harvard-edge/cs249r_book

解決する課題

ほとんどのリソースはモデルの訓練方法を教えますが、その周りのシステム（クラスタ全体でのスケーリング、レイテンシ制約下でのサービス提供、エッジデバイスへのデプロイ、エージェントのオーケストレーション、ロボットの制御）を構築する方法は教えません。このプロジェクトは、「AIエンジニアリング」をソフトウェア工学やコンピュータ工学と同様の規律ある実践と位置づけることで、そのギャップを埋めます。現実の条件下で効率的で信頼性が高く、安全で堅牢な完全なインテリジェントシステムを設計、構築、評価する方法を教えます。

仕組み

このリポジトリは単なる本ではなく、単一の統合カリキュラムです。4巻の教科書シリーズが含まれており、各巻が異なるシステム境界を扱います。

• 第1巻は基礎を扱います：単一ノードでインテリジェンスを効率的に実行する方法（データ、トレーニング、推論、デプロイ、評価）。
• 第2巻（プレビュー）は分散クラスタとデータセンター全体でのスケーリングを扱います：アクセラレータ、メモリ、通信、並列性、サービス、信頼性。
• 第3巻（開発中）はエージェントシステムを扱います：推論ループ、メモリ、ツール、計画、オーケストレーション、マルチエージェント設定。
• 第4巻（開発中）は物理AIを扱います：ロボティクス、センシング、リアルタイム制御、安全性。

教科書に加えて、学びながら使えるコンパニオンツールがあります。TinyTorchは、20のモジュールでゼロから小さなMLフレームワークを構築する手順を案内します。ラボはインタラクティブなノートブックで、パラメータを調整してトレードオフを確認できます。これは、物理的にアクセスできないインフラ（GPUクラスタなど）をモデル化するシミュレータMLSys·imによって支えられています。ハードウェアキットは、Arduino、Raspberry PiなどのデバイスにMLを搭載し、実際のメモリとレイテンシの制約に直面させます。StaffMLは、面接対策のためのインタビュー形式の質問とドリルを提供します。教育者向けには、シラバスを備えたインストラクターハブ、複数のテーマの講義スライド、更新情報のためのニュースレターがあります。すべては1つの学習ループとして設計されています：読む、探求する、構築する、モデル化する、デプロイする、練習する、教える。このプロジェクトはオープンソースで、活発なコントリビューターコミュニティがあります。教科書は2026年にMIT Pressから紙版が出版される予定です。

対象読者

このカリキュラムは、機械学習システム（モデルトレーニングだけでなく）を包括的かつ実践的に理解したい学生、自習者、教育者を対象としています。また、MLシステムの面接を準備している現役エンジニアや、章、ラボ、ツールの改善に貢献したいコントリビューターにも役立ちます。入り口はさまざまです：学生として第1巻とラボ00から始めることも、教える場合はインストラクターハブにジャンプすることも、貢献するコンポーネントを選ぶこともできます。

ハイライト

• 基礎、スケーリング、エージェントシステム、物理AIをカバーするオープンソースの4巻教科書シリーズ。
• クラスタを所有せずにトレードオフを探求できるインタラクティブなラボとシミュレータ（MLSys·im）。
• TinyTorchを使って20の段階的なモジュールでゼロから実際のMLフレームワークを構築。
• Arduino、Raspberry Piなどのハードウェアキットで実際のデプロイ制約を学ぶ。
• 物理に基づいた質問と練習ドリルを備えたStaffML面接対策。
• 教育者向けリソース：シラバス、スライド、教室採用のためのニュースレター。
• 各コンポーネントが相互に強化し合う単一の統合カリキュラムとして設計。