら作業を進めるAIは、AIエージェントと呼ばれます。 「自立思考型AI」や「自律型AI」を作りたいときは、このAIエージェントの作り方を調べます。 AIエージェントも、生成AIのモデルに、使える道具と、作業の進め方の指示を与えて作ります。 仕組みと主なサービスは、AIエージェントとは?で説明しています。

AI開発者になるには

AIを作る仕事をする人に求められることは、大きく次の4つです。

  • Pythonを書ける:この記事のコードを読んで、少し書き換えられるところから始めます。
  • データを扱える:pandasで表のデータを読み、足りない値や誤りを直して、学習に使える形に整えます。
  • 機械学習の仕組みが分かる:学習とテストの分け方、過学習、評価の指標を説明できるようにします。
  • 数学が分かる:モデルの中身を理解するときに、線形代数、微分、確率と統計を使います。

学習を進めるときは、手を動かすことを先にすると続けやすくなります。 この記事のコードを動かす、データやモデルを替えてみる、仕組みと数学を学ぶ、の順に進めます。 学んだことを確かめる資格には、日本ディープラーニング協会のG検定とE資格などがあり、選び方はAI資格の種類と選び方にまとめています。 会社で本格的なAIを作るときは、開発を外部に頼む方法もあり、進め方はAI開発を外注する進め方で説明しています。

作ったAIの使い方を動画で伝える

社内で使うAIを作ったら、使い方を周りの人に伝える必要があります。 NoLangでは、伝えたい内容を文章で書くと、AIが構成と台本を考え、読み上げの音声の付いた説明の動画を作ります。

ホームの入力欄に、どんな動画にしたいかを書きます。 入力欄の右下の「縦型」と「60秒」のメニューで縦横比と長さを選んでから、右の矢印の「動画を生成」を押します。

NoLangのホーム。入力欄に、社内で作ったAIチャットボットの使い方を説明する1分の動画を頼む文が入り、入力欄と右下の矢印の「動画を生成」のボタンを赤枠で囲んでいる

入力の例:

社内で作ったAIチャットボットの使い方を、はじめて使う社員向けに1分で説明する動画を作ってください。
質問の入れ方、答えの確かめ方、入れてはいけない情報の3点を入れてください。

AIのコーディングの道具やチャットのアプリからも、会話の中で動画を頼めます。 Claude CodeとCodexにはNoLangのプラグインを、ChatGPTやclaude.aiにはNoLangのMCPのコネクタを入れて使います。 入れ方はNoLang Skillのページにあります。 Pythonなどのプログラムから動画を作るときは、NoLang APIを使います。

会社でAIを作って使うとき

社内で作ったAIを広めるときは、使い方や、入力してはいけない情報のルールを動画にしておくと、あとから使い始める人にも同じ説明を届けられます。 NoLangでは、文章のほか、マニュアルなどの資料からも説明の動画を作れます。 会社での導入の相談はお問い合わせから受け付けています。 NoLangの資料は、下のボタンからダウンロードできます。

資料をダウンロード

よくある質問

作ってあるGPTs(カスタムGPT)は、これからどうなりますか?
OpenAIは、カスタムGPTの提供を2026年12月11日に終える予定です。作成者はGPTをプラグインに移すことができ、GPTの指示はプラグインのスキルに、知識のファイルは参照ファイルにコピーされます。カスタムアクションと選んでいたモデルは引き継がれません。移した後の元のGPTは、提供が終わるまで読み取り専用で使えます。
GeminiのGemは、これからどうなりますか?
18歳以上の個人のGoogleのアカウントでは、Gemは2026年11月17日にスキルに移って読み取り専用になり、12月17日にGeminiのアプリから削除されます。Gemは自動でスキルとして作り直され、共有の設定も引き継がれます。Google Workspaceの仕事用のアカウント(Business、Enterprise、Non-Profit)は2027年3月に移ります。
ChatGPTのプロジェクトに置いた資料は、AIの学習に使われますか?
個人のChatGPTのアカウントで共有したプロジェクトのデータは、プロジェクトの所有者と投稿したすべての人が「すべての人のためにモデルを改善する」をオンにしている場合に限り、モデルの改善に使われることがあります。ChatGPT Business、Enterprise、Eduのワークスペースの内容は、初期の設定ではモデルの学習に使われません。
SHARE
NoLang サービスご紹介資料
資料ダウンロード

NoLangの導入を
ご検討中の方

NoLangを
ご利用中の方

\無料ですぐ試せる/ AIで動画を作ってみる