# 利用可能なモデルの一部
ollama list available

# 主要モデル例
llama3.3:70b         # Meta最新モデル
gemma2:27b           # Google高性能モデル
qwen2.5:72b          # Alibaba最新モデル
mistral:7b           # Mistral AI軽量モデル
phi4:14b             # Microsoft最新モデル
deepseek-r1:70b      # DeepSeek推論特化モデル
command-r:35b        # Cohere企業向けモデル

# config.ini

[llm]
model = "gemma2:9b"    # これを変更するだけ
# model = "llama3.3:70b"  # 最新モデルに切り替え
# model = "qwen2.5:14b"   # 中国語に強いモデル
# model = "phi4:14b"      # コンパクトで高性能

【従来の課題】
GPT-4 API: OpenAI独自形式
Claude API: Anthropic独自形式
Gemini API: Google独自形式

→ モデル切り替えごとにコード書き換えが必要

【Ollamaの革新】
すべてのモデル: 統一されたOllama API形式

→ モデル名を変えるだけで切り替え完了

# どのモデルでも同じコマンド
curl http://localhost:11434/api/generate -d '{
  "model": "gemma2:9b",
  "prompt": "こんにちは"
}'

# モデル名を変えるだけ
curl http://localhost:11434/api/generate -d '{
  "model": "llama3.3:70b",
  "prompt": "こんにちは"
}'

# config.ini

[knowledge_set_sales]
model = "command-r:35b"      # 企業向けモデル(営業用)
temperature = 0.7

[knowledge_set_legal]
model = "llama3.3:70b"       # 高精度モデル(法務用)
temperature = 0.3            # 低温度で厳密な回答

[knowledge_set_tech_support]
model = "phi4:14b"           # 軽量高速モデル(サポート用)
temperature = 0.5

[knowledge_set_research]
model = "deepseek-r1:70b"    # 推論特化モデル(研究用)
temperature = 0.8

【2026年3月】
Llama 4 リリース
 ↓ (数日後)
Ollama公式がLlama 4対応
 ↓ (即座に)
Ola-UIで利用可能(設定変更のみ)

【従来の商用システム】
Llama 4 リリース
 ↓ (数ヶ月後)
ベンダーが対応版をリリース
 ↓ (契約・導入手続き)
ようやく利用可能

→ Ola-UIの方が圧倒的に早い

# Hugging FaceのGGUFモデルをダウンロード
wget https://huggingface.co/user/model/resolve/main/model.gguf

# Ollamaにインポート
ollama create my-custom-model -f Modelfile

# Modelfile の内容例
FROM ./model.gguf
PARAMETER temperature 0.7
PARAMETER top_p 0.9

[llm]
model = "my-custom-model"

【質問】
「当社の製品Aと競合B社製品の違いを、営業資料をもとに説明してください」

【結果】

モデル          回答時間  精度   自然性  総合評価
--------------------------------------------------------
gemma2:9b       4.2秒    85%    4.3/5   Good
llama3.3:70b    12.5秒   95%    4.8/5   Excellent(高精度)
phi4:14b        3.1秒    82%    4.1/5   Good(高速)
qwen2.5:14b     3.8秒    88%    4.5/5   Good(中国語強)
command-r:35b   8.7秒    92%    4.7/5   Excellent(ビジネス向け)

【例: 製造業】
質問: 「5S活動の当社での実施状況は?」

汎用LLM: 「5S(整理・整頓・清掃・清潔・躾)は...」
        → 一般論のみ、当社固有の情報なし

カスタムLLM: 「当社では2023年から5S活動を開始し、
             現在A工場で実施率95%、B工場で...」
            → 社内データで学習済み

【例】
「PJのKPIをMTGで共有」
「QCDバランスでPDCA」

汎用LLM: 一般的な解釈のみ
カスタムLLM: 自社での使われ方を学習済み

機密情報を外部LLMに送信できない
→ 自社でトレーニングしたモデルをローカル運用

【概要】
既存の大規模モデル(例: Llama 3.3 70B)に対して、
少量のパラメータを追加学習することで、
特定タスクに特化させる

【メリット】
- 学習データ: 数百〜数千件でOK
- 学習時間: 数時間〜1日程度
- 必要GPU: RTX 4090 1枚でも可能
- コスト: 数万円〜10万円程度

# 1. 学習データ準備(JSONL形式)
# training_data.jsonl
{"prompt": "有給休暇の申請方法は?", "completion": "社内システムから..."}
{"prompt": "経費精算の期限は?", "completion": "月末締め、翌月10日まで..."}
# ... (500件の社内Q&A)

