機械学習システム工学の独学にMLSysBookが選ばれる理由

機械学習の実務では、モデル精度だけでは完結しない場面が増えています。LLM 推論の遅延最適化、GPU クラスタでの分散訓練、エッジ端末へのデプロイ、ドリフト監視、コスト最適化。これらは「モデルの外側」にある問題であり、深層学習の教科書だけでは扱いきれません。

一方で、MLOps 系書籍を読んでも「今日使われているツールの操作手順」に留まり、「なぜそのツールが必要なのか」「制約はどこから来るのか」という原理的な理解にはつながらないという声もあります。ツールが世代交代したときに応用が利かず、学び直しが必要になる、という悩みは実務者から繰り返し聞かれます。

こうした「モデルとオペレーションの狭間」——いわゆる機械学習システム工学の領域を体系的に扱う教材として、Harvard 大学発の OSS 教科書 harvard-edge/cs249r_book（ブランド名: MLSysBook）が注目されています。スター数は 27,357、フォーク数は 3,385（2026 年 7 月時点）、直近のプッシュは 2026 年 7 月 5 日と、活発に更新が続いています。

本記事では、MLSysBook のカリキュラム全体像を整理し、d2l.ai・stas00/ml-engineering・MLOps 系書籍との違いを比較します。そのうえで、実務エンジニア・独学者・教員それぞれの立場から、どのコンポーネントを起点に読み進めるべきかの判断材料を提示します。「自分の学習目的に合うか」「メンテナンスは健全か」「ライセンス上の注意点は何か」を 5〜10 分で判断できるようにまとめました。

MLSysBookとは｜Harvard発の機械学習システム教科書

MLSysBook は、Harvard 大学 SEAS（工学応用科学部）の Vijay Janapa Reddi 教授（MLCommons 共同創設者）が主導する、機械学習システムエンジニアリングの OSS 教科書プロジェクトです。オンライン無料版の正式タイトルは Machine Learning Systems: Principles and Practices of Engineering Artificially Intelligent Systems で、公式ドメイン mlsysbook.ai および GitHub リポジトリで公開されています。MIT Press からは 2026 年に Introduction to Machine Learning Systems のタイトルでハードカバー版が刊行予定であり、オンライン無料版と MIT Press 版で書籍タイトルが異なる点に注意が必要です（MLSysBook 公式サイト / MIT Press 版ページ）。

リポジトリ名の cs249r_book は、Harvard の「CS249r: Tiny Machine Learning」コースを起点として教材開発が始まった経緯を反映しています。現在はコース教材の域を超え、mlsysbook.ai ブランドの下で統合カリキュラムとして展開されています（GitHub リポジトリ）。

リポジトリの description は Machine Learning Systems の一言のみで、記載言語は Python です。ミッションとして「AI エンジニアリングとは、モデル単体ではなく、実世界で動作する効率的・信頼性の高い・安全で堅牢な知的システムを構築する分野である」と宣言されており、これが本教科書の設計思想を貫いています。

開発元と著者

主著者の Vijay Janapa Reddi 氏は Harvard 大学 Gordon McKay Professor で、MLCommons（MLPerf ベンチマークを策定する業界コンソーシアム）の共同創設者でもあります。ベンチマーク設計・実測評価の第一人者が主導している点は、教材内容が「机上の理論」だけでなく実測・定量推論に根ざしていることの背景として重要です。

コントリビュータには研究者・学生・実務エンジニアが多数名を連ねており、リポジトリの README にはアバター一覧が掲載されています。1 大学の閉じたプロジェクトではなく、コミュニティ主導で継続改善される OSS カリキュラムとして運営されています。

リポジトリのステータス

GitHub API から取得した客観データは以下の通りです。

archived=false かつ fork=false であり、他リポジトリのフォークではなくオリジナルの本家リポジトリとして活発に開発が続いています。プッシュ日時が本記事執筆時点の数日前である点からも、メンテナンスが停止していないことが確認できます。

MLSysBookが提供するカリキュラムの全体構成

MLSysBook の README には「The repository is the curriculum.」という表現があります。つまり、書籍単体ではなく、リポジトリに含まれる複数のコンポーネントを合わせて 1 つの学習カリキュラムとして機能させる設計です。

