ABEJA PlatformとAIで作るサブスクリプションビジネス

SIX 2019 biz-f-3
「ABEJA PlatformとAIで作るサブスクリプションビジネス」
Shogo Muranushi @ABEJA, Inc.

前半は、自社の課題解決に止まらず業界の課題解決にビジネスを転換した事例をもとに、スケールさせるビジネスとAIで持続的価値を提供する方法についてお話しします。後半では、それらを実現する上で必要な技術要素の説明と、ABEJA Platformを活用して如何にスピーディーにビジネスを始めるか、デモを交えながらご紹介します。

Transcript

1. DAY 2 “藝” Business Day
   ABEJA PlatformͱAIͰ࡞Δ
   αϒεΫϦϓγϣϯϏδωε
   ଜओ ૖ޛʢΉΒ͵͠ ͠ΐ͏͝ʣABEJA, Inc. Product Owner
   

   View Slide

2. • サブスクリプションビジネスについて少し分かる
   • 継続的に価値を上げるにはデータが重要
   • 他社事例を元に⾃社に応⽤できるイメージが湧く
   • AIをビジネスに実装することは⾃社のビジネスを成⻑させ
   る上で今後必須になること
   • ABEJA Platformは何が出来るのか
   今⽇のゴール
   

   View Slide

3. サブスクリプションビジネスの結論
   

   View Slide

4. 製品の売るのではなくて、結果を売る
   

   View Slide

5. サブスクリプションビジネスとは
   

   View Slide

6. サブスクリプションビジネスとは
   概要 所有権の移転 途中解約 利益
   販売 売り切り
   あり
   （顧客へ）
   ✕
   販売時点で
   確定
   リース リース会社と契約する⾦融取引 なし ✕ 継続的
   レンタル
   レンタルする対象商品の中から選んで
   借りるモデル
   なし ◯ 継続的
   サブスクリプション
   顧客ニーズに合った商品やサービス
   を、定額で提供するモデル
   なし ◯ 継続的
   早いサイクルで顧客に向き合って、改善・成⻑しないと成り⽴たないビジネスモデル
   

   View Slide

7. なぜサブスクリプションなのか
   お客様の
   ニーズ
   所有 利⽤
   

   View Slide

8. なぜサブスクリプションなのか
   お客様の
   ニーズ
   所有 利⽤
   例
   メールサーバ
   ファイルサーバ
   

   View Slide

9. なぜサブスクリプションなのか
   直ぐ始められる
   直ぐ辞められる
   事業成⻑に
   合わせられる
   管理不要
   お客様の
   ニーズ
   所有 利⽤
   例
   メールサーバ
   ファイルサーバ
   

   View Slide

10. 従来のビジネスモデルの違い
    コスト コスト
    売上
    ੡඼αϙʔτ
    ɹ ड஫
    ϚʔέɾӦۀ
    売り切り
    

    View Slide

11. 従来のビジネスモデルの違い
    コスト コスト
    売上
    コスト
    ɹܧଓ՝ۚ
    ɹ ड஫
    ϚʔέɾӦۀ
    ੡඼αϙʔτ
    ɹ ड஫
    ϚʔέɾӦۀ
    売上
    売り切り
    サブスク
    リプション
    

    View Slide

12. 従来の製品開発との違い
    売り切り
    購⼊
    ɹܧଓ՝ۚ
    ɹ ड஫
    ϚʔέɾӦۀ
    サブスク
    リプション
    継続
    解約
    ੡඼αϙʔτ
    ɹ ड஫
    ϚʔέɾӦۀ
    

    View Slide

13. 従来の製品開発との違い
    売り切り
    購⼊
    ɹܧଓ՝ۚ
    ɹ ड஫
    ϚʔέɾӦۀ
    サブスク
    リプション
    継続
    解約
    ܧଓར༻ͯ͠΋Β͏ͨΊʹ
    ͢͹΍͘վળͷαΠΫϧΛճ͢
    ੡඼αϙʔτ
    ɹ ड஫
    ϚʔέɾӦۀ
    