# 2. LoRAファインチューニング実行
ollama create company-faq-model \
  --base gemma2:9b \
  --adapter ./lora_adapter \
  --training-data training_data.jsonl

# 3. Ola-UIで使用
# config.ini
[llm]
model = "company-faq-model"

【課題】
医療用語・略語が多く、汎用LLMでは理解不能

【解決】
病院内の過去カルテ(個人情報削除済み)でファインチューニング
→ 「DM」「HT」「COPD」等の略語を正確に理解

【効果】
カルテ要約時間: 10分 → 2分(80%削減)
誤解釈: 月5件 → 月0.2件(96%削減)

【課題】
不良品の原因分析に、過去の膨大なトラブル事例が必要

【解決】
10年分のトラブルレポート(5,000件)でファインチューニング
→ 類似トラブルを即座に検索・提案

【効果】
原因特定時間: 2時間 → 15分(87.5%削減)
再発防止率: 70% → 92%(+22pp)

【課題】
金融法規は複雑で、一般LLMでは正確性が不足

【解決】
金融庁ガイドライン、社内規定でファインチューニング
→ コンプライアンス判定の精度向上

【効果】
判定時間: 30分 → 3分(90%削減)
見落としリスク: 大幅低減

【ハードウェア】
- GPU: NVIDIA RTX 4090(24GB VRAM) 以上推奨
- CPU: 16コア以上
- メモリ: 64GB以上
- ストレージ: SSD 500GB以上

【ソフトウェア】
- Ollama(最新版)
- Python 3.10+
- PyTorch 2.0+
- Transformers(Hugging Face)

# prepare_training_data.py

import json

def create_training_data(qa_pairs):
    """
    Q&Aペアから学習データを生成
    """
    training_data = []

    for qa in qa_pairs:
        entry = {
            "prompt": f"質問: {qa['question']}\n回答:",
            "completion": qa['answer']
        }
        training_data.append(entry)

    # JSONL形式で保存
    with open('training_data.jsonl', 'w', encoding='utf-8') as f:
        for entry in training_data:
            f.write(json.dumps(entry, ensure_ascii=False) + '\n')

# 使用例
qa_pairs = [
    {
        "question": "有給休暇の申請方法は?",
        "answer": "社内ポータルの「勤怠管理」→「休暇申請」から..."
    },
    # ... 他のQ&A
]

create_training_data(qa_pairs)

# fine_tune.sh

#!/bin/bash

echo "=== Ollama ファインチューニング開始 ==="

# 1. ベースモデルの確認
ollama list | grep gemma2:9b
if [ $? -ne 0 ]; then
    echo "ベースモデルをダウンロード"
    ollama pull gemma2:9b
fi

# 2. 学習データの検証
python validate_training_data.py training_data.jsonl

# 3. LoRAアダプター学習(概念的コマンド)
ollama train \
    --base-model gemma2:9b \
    --training-data training_data.jsonl \
    --output-adapter ./lora_adapter \
    --epochs 3 \
    --learning-rate 0.0002 \
    --batch-size 4

# 4. カスタムモデル作成
ollama create my-company-ai \
    --base gemma2:9b \
    --adapter ./lora_adapter

echo "=== ファインチューニング完了 ==="
echo "モデル名: my-company-ai"

【初期投資】
- GPU(RTX 4090): 約25万円
- 開発環境整備: 約5万円
- 学習データ準備: 約20万円(人件費)
合計: 約50万円

【ランニングコスト】
- 電気代(学習時): 1回あたり約500円
- 再学習(月1回): 約6,000円/年

総計(初年度): 約56万円

【ChatGPT API(GPT-4o)】
- 入力: $5.00/1M tokens
- 出力: $15.00/1M tokens

【月間利用量: 100名規模】
- 1人あたり平均500回/月の質問
- 平均入力: 200 tokens
- 平均出力: 500 tokens

月額コスト:
  入力: 100名 × 500回 × 200 tokens × $5/1M = $50
  出力: 100名 × 500回 × 500 tokens × $15/1M = $375
  合計: $425/月 = 約60,000円/月

年間コスト: 約72万円

【Ola-UI + 自前モデル】
初年度: 56万円
2年目以降: 6,000円/年

→ 初年度からコスト削減、2年目以降は圧倒的

# Llama 3.2 Vision モデル
ollama pull llama3.2-vision:11b

# 画像を含むプロンプト
ollama run llama3.2-vision:11b "この画像に何が写っていますか?" \
    --image photo.jpg

【シナリオ】
製品マニュアルに画像が多数含まれる

【従来】
画像は検索対象外 → テキストのみで回答

【Vision対応後】
画像も解析 → 「図3の配線図を参照してください」と具体的に回答

【Ollamaロードマップ(コミュニティ情報)】
- 2026年Q2: Stable Diffusion統合(予定)
- 2026年Q3: 独自画像生成モデル対応(予定)