コンポーネントは大きく「学生・自学者向け」「教員向け」「隣接・実験的プロジェクト」の 3 グループに分類できます。それぞれの役割を整理します。

学生・自学者向けコンポーネント

特にユニークなのが TinyTorch と MLSys·im です。TinyTorch は PyTorch 相当の ML フレームワークを 20 モジュールに分解し、実装しながらフレームワーク内部の設計判断を追体験する演習教材です。詳細は公式ページで公開されています（TinyTorch 公式ページ）。

MLSys·im は「メモリ帯域が飽和したらどこがボトルネックになるか」「バッチサイズを増やしたときの遅延と電力の交換関係」といった定量問題を、シミュレータ上で計算・可視化するためのエンジンです。抽象的な「トレードオフ」を数値で扱えるようになる設計となっています（MLSys·im 公式ページ）。

教員向けコンポーネント

教員向けには、16 週講義のシラバスと評価ルーブリック、TA 向けハンドブックまで用意された「AI Engineering Blueprint」が Instructor Hub で公開されています。これは大学教員が自校の講義に組み込む前提で設計されており、社内勉強会のリーダーが教材を選ぶ際にも参考になります。

隣接・実験的プロジェクト

• Socratiq: AI ガイド付きの読書支援、コンテキスト依存クイズ、間隔反復学習を組み合わせた AI チューター
• MLPerf EDU: MLCommons MLPerf に対応する教育用ベンチマークスイート（開発中）
• ML Systems Design Grammar: 原始要素・制約・書き換え規則からシステム設計を推論する実験的フレームワーク

これらは「LLM 時代に教科書はどうあるべきか」という問いに対するプロジェクトの回答でもあります。LLM が検索・要約に強い一方で、「順序立ったメンタルモデル」「何が中心で何が周辺かの判断基準」は教科書のほうが提供しやすい、という立場から、AI チューター（Socratiq）と教科書を組み合わせる設計となっています。

教科書 Volume I / Volume II の学習範囲

MLSysBook の教科書本体は、コンピュータアーキテクチャの古典教科書として知られる Hennessy & Patterson の分割モデル（"Computer Architecture: A Quantitative Approach" と "Computer Organization and Design" の関係）に倣い、Volume I と Volume II の 2 巻構成となっています。

Volume I（Build, Optimize, Deploy）

Volume I はシングルマシン（1〜8 GPU）を前提とした ML システムを扱います。データエンジニアリング、AI フレームワーク、AI トレーニング、Efficient AI、モデル最適化、AI アクセラレーション、ベンチマーキング、オンデバイス学習といった章が含まれ、単機環境で ML システムを組み上げるまでの基礎を積み上げます（Volume I 公式ページ）。

想定される読者は、DL の基礎は履修済みだが「モデル訓練が終わったあとどうするか」「エッジ端末で動かすときに何を捨てるか」を体系的に学びたい層です。

Volume II（Scale, Distribute, Govern）

Volume II はマルチマシン・分散インフラの世界を扱います。Embedded AIOps、Security & Privacy、Responsible AI、Sustainable AI、AI for Good、Robust AI、Generative AI といった章が含まれ、プロダクション規模の障害耐性・ガバナンス・電力持続性まで対象範囲を広げます（Volume II 公式ページ）。

Volume II は Volume I を前提としない構成で書かれており、既に単機での ML システム経験がある読者は Volume II から入ることも想定されています。README の FAQ にもその旨が明記されています。

どちらから読むか

READMEに記載された学習パスと、書籍構成から判断すると、以下のように読み分けが可能です。

類似リポジトリ・他書との違い

MLSysBook の README には他教材との違いを説明する FAQ が多数含まれています。ここでは代表的な類似リソースを取り上げ、それぞれとのスコープの違いを整理します。

d2l.ai との違い

d2l-ai/d2l-en（Dive into Deep Learning、スター数 29,136、2026 年 7 月時点）は、PyTorch / JAX / TensorFlow など複数フレームワークで書かれた対話型の深層学習教科書です。Stanford・MIT・Harvard など 70 カ国・500 校以上の大学で採用されており、DL の学習教材としては事実上のデファクトの一つです。