    View Slide

14. ref: https://pbs.twimg.com/media/DrS9_fPU8AEVRQf.jpg
    

    View Slide

15. 継続利⽤してもらうために重要なこと
    

    View Slide

16. 継続利⽤してもらうためには顧客の⾏動を知ることが重要
    

    View Slide

17. 継続利⽤してもらうためには顧客の⾏動を知ることが重要
    ⾃社 顧客
    売り切り
    ⾃社にデータが貯まらない
    

    View Slide

18. 継続利⽤してもらうためには顧客の⾏動を知ることが重要
    ⾃社 顧客
    サブスク
    リプション
    ⾃社にデータを貯めて
    顧客、製品の状態・情報を分析する
    ⾃社 顧客
    売り切り
    

    View Slide

19. Webの場合はトラッキングしやすい
    

    View Slide

20. Webの場合はトラッキングしやすい
    Webサービスは貯めやすい
    メーカーは貯めにくい？
    

    View Slide

21. フェンダーの例
    ギターを買う
    練習する
    少し出来るように
    なると挫折する
    辞める ੜ֔ͷސ٬
    乗り越える
    

    View Slide

22. オンライン教育サービスをリリース
    

    View Slide

23. フェンダーの例
    ʮࢲ͸ͨͩΪλʔΛചͬͯɺࣙΊͳ͍Ͱ͘Εɻ
    ͱفΔϏδωε͸΍Γͨ͘ͳ͔ͬͨʯ
    ސ٬ΛΪλʔͷॴ༗ऀͰ͸ͳ͘
    Ϊλʔԋ૗ऀͱͯ͠ݟ͍ͯͨ
    

    View Slide

24. どうやってデータを集める
    

    View Slide

25. 鍵はオンライン
    

    View Slide

26. ここで話を本来論に戻して、そもそも顧客が求めているもの
    

    View Slide

27. ここで話を本来論に戻して、そもそも顧客が求めているもの
    

    View Slide

28. ここで話を本来論に戻して、そもそも顧客が求めているもの
    温かい美味しい
    ⾷べ物
    

    View Slide

29. ここで話を本来論に戻して、そもそも顧客が求めているもの
    温かい美味しい
    ⾷べ物
    製品 結果
    

    View Slide

30. ここで話を本来論に戻して、そもそも顧客が求めているもの
    • 私は、トヨタを「⾃動⾞をつくる会社」か
    ら、「モビリティカンパニー」にモデルチェ
    ンジすることを決断しました。すなわち、
    世界中の⼈々の「移動」に関わるあらゆる
    サービスを提供する会社になるということ
    です。
    • https://www.toyota.co.jp/jpn/company/
    message/
    

    View Slide

31. ここで話を本来論に戻して、そもそも顧客が求めているもの
    A஍఺ B஍఺
    クルマは
    AからBへの移動⼿段
    

    View Slide

32. ここで話を本来論に戻して、そもそも顧客が求めているもの
    A地点からB地点までの間に
    顧客に出来ることは？
    A஍఺ B஍఺
    クルマは
    AからBへの移動⼿段
    

    View Slide

33. ここで話を本来論に戻して、そもそも顧客が求めているもの
    移動に際して顧客に満⾜して
    もらためにどんなデータが必要？
    A地点からB地点までの間に
    顧客に出来ることは？
    A஍఺ B஍఺
    クルマは
    AからBへの移動⼿段
    

    View Slide

34. ͲͷΑ͏ʹσʔλΛऩू͢Δͷ͔
    

    View Slide

35. 鍵はオンライン
    

    View Slide

36. 先程の例
    

    View Slide

37. 先程の例
    ڞ௨఺͸೗Կʹސ٬ʹ͍ۙͱ͜ΖͰ
    σʔλΛऔಘͰ͖Δ͔
    

    View Slide

38. 継続的に⾼い価値を顧客に提供するサイクルを確⽴
    顧客に近いところで
    データを集める
    顧客を知る
    すぐに
    カイゼンする
    満⾜度が
    上がる
    顧客が増える
    継続利⽤になる
    

