📝

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