Slide 1

Slide 1 text

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

Slide 2

Slide 2 text

• 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

Slide 3

Slide 3 text

サブスクリプションビジネスの結論

Slide 4

Slide 4 text

製品の売るのではなくて、結果を売る

Slide 5

Slide 5 text

サブスクリプションビジネスとは

Slide 6

Slide 6 text

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

Slide 7

Slide 7 text

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

Slide 8

Slide 8 text

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

Slide 9

Slide 9 text

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

Slide 10

Slide 10 text

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

Slide 11

Slide 11 text

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

Slide 12

Slide 12 text

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

Slide 13

Slide 13 text

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

Slide 14

Slide 14 text

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

Slide 15

Slide 15 text

継続利⽤してもらうために重要なこと

Slide 16

Slide 16 text

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

Slide 17

Slide 17 text

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

Slide 18

Slide 18 text

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

Slide 19

Slide 19 text

Webの場合はトラッキングしやすい

Slide 20

Slide 20 text

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?

Slide 21

Slide 21 text

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

Slide 22

Slide 22 text

オンライン教育サービスをリリース

Slide 23

Slide 23 text

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

Slide 24

Slide 24 text

どうやってデータを集める

Slide 25

Slide 25 text

鍵はオンライン

Slide 26

Slide 26 text

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

Slide 27

Slide 27 text

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

Slide 28

Slide 28 text

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

Slide 29

Slide 29 text

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

Slide 30

Slide 30 text

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/

Slide 31

Slide 31 text

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

Slide 32

Slide 32 text

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

Slide 33

Slide 33 text

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

Slide 34

Slide 34 text

ͲͷΑ͏ʹσʔλΛऩू͢Δͷ͔

Slide 35

Slide 35 text

鍵はオンライン

Slide 36

Slide 36 text

先程の例

Slide 37

Slide 37 text

先程の例 ڞ௨఺͸೗Կʹސ٬ʹ͍ۙͱ͜ΖͰ σʔλΛऔಘͰ͖Δ͔

Slide 38

Slide 38 text

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

Slide 39

Slide 39 text

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

Slide 40

Slide 40 text

No content

Slide 41

Slide 41 text

• 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

Slide 42

Slide 42 text

εέʔϧ͢ΔϏδωεͷ࿩

Slide 43

Slide 43 text

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

Slide 44

Slide 44 text

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

Slide 45

Slide 45 text

No content

Slide 46

Slide 46 text

No content

Slide 47

Slide 47 text

継続的にカイゼンするビジネスと AIを実装するには

Slide 48

Slide 48 text

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

Slide 49

Slide 49 text

¥ 活⽤⽅針策定 PoC 開発 運⽤ AI案件の主な進め⽅

Slide 50

Slide 50 text

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

Slide 51

Slide 51 text

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

Slide 52

Slide 52 text

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

Slide 53

Slide 53 text

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

Slide 54

Slide 54 text

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

Slide 55

Slide 55 text

NEW AI Development Partner Glia Computing

Slide 56

Slide 56 text

No content

Slide 57

Slide 57 text

։ൃ؀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

Slide 58

Slide 58 text

։ൃ؀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

Slide 59

Slide 59 text

“ 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”

Slide 60

Slide 60 text

No content

Slide 61

Slide 61 text

։ൃ؀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

Slide 62

Slide 62 text

։ൃ؀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

Slide 63

Slide 63 text

։ൃ؀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

Slide 64

Slide 64 text

データの保存 Data saving

Slide 65

Slide 65 text

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

Slide 66

Slide 66 text

Datalake

Slide 67

Slide 67 text

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

Slide 68

Slide 68 text

教師データの作成 Annotation

Slide 69

Slide 69 text

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

Slide 70

Slide 70 text

Annotation

Slide 71

Slide 71 text

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

Slide 72

Slide 72 text

学習 Training

Slide 73

Slide 73 text

Training

Slide 74

Slide 74 text

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

Slide 75

Slide 75 text

։ൃ؀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

Slide 76

Slide 76 text

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

Slide 77

Slide 77 text

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

Slide 78

Slide 78 text

推論 Deploy / Serving

Slide 79

Slide 79 text

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

Slide 80

Slide 80 text

デプロイ Deploy

Slide 81

Slide 81 text

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

Slide 82

Slide 82 text

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

Slide 83

Slide 83 text

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%

Slide 84

Slide 84 text

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?

Slide 85

Slide 85 text

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

Slide 86

Slide 86 text

安全に切り替えることはできますか? LB Model v2

Slide 87

Slide 87 text

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

Slide 88

Slide 88 text

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

Slide 89

Slide 89 text

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

Slide 90

Slide 90 text

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

Slide 91

Slide 91 text

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

Slide 92

Slide 92 text

Endpoint

Slide 93

Slide 93 text

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

Slide 94

Slide 94 text

No content

Slide 95

Slide 95 text

サービング Serving

Slide 96

Slide 96 text

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?

Slide 97

Slide 97 text

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

Slide 98

Slide 98 text

No content

Slide 99

Slide 99 text

SaaS API PaaS IaaS Retail Manufacture Infrastructure Logistics

Slide 100

Slide 100 text

Deployment

Slide 101

Slide 101 text

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

Slide 102

Slide 102 text

No content

Slide 103

Slide 103 text

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

Slide 104

Slide 104 text

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

Slide 105

Slide 105 text

Dataset

Slide 106

Slide 106 text

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

Slide 107

Slide 107 text

No content

Slide 108

Slide 108 text

洞察 Insight

Slide 109

Slide 109 text

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

Slide 110

Slide 110 text

可視化 Visualization

Slide 111

Slide 111 text

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

Slide 112

Slide 112 text

KPIの管理 KPI Management

Slide 113

Slide 113 text

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

Slide 114

Slide 114 text

仮説検証 Hypothesis verification

Slide 115

Slide 115 text

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

Slide 116

Slide 116 text

ここからは⼈の話

Slide 117

Slide 117 text

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

Slide 118

Slide 118 text

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。

Slide 119

Slide 119 text

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

Slide 120

Slide 120 text

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

Slide 121

Slide 121 text

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

Slide 122

Slide 122 text

No content

Slide 123

Slide 123 text

Pricing

Slide 124

Slide 124 text

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

Slide 125

Slide 125 text

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)

Slide 126

Slide 126 text

MLaaS Manufacture Infrastructure Logistics

Slide 127

Slide 127 text

NEW

Slide 128

Slide 128 text

։ൃ؀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

Slide 129

Slide 129 text

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

Slide 130

Slide 130 text

ありがとう ございました。