    View Slide

39. 継続的に⾼い価値を顧客に提供するサイクルを確⽴
    顧客に近いところで
    データを集める
    顧客を知る
    すぐに
    カイゼンする
    満⾜度が
    上がる
    顧客が増える
    継続利⽤になる
    AI
    

    View Slide

40. View Slide

41. • 沢⼭のデータが必要
    • ⼤量のデータを元に徐々に改善（学習させる、⼿法変
    える含めて）し、成⻑させる必要がある
    • ではもっとデータを集めるにはどうしたら良いか
    AIは簡単に精度を達成できるものではない
    

    View Slide

42. εέʔϧ͢ΔϏδωεͷ࿩
    

    View Slide

43. ⾃社だけに留まらず他社にもサービスを展開する
    Data
    ⾃社のみ 他社へもサービス
    Data Data
    Data Data
    

    View Slide

44. ⾃社だけに留まらず他社にもサービスを展開する
    Data
    ⾃社のみ 他社へもサービス
    Data Data
    Data Data
    事業投資
    業務改善
    

    View Slide

45. View Slide

46. View Slide

47. 継続的にカイゼンするビジネスと
    AIを実装するには
    

    View Slide

48. やりたいこと
    の確定
    AI導⼊効果により
    結果的に業績が向上
    AI
    ՝୊ઃఆ͕ॏཁ
    ͜͜Ͱؒҧ͑Δͱ
    ౸ୡͰ͖ͳ͍
    

    View Slide

49. ¥
    活⽤⽅針策定 PoC 開発 運⽤
    AI案件の主な進め⽅
    

    View Slide

50. 1〜2ヶ⽉
    AI案件の主な進め⽅
    ✓ AIが説くべき課題か
    ✓ 費⽤対効果が得られるか
    活⽤⽅針策定 PoC 開発 運⽤
    

    View Slide

51. 2〜3ヶ⽉
    Proof of Concept (コンセプト実証)
    ✓ 本当にAIで解決できる課題か？
    AI案件の主な進め⽅
    活⽤⽅針策定 PoC 開発 運⽤
    

    View Slide

52. 3〜4ヶ⽉
    実⽤化に向けたAIモデルの開発
    ✓ 運⽤環境の構築
    AI案件の主な進め⽅
    活⽤⽅針策定 PoC 開発 運⽤
    

    View Slide

53. この時点から実現場で利⽤することが可能
    ✓ 現場でも本当に活⽤できるのか？
    ✓ AIを踏まえてのオペレーション
    AI案件の主な進め⽅
    活⽤⽅針策定 PoC 開発 運⽤
    

    View Slide

54. ⼀気通貫で⽀援
    活⽤⽅針の策定から運⽤まで
    活⽤⽅針策定 PoC
    ABEJAでは
    活⽤⽅針策定 PoC 開発 運⽤
    開発 運⽤
    

    View Slide

55. NEW
    AI Development Partner
    Glia
    Computing
    

    View Slide

56. View Slide

57. ։ൃ؀ڥ͔Βຊ൪؀ڥ΁ͷҾ͖౉͠
    データ、モデル、結果のバージョン管理
    冗⻑性やGPUリソースの担保、
    エッジ側との連携プロセス構築
    ⼤量データの取得に必要なAPIや負担分
    散の仕組みや準備、セキュリティ担保
    教師データの作成に必要なツールと⼈材の準備
    データウェアハウス
    の準備と管理
    データのバリエーション（正確性）の確認
    0からのモデル設計
    GPU環境の準備
    と⾼度な分散化
    デプロイ後のモデルの挙動を監視し、
    必要に応じてモデルをアップデート
    データ
    取得
    データ
    蓄積
    データ
    確認
    教師
    データ
    作成
    モデル
    設計
    学習 評価 デプロイ 推論 再学習
    教師
    データ
    作成
    デプロイ 推論 再学習
    

