📝
テキストAI事前学習モデルカタログ — 3行コードでできる12のこと
感情分析からコード生成まで — HuggingFace pipeline 1行で済むモデルリストと難易度
全部pip install transformersと3行で済む。
共通構造
from transformers import pipeline
pipe = pipeline("タスク", model="モデル名")
result = pipe("入力テキスト")
難易度別タスク
★☆☆☆☆ 感情分析: 最も簡単。AI初体験に推薦。
pipe = pipeline("sentiment-analysis")
pipe("I love this!") # → POSITIVE 0.9998
★☆☆☆☆ 翻訳: Helsinki-NLP/opus-mt-* シリーズで言語ペアごとに。
★★☆☆☆ 要約、質疑応答、テキスト生成、NER、類似度
★★★☆☆ ゼロショット分類、コード生成、チャットボット
モデルカタログ
| タスク | モデル | サイズ | GPU |
|---|---|---|---|
| 感情分析 | distilbert-sst-2 | 260MB | 不要 |
| 翻訳 | opus-mt-* | 300MB | 不要 |
| 要約 | bart-large-cnn | 1.6GB | 不要 |
| QA | distilbert-squad | 260MB | 不要 |
| テキスト生成 | gpt2 | 500MB | 不要 |
| コード生成 | codegen-350M | 700MB | 推奨 |
| チャット | DialoGPT-medium | 1.5GB | 推奨 |
全部CPUで実行可能。GPUは7B+モデルの時だけ必要。
キーコンセプト
1
感情分析(★☆☆☆☆)— pipeline("sentiment-analysis") 1行で肯定/否定判別
2
翻訳(★☆☆☆☆)— Helsinki-NLP/opus-mt-{src}-{tgt}で200+言語ペア
3
要約/QA/NER(★★☆☆☆)— BART、DistilBERT等でテキスト理解タスク
4
テキスト生成(★★☆☆☆)— GPT-2(500MB)でCPU上で自己回帰生成を体験
5
コード生成/チャットボット(★★★☆☆)— CodeGen、DialoGPTでプロンプトエンジニアリング入門
ユースケース
AI入門 — 感情分析3行で初のAI推論体験
プロトタイプ — 翻訳+要約+NERを組み合わせてニュース分析ツール制作
モデル選択ガイド — タスク別推薦モデルとサイズ/品質トレードオフ