【期待される機能】
ollama generate-image "富士山の日の出" \
    --model stable-diffusion-xl

【ユーザー入力】
「新製品Xのプレゼン資料を作成して。
 キービジュアルとして、近未来的なオフィス空間の画像を含めて」

【Ola-UIの処理】
1. テキスト生成: Gemma2で資料本文を作成
2. 画像生成: Stable Diffusionで「近未来的オフィス」画像生成
3. 統合: HTML形式で資料完成

【出力】
- タイトル: 「製品Xで実現する未来のワークスタイル」
- 本文: 3ページの提案資料
- 画像: AIが生成したオフィス空間ビジュアル3枚

【ユーザー入力】
「製品Aの組み立て手順書を作成。
 各ステップの図解も生成して」

【Ola-UIの処理】
1. ナレッジから組み立て手順を抽出
2. 各ステップの説明文を生成
3. 画像生成AIで図解イラストを作成

【出力】
ステップ1: 部品Xを取り出す [AI生成図解]
ステップ2: 部品Yと接続する [AI生成図解]
...

【ユーザー入力】
「今月の売上データをグラフ化して、
 トレンドを視覚的に分かりやすく」

【Ola-UIの処理】
1. 売上ナレッジDBから数値データ抽出
2. Pythonでグラフ生成(棒グラフ、折れ線グラフ)
3. AIでインフォグラフィック風に装飾

【出力】
- グラフ画像
- トレンド分析コメント
- 次月の予測

【現在のアーキテクチャ】
テキスト入力 → Ollama(LLM) → テキスト出力

【マルチモーダル版アーキテクチャ】
テキスト入力 ─┐
画像入力 ────┤
音声入力 ────┼→ Ollama(統合エンジン) ─┬→ テキスト出力
              │                          ├→ 画像出力
              │                          ├→ 音声出力
              └→ ナレッジDB(RAG)         └→ 動画出力(将来)

// chat_api_multimodal.php (将来版)

function process_multimodal_request($request) {
    // 入力の種類を判定
    $input_type = detect_input_type($request);

    switch ($input_type) {
        case 'text':
            $result = process_text($request['text']);
            break;
        case 'image':
            $result = process_image($request['image']);
            break;
        case 'text_and_image':
            $result = process_text_image($request['text'], $request['image']);
            break;
    }

    // 出力形式も柔軟に
    if ($request['output_type'] === 'image') {
        return generate_image($result);
    } else {
        return $result;
    }
}

# Whisper(OpenAI音声認識)の統合(将来)
ollama transcribe audio.mp3 \
    --model whisper-large-v3

【シナリオ: ハンズフリー質問】
営業: 「(音声で)今月の売上目標達成率は?」
Ola-UI: 音声認識 → テキスト化 → RAG検索 → 音声で回答
      「(音声で)今月の達成率は92%です」

# TTS(テキスト読み上げ)の統合(将来)
echo "今月の売上は好調です" | ollama speak \
    --model coqui-tts \
    --voice japanese-female

【テキストのみ】
「売上が前月比120%でした」

【マルチモーダル】
「売上が前月比120%でした」
+ グラフ画像(視覚的に理解しやすい)
+ 音声読み上げ(ハンズフリーで確認)

【従来】
文字入力が苦手なユーザーは利用困難

【音声対応後】
「音声で質問 → 音声で回答」
→ ITリテラシーに関係なく誰でも利用可能

【新たな用途】
- 製造現場: 両手がふさがっている状態での音声質問
- デザイン部門: 「こんな感じのロゴを生成して」→画像生成
- プレゼン: 「この内容でスライドを作って」→画像+テキスト統合

【2026年Q2(予定)】
- Vision機能の正式対応
- Ola-UIで画像アップロード→内容解析機能

【2026年Q3(予定)】
- 画像生成機能のベータ版
- Ola-UIで「図解付きレポート」生成機能

【2026年Q4(予定)】
- 音声入力対応
- Ola-UIで音声質問機能

【2027年Q1(予定)】
- 音声出力対応
- 完全なマルチモーダル統合

【2027年Q2以降(構想)】
- 動画生成対応
- AR/VRとの統合

【選択肢A: 独自LLMエンジン開発】
メリット: 完全なコントロール
デメリット:
- 開発コスト膨大(数億円規模)
- 最新技術への追従困難
- メンテナンス負荷大

【選択肢B: Ollama連携(Ola-UIの選択)】
メリット:
- 開発コスト最小
- 最新モデル即座に利用可能
- コミュニティの知見を活用
- Ola-UIは「RAG+UI」に特化できる
デメリット:
- Ollamaの進化に依存