    View Slide

58. ։ൃ؀ڥ͔Βຊ൪؀ڥ΁ͷҾ͖౉͠
    データ、モデル、結果のバージョン管理
    冗⻑性やGPUリソースの担保、
    エッジ側との連携プロセス構築
    ⼤量データの取得に必要なAPIや負担分
    散の仕組みや準備、セキュリティ担保
    教師データの作成に必要なツールと⼈材の準備
    データウェアハウス
    の準備と管理
    データのバリエーション（正確性）の確認
    0からのモデル設計
    GPU環境の準備
    と⾼度な分散化
    デプロイ後のモデルの挙動を監視し、
    必要に応じてモデルをアップデート
    データ
    取得
    データ
    蓄積
    データ
    確認
    教師
    データ
    作成
    モデル
    設計
    学習 評価 デプロイ 推論 再学習
    教師
    データ
    作成
    デプロイ 推論 再学習
    AI活⽤までに数多くの課題が存在
    

    View Slide

59. “ As the machine learning (ML) community continues to accumulate years of experience with live systems ”
    “ 開発およびMLシステムを導⼊することは⽐較的⾼速で安価ですが、時間をかけて
    それを維持することは困難かつ⾼価である”
    

    View Slide

60. View Slide

61. ։ൃ؀ڥ͔Βຊ൪؀ڥ΁ͷҾ͖౉͠
    データ、モデル、結果のバージョン管理
    冗⻑性やGPUリソースの担保、
    エッジ側との連携プロセス構築
    ⼤量データの取得に必要なAPIや負担分
    散の仕組みや準備、セキュリティ担保
    教師データの作成に必要なツールと⼈材の準備
    データウェアハウス
    の準備と管理
    データのバリエーション（正確性）の確認
    0からのモデル設計
    GPU環境の準備
    と⾼度な分散化
    デプロイ後のモデルの挙動を監視し、
    必要に応じてモデルをアップデート
    データ
    取得
    データ
    蓄積
    データ
    確認
    教師
    データ
    作成
    モデル
    設計
    学習 評価 デプロイ 推論 再学習
    

    View Slide

62. ։ൃ؀ڥ͔Βຊ൪؀ڥ΁ͷҾ͖౉͠
    データ、モデル、結果のバージョン管理
    冗⻑性やGPUリソースの担保、
    エッジ側との連携プロセス構築
    ⼤量データの取得に必要なAPIや負担分
    散の仕組みや準備、セキュリティ担保
    教師データの作成に必要なツールと⼈材の準備
    データウェアハウス
    の準備と管理
    データのバリエーション（正確性）の確認
    0からのモデル設計
    GPU環境の準備
    と⾼度な分散化
    デプロイ後のモデルの挙動を監視し、
    必要に応じてモデルをアップデート
    データ
    取得
    データ
    蓄積
    データ
    確認
    モデル
    設計
    学習 評価
    教師
    データ
    作成
    デプロイ 推論 再学習
    

    View Slide

63. ։ൃ؀ڥ͔Βຊ൪؀ڥ΁ͷҾ͖౉͠
    データ、モデル、結果のバージョン管理
    冗⻑性やGPUリソースの担保、
    エッジ側との連携プロセス構築
    ⼤量データの取得に必要なAPIや負担分
    散の仕組みや準備、セキュリティ担保
    教師データの作成に必要なツールと⼈材の準備
    データウェアハウス
    の準備と管理
    データのバリエーション（正確性）の確認
    0からのモデル設計
    GPU環境の準備
    と⾼度な分散化
    デプロイ後のモデルの挙動を監視し、
    必要に応じてモデルをアップデート
    データ
    取得
    データ
    蓄積
    データ
    確認
    モデル
    設計
    学習 評価
    教師
    データ
    作成
    デプロイ 推論 再学習
    

