ABEJA PlatformとAIで作るサブスクリプションビジネス

Ade0cb4143c001fef8ca5aa320c2eb1d?s=47 ABEJA
March 05, 2019

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。

Ade0cb4143c001fef8ca5aa320c2eb1d?s=128

ABEJA

March 05, 2019
Tweet

Transcript

  1. DAY 2 “藝” Business Day ABEJA PlatformͱAIͰ࡞Δ αϒεΫϦϓγϣϯϏδωε ଜओ ૖ޛʢΉΒ͵͠

    ͠ΐ͏͝ʣABEJA, Inc. Product Owner
  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
  3. サブスクリプションビジネスの結論

  4. 製品の売るのではなくて、結果を売る

  5. サブスクリプションビジネスとは

  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
  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

  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

  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
  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

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

  15. 継続利⽤してもらうために重要なこと

  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

  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

  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

  19. Webの場合はトラッキングしやすい

  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?

  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

  22. オンライン教育サービスをリリース

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

  24. どうやってデータを集める

  25. 鍵はオンライン

  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

  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

  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

  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

  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/
  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

  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

  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

  34. ͲͷΑ͏ʹσʔλΛऩू͢Δͷ͔

  35. 鍵はオンライン

  36. 先程の例

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

  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

  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
  40. None
  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

  42. εέʔϧ͢ΔϏδωεͷ࿩

  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

  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

  45. None
  46. None
  47. 継続的にカイゼンするビジネスと AIを実装するには

  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

  49. ¥ 活⽤⽅針策定 PoC 開発 運⽤ AI案件の主な進め⽅

  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

  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
  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

  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

  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
  55. NEW AI Development Partner Glia Computing

  56. None
  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
  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
  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”
  60. None
  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
  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
  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
  64. データの保存 Data saving

  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
  66. Datalake

  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
  68. 教師データの作成 Annotation

  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
  70. Annotation

  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
  72. 学習 Training

  73. Training

  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
  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
  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

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

    Delivery
  78. 推論 Deploy / Serving

  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
  80. デプロイ Deploy

  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

  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

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

  86. 安全に切り替えることはできますか? LB Model v2

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

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

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

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

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

  92. Endpoint

  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
  94. None
  95. サービング Serving

  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?
  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
  98. None
  99. SaaS API PaaS IaaS Retail Manufacture Infrastructure Logistics

  100. Deployment

  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
  102. None
  103. 推論結果と⽣データの保存 Save raw data and inference result

  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
  105. Dataset

  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
  107. None
  108. 洞察 Insight

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

    Insight Fast Delivery
  110. 可視化 Visualization

  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

  112. KPIの管理 KPI Management

  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

  114. 仮説検証 Hypothesis verification

  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
  116. ここからは⼈の話

  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
  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。
  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
  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
  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

  122. None
  123. Pricing

  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
  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)
  126. MLaaS Manufacture Infrastructure Logistics

  127. NEW

  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
  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

  130. ありがとう ございました。