【Ollamaが提供】
- LLMエンジン
- モデル管理
- API提供

【Ola-UIが提供】
- RAG機能
- ナレッジ管理
- ユーザーインターフェース
- 日本語最適化

【ユーザーが得るもの】
- 統合された実用システム
- 最新AI技術
- 低コスト運用

【例: 新しい量子化技術の登場】

Ollamaコミュニティが対応
  ↓ (数週間)
Ollama最新版リリース
  ↓ (即座に)
Ola-UIユーザーが恩恵を受ける

【例: 新しいAttention機構の発明】

研究論文発表
  ↓ (数ヶ月)
Meta/GoogleがLlama/Gemmaに実装
  ↓ (数週間)
Ollamaが対応
  ↓ (即座に)
Ola-UIで利用可能

Ollama: LLM推論のみ
Ola-UI: 
  - 複数ナレッジセット管理
  - レコメンデーション機能
  - ハイブリッド検索
  - ベクトルストア最適化

Ollama: グローバル対応(英語中心)
Ola-UI:
  - 日本語プロンプト最適化
  - 日本語チャンキング
  - 日本企業の業務フローに最適化

Ollama: CLIインターフェース(技術者向け)
Ola-UI:
  - 直感的なWebインターフェース
  - ナレッジセット切り替え
  - 会話履歴管理
  - 非エンジニアでも使える

【現在】
Ola-UI → Ollama → LLM

【将来の可能性】
Ola-UI → Ollama → LLM
      └→ vLLM → LLM(別の高速エンジン)
      └→ OpenAI API(ハイブリッド)
      └→ ローカルGPU直接(超高速モード)

# 1. Ollamaの最新版に更新
curl -fsSL https://ollama.com/install.sh | sh

# 2. 最新モデルリストを確認
ollama list available | grep 2026

# 3. 試したいモデルをダウンロード
ollama pull llama3.3:70b

# 4. 動作確認
ollama run llama3.3:70b "こんにちは"

# 5. Ola-UIで使用
# config.ini を編集
[llm]
model = "llama3.3:70b"

# 6. Ola-UI再起動(PHPサーバー)
# Ctrl+C で停止後、再起動
php -S localhost:8080

# 学習データ準備スクリプト
python prepare_training_data.py \
    --input company_qa.csv \
    --output training_data.jsonl

# ファインチューニング実行(将来の機能)
ollama train \
    --base gemma2:9b \
    --data training_data.jsonl \
    --output my-company-ai

# Ola-UIで使用
# config.ini
[llm]
model = "my-company-ai"

# Visionモデルのダウンロード
ollama pull llama3.2-vision:11b

# 画像解析テスト
ollama run llama3.2-vision:11b \
    "この画像の内容を日本語で説明してください" \
    --image document.jpg

<!-- index_t.html に画像アップロード機能追加 -->
<input type="file" id="imageUpload" accept="image/*">

<script>
// 画像とテキストを同時送信
function sendWithImage() {
    const formData = new FormData();
    formData.append('message', userMessage);
    formData.append('image', imageFile);
    formData.append('model', 'llama3.2-vision:11b');

    fetch('chat_api_multimodal.php', {
        method: 'POST',
        body: formData
    });
}
</script>

# 量子化版を使用(速度優先)
ollama pull llama3.3:70b-q4_0  # 4bit量子化

ollama --version
# 古い場合は更新
curl -fsSL https://ollama.com/install.sh | sh

# 画像をリサイズ
convert large_image.jpg -resize 1920x1080 resized.jpg

GitHubで報告:
https://github.com/ollama/ollama/issues

例:
「日本語文字化けの問題」
「特定モデルでのメモリリーク」

自社で作成したモデルを公開:
https://huggingface.co/

例:
「日本の製造業特化モデル」
「日本語医療用語対応モデル」

Ollama公式ドキュメントの日本語化
→ 日本のユーザーが増える
→ エコシステムが拡大

【情報共有】
- 導入事例の共有
- カスタマイズ方法の共有
- ベストプラクティスの共有

【機能開発】
- プルリクエスト
- 新機能の提案
- バグ修正

【相互支援】
- フォーラムでの質問・回答
- 勉強会の開催
- オンラインセミナー

【2026年】
- 最新LLM即座に対応
- カスタムモデル標準化
- Vision機能統合

【2027年】
- 画像生成統合
- 音声入出力対応
- 動画生成(初期)

【2028年】
- 完全マルチモーダル
- AR/VR統合
- リアルタイム翻訳

→ 「AI総合プラットフォーム」へ進化