    View Slide

64. データの保存
    Data saving
    

    View Slide

65. σʔλอଘͷ՝୊
    ⼤容量ストレージ
    データ暗号化
    アクセス
    コントロール
    検索性
    機械学習⽤の⼤容量データを保管できる容量ストレージ
    個⼈情報や機微な情報はデータの暗号化が必要
    アクセス権の管理、アクセスログの記録、⼀定期間後に
    データを削除するなどの実装が必要
    ⼤量のデータから任意のデータを探せるような検索性も考慮
    

    View Slide

66. Datalake
    

    View Slide

67. Datalake
    • 実質無制限にデータ保存
    • 1ファイル毎に任意のメタデータを付与
    • ⾃動バックアップ、⼀定期間後に⾃動削除
    • セキュリティの⾃動強化
    • 認証認可やアクセスコントロール、データ
    暗号化などのセキュリティ設定済み
    Unstructured data
    Metadata Auto backup
    Access control
    Authentication Encrypt data
    

    View Slide

68. 教師データの作成
    Annotation
    

    View Slide

69. アノテーションとは？
    アノテーションとは、モデルに学習させる為の『問い』と『答え』となる教師データを⼈間が作成する
    プロセスのことを指します。
    機械学習や深層学習の教師あり学習などの研究分野においては、⼤量に学習した『問い』と『答え』の
    情報から、問いに対して答えを算出するまでの関数を⾃動的に導き出していくことが特徴となります。
    Dog
    Dog
    Cat
    ඇߏ଄σʔλ Ξϊςʔγϣϯ ߏ଄σʔλ
    

    View Slide

70. Annotation
    

    View Slide

71. Annotation
    - ラベリングのためのツール
    - 10万⼈を超えるアノテーターリソース
    による委託サービスの提供
    - 品質向上のための仕組み
    事前推論によるアノテーションの
    省⼒化機能
    Segmentation
    Detection Polygon
    Text
    Video Voice
    

    View Slide

72. 学習
    Training
    

    View Slide

73. Training
    

    View Slide

74. Traing
    • 学習ジョブの実⾏
    • 各種バージョン管理
    • 学習⽤データ、学習⽤コード、学習結果を保
    存し、再現性、ノウハウの共有を⾏う
    • 並列学習でリードタイムを短縮
    • 学習結果と精度をGUI上で⽐較、記録
    Parallel training
    GPU Major DL Library
    Tensorboard
    Jupyter notebook Local develop
    

    View Slide

75. ։ൃ؀ڥ͔Βຊ൪؀ڥ΁ͷҾ͖౉͠
    データ、モデル、結果のバージョン管理
    冗⻑性やGPUリソースの担保、
    エッジ側との連携プロセス構築
    ⼤量データの取得に必要なAPIや負担分
    散の仕組みや準備、セキュリティ担保
    教師データの作成に必要なツールと⼈材の準備
    データウェアハウス
    の準備と管理
    データのバリエーション（正確性）の確認
    0からのモデル設計
    GPU環境の準備
    と⾼度な分散化
    デプロイ後のモデルの挙動を監視し、
    必要に応じてモデルをアップデート
    データ
    取得
    データ
    蓄積
    データ
    確認
    モデル
    設計
    学習 評価
    教師
    データ
    作成
    デプロイ 推論 再学習
    

    View Slide

76. どれだけ前⾏程を頑張っても、価値が出るのはデリバリーしてから

    つまり、本番運⽤するデリバリー以降が⼤事
    活⽤⽅針策定 PoC 開発 運⽤
    

    View Slide

77. 推論
    Deploy / Serving
    仮説・検証
    Hypothesis
    verification
    洞察
    Insight
    Fast
    Delivery
    