両者の違いは「モデル層で止まるか、システム全体に広げるか」に集約されます。

d2l.ai を読了した読者が次のステップとして MLSysBook に進む、という並びが README FAQ でも示唆されています。両者は競合ではなく補完関係にあります。

stas00/ml-engineering との違い

stas00/ml-engineering（Machine Learning Engineering Open Book、スター数 18,351、2026 年 7 月時点）は、現在の LLM 訓練・推論スタックの実務ノート集です。SLURM を使った GPU クラスタ運用、ストレージ設定、ネットワーク帯域、スケーラビリティ TIPS などが Markdown で記述されており、実務者からの支持が厚いリポジトリです。

両者の違いは「現行スタックのスナップショットか、原理を積み上げる教科書か」に集約されます。

現場で今すぐ動く TIPS を求めるなら stas00、次世代の設計判断ができる基礎体力をつけたいなら MLSysBook、という棲み分けが可能です。

MLOps 系書籍との違い

GokuMohandas/mlops-course（Made With ML、スター数 3,389、2026 年 7 月時点）や、"Designing Machine Learning Systems"（Chip Huyen 著）などの MLOps 系書籍・コースは、プロダクション ML パイプラインの構築・運用に特化した教材です。feature store、pipeline、deployment、監視といったテーマを、Ray や Python の実装コードとともに学びます。

MLSysBook README では、これらとの関係を「レシピと料理の原理」の比喩で説明しています。

MLOps 書籍が「レシピ」を提供するのに対し、MLSysBook は「なぜそのレシピが成立するかの物理」を提供する、という位置づけです。両者を組み合わせて読むことで、実装力と設計力の両方が身につく設計になっています。

Warehouse-Scale Computer 系リファレンスとの違い

Google の Luiz André Barroso らによる "The Datacenter as a Computer"（Warehouse-Scale Computer）は、大規模データセンター設計のリファレンスとして知られています。MLSysBook README では、これとの違いも FAQ で明確に区別されています。

Barroso らのテキストが「1 組織（Google）が作った 1 つの正典設計」のリファレンスであるのに対し、MLSysBook は「学習目的・演習・AI チューター付きのカリキュラム」として、ベンダー中立かつ継続更新される教材として位置づけられています。

比較サマリ

以上の比較を 1 枚の表で整理します。

学習目的別の推奨活用パターン

READMEの "Choose Your Path" と本記事で整理した比較を踏まえ、日本語圏の実務エンジニアが取り得る学習パスを 3 パターン提示します。

実務エンジニア向けパス

社内で ML インフラや LLM 運用の担当になった、あるいは新規プロジェクトの技術選定を任された立場を想定します。

1. Volume I の "AI Training" "Efficient AI" "Model Optimizations" を通読: 単機での訓練・推論最適化の原理を押さえます
2. Volume II の "Embedded AIOps" "Robust AI": 障害耐性・監視・ドリフト対応の設計原則を把握します
3. MLSys·im のシミュレータで自プロジェクトの制約を計算: 帯域幅・遅延・電力といった逃れられない物理制約を、自チームのインフラに当てはめて数値化します

MLOps 系書籍を並行して読むと、原理（MLSysBook）と実装レシピ（MLOps 書籍）の両輪が揃います。

独学者向けパス

DL の基礎は d2l.ai や fast.ai で履修済み、システム側を体系的に学びたい層を想定します。

1. Volume I を Lab 00 とともに通読: 教科書と演習を並走させ、章ごとに手を動かします
2. TinyTorch の 20 モジュール実装: フレームワーク内部の設計判断を追体験します
3. StaffML の面接問題で理解度を検証: 物理に基づく問題で「分かったつもり」を潰します
4. Volume II に進む: 分散・信頼性・ガバナンスまで視野を広げます