    View Slide

78. 推論
    Deploy / Serving
    

    View Slide

79. Serving
    推論結果
    データ保存
    Deploy
    推論
    Deploy / Serving
    仮説・検証
    Hypothesis
    verification
    洞察
    Insight
    Fast
    Delivery
    

    View Slide

80. デプロイ
    Deploy
    

    View Slide

81. 94.3%
    リリースする前に本番のデータで精度評価をしてますか？
    Old Model
    

    View Slide

82. 94.3% 91.6%
    リリースする前に本番のデータで精度評価をしてますか？
    Old Model New Model
    

    View Slide

83. 数個前のモデルに本番のデータで精度評価をしてますか？
    Model v1 Model v2 Model v3 Model v4
    Week 1 91.2%
    Week 2 91.9%
    Week 3 92.5%
    Week 4 93.6%
    

    View Slide

84. Model v1 Model v2 Model v3 Model v4
    Week 1 91.2%
    Week 2 91.9%
    Week 3 92.5%
    Week 4 94.8% 93.6%
    特定条件下はv2の精度が⾼い。なぜ？
    数個前のモデルに本番のデータで精度評価をしてますか？
    

    View Slide

85. Model
    v1
    Model
    v2
    LB
    安全に切り替えることはできますか？
    

    View Slide

86. 安全に切り替えることはできますか？
    LB Model
    v2
    

    View Slide

87. Alias
    安全に切り替えることはできますか？
    Model
    v1
    Model
    v2
    

    View Slide

88. 安全に切り替えることはできますか？
    Alias
    Model
    v1
    Model
    v2
    

    View Slide

89. 安全に切り替えることはできますか？
    Alias
    Model
    v1
    Model
    v2
    

    View Slide

90. 91.2%
    93.4%
    並⾏して精度を確認できたら？
    Alias
    Model
    v1
    Model
    v2
    

    View Slide

91. 並⾏して精度を確認できたら？
    91.2%
    93.4%
    Alias
    Model
    v1
    Model
    v2
    

    View Slide

92. Endpoint
    

    View Slide

93. Endpoint
    Version URL
    1.0.1
    Primary
    https://abeja-internal.api.abeja.io/deployments/1625779592631/services/ser-9ac6cf0253fc4d33
    https://abeja-internal.api.abeja.io/deployments/1625779592631
    1.0.0
    https://abeja-internal.api.abeja.io/deployments/1625779592631/services/ser-585213887b554196
    • バージョン毎にURLを発⾏
    • 安全に切り替え可能
    • リリース前に精度を評価
    • 複数の推論APIに対して結果を可視化
    

    View Slide

94. View Slide

95. サービング
    Serving
    

    View Slide

96. Servingͷ՝୊
    ⾼可⽤性
    スケーラビリティ
    セキュリティ
    複数のアベイラビリティゾーンに分散？

    障害時の⾃動復旧？

    24/365の体制やローテーション？
    意図した通りにスケールアウトする？スケールインする？

    オートスケールはCPUベース？レイテンシーベース？GPUベース？

    ステートレス？
    認証認可？ユーザ管理？

    暗号化？アクセス権限？ロギング？

    クラウド特有のセキュリティ？
    

    View Slide

97. Well-Architected フレームワークは、クラウドアーキテクトがアプリケーション向けに実装可能な、
    安全で⾼いパフォーマンス、障害耐性を備え、効率的なインフラストラクチャを構築するのをサポート
    する⽬的で開発されました。
    このフレームワークでは、5 つの柱 (運⽤上の優秀性、セキュリティ、信頼性、パフォーマンス効率、
    コスト最適化) に基づいて、お客様とパートナーがアーキテクチャを評価し、時間と共にスケールする
    設計を実装するための⼀貫したアプローチが提供されます。
    基準の⼀つ：AWS Well Architected
    