演習を伴走させることで「読んだが理解していない」状態を避けやすくなります。

教員・社内勉強会リード向けパス

大学講義や社内勉強会を担当する立場を想定します。

1. Instructor Hub の AI Engineering Blueprint を確認: 16 週シラバス 2 本・評価ルーブリック・TA ハンドブックが公開されています（Instructor Hub）
2. Lecture Slides を自校・自社のコンテキストに合わせて改変: Beamer スライドで 4 テーマの変形版が用意されているため、テーマを選んで運用できます
3. Labs / Kits を演習セッションに組み込む: 座学と手を動かす演習をバランスさせます
4. Newsletter を購読して章の更新を追う: 更新頻度の高いリポジトリなので、教材リフレッシュに活用できます

社内教育の設計者にとって、シラバス・ルーブリック・TA 資料まで揃った教材は、ゼロから作るコストを大幅に削減できます。

ライセンス・リポジトリ属性・注意点

意思決定支援の最後の段階として、ライセンスとリポジトリ属性を確認します。

リポジトリ属性の実測データ

GitHub API から取得した客観値は以下の通りです。

archived=false・fork=false・disabled=false であり、他リポジトリのフォークでも凍結リポジトリでもありません。スター数・フォーク数から見て学術用途および実務用途の双方で参照されており、直近プッシュも本記事執筆から数日以内であることから、メンテナンスは健全と判断できます。

ライセンス（CC BY-NC-SA 4.0）と実務利用時の注意点

GitHub API の自動判定では NOASSERTION（SPDX 判定不能）と表示されますが、これは LICENSE ファイルの形式が SPDX の自動検出パターンに厳密には合致しなかったためであり、ライセンスが不明という意味ではありません。README の Meta 表示および LICENSE.md ファイルには CC BY-NC-SA 4.0（Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International）が明記されています。

CC BY-NC-SA 4.0 の主要条件は以下の通りです。

• BY: 著者クレジット（原著者名・タイトル・ライセンス表示）を明示する
• NC: 商用利用は不可
• SA: 派生物を配布する場合、同一ライセンスで配布する

実務利用時の注意点として、次のような場合には注意が必要です。

• 商用の社内研修コンテンツに教材を組み込む場合: NC 条項に触れる可能性があるため、単なる引用や参考文献としての言及に留めるか、原著者に別途許諾を確認することが望ましい
• 教材の抜粋を含む商用書籍・有料コースを制作する場合: 商用利用に該当するため、原著者に別途許諾を確認する必要がある
• 社内勉強会・非営利の講義: 一般的に NC 条項の対象外（ただしライセンスの解釈は運用者側で最終確認が必要）

大学講義や社内の非営利な勉強会での活用は想定されている用途である一方、商用出版・有料研修への組み込みは慎重な判断が必要です。

まとめ｜MLSysBookが選ばれる 3 つの理由

MLSysBook（harvard-edge/cs249r_book）が、機械学習システム工学の独学教材として選ばれる理由は、次の 3 点に集約できます。

1. モデル層で止まらず、システム全体を扱う: d2l.ai などの DL 教科書がモデル・アルゴリズム・数学に留まるのに対し、MLSysBook はデータ取り込み・実シリコン制約・電力/遅延・分散スケール・信頼性・ドリフト・ガバナンスまで、モデルを取り巻くシステム全体をカバーします
2. ツール依存ではなく、原理から積み上げる: MLOps 系書籍が「今日のツールでのレシピ」であるのに対し、MLSysBook は「なぜそのツールが必要で、何にコストがかかるか」を物理・定量推論から導きます。ツール世代交代に耐える基礎体力が身につきます
3. 統合カリキュラムとして完結している: 教科書だけでなく、Labs・TinyTorch・Hardware Kits・MLSys·im・StaffML・Instructor Hub・Lecture Slides・Newsletter まで含めた統合カリキュラムとして設計されており、独学者・実務者・教員のいずれの立場からも活用できます

次の一歩としては、Volume I の冒頭章（Introduction / ML Systems / Deep Learning）を眺めて教科書のトーンを確認するか、教員・勉強会リードの立場であれば Instructor Hub のシラバスを一読するのがおすすめです。詳しくは公式サイト（mlsysbook.ai）と GitHub リポジトリ（harvard-edge/cs249r_book）を参照してください。ライセンスは CC BY-NC-SA 4.0 のため、商用利用や派生物配布時の条件には留意する必要があります。