    View Slide

98. View Slide

99. SaaS
    API
    PaaS
    IaaS
    Retail Manufacture Infrastructure Logistics
    

    View Slide

100. Deployment
     

     View Slide

101. Deployment
     - 学習済みモデルのバージョン管理
      - DataSetと連携管理
     - 作成したモデルを1クリックでWebAPIに
      - APIのBlue Green Deployment
     - 推論結果の保存機能をサポート
     B/G Deployment
     Few click deploy Auto Save
     High Scalability
     High Availability High Security
     

     View Slide

102. View Slide

103. 推論結果と⽣データの保存
     Save raw data and inference result
     

     View Slide

104. ਪ࿦݁Ռͷอଘͷඞཁੑ
     推論結果の
     チェック
     間違いの
     フィードバック
     学習・検証データ
     として再利⽤
     推論の精度は100%は無い
     実際はどうだったのかチェックする必要がある
     精度に問題があればフィードバックを⾏う必要がある
     再度学習するためのデータとして、もしくは検証するためのデータとして
     再利⽤することも可能
     

     View Slide

105. Dataset
     

     View Slide

106. Dataset
     • ⽣データとアノテーション済みデータを紐付け
     • 学習ジョブとのラベルによる紐付け、履歴管理
     • 推論結果とのラベルによる紐付け、履歴管理
     • 仮想データセットの作成
     • ラベル・タグによるフィルタ
     

     View Slide

107. View Slide

108. 洞察
     Insight
     

     View Slide

109. 可視化
     KPI
     推論
     Deploy / Serving
     仮説・検証
     Hypothesis
     verification
     洞察
     Insight
     Fast
     Delivery
     

     View Slide

110. 可視化
     Visualization
     

     View Slide

111. ਫ਼౓ͷՄࢹԽͱϞχλϦϯά
     • 推論した結果が正しいのか
      例）⼈数カウント件数のブレ幅は許容範囲内か
     • PCDA・仮説検証の結果、精度はどう変わっ
     たのか
     

     View Slide

112. KPIの管理
     KPI Management
     

     View Slide

113. Ϗδωε্ͷՁ஋Λܭଌ
     • 精度は出ているが、ビジネス的価値はどうなのか
     • 価値に対して計測することが必要
     

     View Slide

114. 仮説検証
     Hypothesis verification
     

     View Slide

115. 仮説・データ整理
     アノテーション
     学習
     評価・⽐較
     推論
     Deploy / Serving
     仮説・検証
     Hypothesis
     verification
     洞察
     Insight
     Fast
     Delivery
     

     View Slide

116. ここからは⼈の話
     

     View Slide

117. やること
     開発・運⽤
     コスト最適化
     耐障害性
     セキュリティ
     運⽤・保守
     安全なデプロイ、データの保存、精度の可視化、デプロイ前の評価、アノ
     テーションツール、etc
     オートスケール（ステートレス）、Docker、CPU最適化 / Intel MKL、推
     論⽤GPU / Amazon Elastic Inference、スポットインスタンス
     アクセスコントロール、認証認可、暗号化、ロギング、クラウド関連（
     IAM / SecurithGroup / KMS / CloudTrail / etc ）
     AWS Well Architected、Kubernetes、etc
     モニタリング、トラブルシュート
     

     View Slide

118. やること
     スキルセット
     複数⼈体制
     作り直し
     システム陳腐化
     継続的カイゼン
     通常のWebシステムの知識に加えて、これまでのポイントを理解、把握し
     て設計・構築・開発できる⼈が必要。
     さらに、これらのシステムを運⽤・トラブルシュートできるスキルセット
     を持っている⼈たち（⼀⼈では運⽤できない）が必要。
     機械学習基盤はまだまだベストプラクティスが固まっていない。ディープ
     ラーニングライブラリのアップデート頻度が⾼く、すぐに陳腐化する。
     1回で完璧なシステムは作れない。ABEJA Platformも各機能何回か作り直
     している。
     システムは作って終わりじゃない、改善して成⻑させ、持続的に価値を提
     供する必要がある。
     

     View Slide

119. やること
     スキルセット
     複数⼈体制
     作り直し
     システム陳腐化
     継続的カイゼン
     通常のWebシステムの知識に加えて、これまでのポイントを理解、把握し
     て設計・構築・開発できる⼈が必要。
     さらに、これらのシステムを運⽤・トラブルシュートできるスキルセット
     を持っている⼈たち（⼀⼈では運⽤できない）が必要。
     機械学習基盤はまだまだベストプラクティスが固まっていない。ディープ
     ラーニングライブラリのアップデート頻度が⾼く、すぐに陳腐化する。
     1回で完璧なシステムは作れない。ABEJA Platformも各機能何回か作り直
     している。
     システムは作って終わりじゃない、改善して成⻑させ、持続的に価値を提
     供する必要がある。
     どの程度のスキルセットで
     どのくらいの⼈数で
     どのくらいの期間が必要か
     

     View Slide

120. データ
     取得
     データ
     蓄積
     データ
     確認
     教師
     データ
     作成
     モデル
     設計
     学習 評価 デプロイ 推論 再学習
     教師
     データ
     作成
     デプロイ 推論 再学習
     1/3
     1/20
     

     View Slide

121. ABEJA PlatformではML/DLの複雑な問題を継続的に
     解決していきます
     

     View Slide

122. View Slide

123. Pricing
     

     View Slide

124. service amount repletion
     Datalake
     storage: 1TB -
     transfer: 1TB
     (Outbound)
     -
     Annotation πʔϧར༻Մ ར༻ྔʹԠͨ͡՝ۚʢैྔ՝ۚʣ
     Learning 168࣌ؒ -
     Deploy (WebAPI) Max 4CPU / 16GB෼ 0.25CPU / 0.75GB୯ҐͰར༻Մೳ
     Database 1CPU/1GB -
     Support Platformར༻αϙʔτ Ϟσϧ։ൃɾٕज़αϙʔτ͸Φϓγϣϯ
     ABEJA Platform 利⽤料: ¥600,000/⽉
     

     View Slide

125. service amount repletion
     Datalake
     Storage: 1TB ¥20,000
     transfer: 100GB
     (Outbound)
     ¥10,000
     Learning 168h ¥100,000
     Deploy (WebAPI) 1CPU/3.5GB෼ ¥100,000
     Database 2CPU/15GB ¥50,000
     Support Ϟσϧ։ൃɾٕज़αϙʔτ͸Φϓγϣϯ ಺༰ʹΑΓཁ૬ஊ
     オプション（⽉額）
     

     View Slide

126. MLaaS
     Manufacture Infrastructure Logistics
     

     View Slide

127. NEW
     

     View Slide

128. ։ൃ؀ڥ͔Βຊ൪؀ڥ΁ͷҾ͖౉͠
     データ、モデル、結果のバージョン管理
     冗⻑性やGPUリソースの担保、
     エッジ側との連携プロセス構築
     ⼤量データの取得に必要なAPIや負担分
     散の仕組みや準備、セキュリティ担保
     教師データの作成に必要なツールと⼈材の準備
     データウェアハウス
     の準備と管理
     データのバリエーション（正確性）の確認
     0からのモデル設計
     GPU環境の準備
     と⾼度な分散化
     デプロイ後のモデルの挙動を監視し、
     必要に応じてモデルをアップデート
     データ
     取得
     データ
     蓄積
     データ
     確認
     モデル
     設計
     学習 評価
     教師
     データ
     作成
     デプロイ 推論 再学習
     લஈͷϓϩηεΛѹ౗తʹޮ཰Խ
     

     View Slide

129. 対象データの
     アップロード
     アノテーション AIモデルの作成
     評価レポートの取得
     ダウンロード
     ABEJA Platform Accelerator
     

     View Slide

130. ありがとう
     ございました。
     

     View Slide