STADLE モデル オーケストレーション プラットフォームは、スケーラブルなモデル トレーニング、パフォーマンスを向上させる安全なクロスサイロ トレーニング、およびより迅速なモデル展開のための新しいデータの統合のためにエンタープライズ データの使用を最適化します。
AI プロジェクトの85％は、データの偏りにより誤った結果をもたらす - ガートナー
バイアス
人為的なバイアスやデータ収集によるデータの幅が不足していることによるモデルの偏り
過剰適合
データセットが大きすぎるため、ノイズや不正確な情報から学習してしまうMLモデル
アンダーフィット
小さなデータセットでの高い
バイアスと低い分散による、
誤った予測
インコンシステンシー
無関係な低品質データでの
トレーニングによって引き
起こされるモデルの問題
現状の課題
データサイロ
プライバシーなどの制約により、あらゆるソースからのデータ収集が困難な問題
データの希薄性
MLモデルの性能に影響を与えるデータセットの値の不足
データセキュリティ
データセキュリティ上の
リスクにより、重要なデータ
へのアクセスが不可
データストレージ
MLにおけるデータ転送・
保存のため高騰するコスト
主な特徴
継続的かつ協調的な学習を実現するインテリジェンスオーケストレーションプラットフォーム
高価なサーバーを購入したり、クラウド プラットフォームをサブスクライブしたりする必要はありません。ローカル AI ソリューションやアプリケーションと即座に連携するさまざまな API を使用するだけで、クラウド STADLE プラットフォームを使用できる包括的なプラットフォームを提供します。
モデル管理
最高のパフォーマンスを誇るモデルや最新のモデルなど、さまざまな AI モデルをアップロード/ダウンロードします
モデル検証
モデルのパフォーマンスを追跡して結果とパフォーマンスを確認する
オンライン機械学習
当社の API を組み合わせて、データのダイナミクスから継続的に学習する自動化されたローカル ML アプリを構築します。
自動スケーリング
Kubernetes 対応の自動スケーリング機能により、無制限の数のデバイスを接続できます。
モデル配布
いつでも、あらゆるデバイスに最高のAIモデルを配信
STADLEの使用を開始するには
1
こちらのユーザー ポータルにサインアップしてください。その後、試用版/基本ライセンスを購入するか、無料ライセンスがあるかどうかを確認するためにお問い合わせください。
2
STADLE ダッシュボードに移動し、ユーザー ポータルのサインアップ情報を使用してログインします。ユーザー プロファイル ページでライセンスがアクティブかどうかを確認できます。
3
プロジェクトを作成し、アグリゲータを開始して、STADLE 機能を有効にします。さまざまな機能について学習するには、ユーザー ガイドを参照してください。
コアテクノロジーの導入
STADLE プラットフォームは、分散学習やフェデレーション学習などの高度な ML テクノロジーを活用して、モデルのトレーニング プロセスをさらに加速し、非常に安全で柔軟なものにします。
Federated Learning
フェデレーテッドラーニング（Federated Learning: FL）は分散学習とも呼ばれ、Google Researchがすべてのトレーニングをユーザーのモバイルデバイスで実行するモバイルアプリケーションをリリースして以来、世界的に認知されています。ユーザーのプライベートデータは分散デバイスから出ることはなく、ローカルAIモデルが集約されて集合知が提供されます。FLによってビッグデータを維持するためのコストが大幅に削減され、プライバシーは保護され、知能レベルは損なわれません。FLはモバイルサービスだけでなく、顧客のプライバシーとスケーラビリティが関係するすべてのサービスに適用できます。TieSetは、世界初の完全に分散化されたフェデレーテッドラーニングテクノロジーの開発に成功しました。
Continuous Learning
人工知能モデルは、ビッグデータ システムで静的に設計および作成されてきました。しかし、知能は単発学習の産物ではなく、動的な環境に合わせて継続的に成長する必要があります。
STADLE は、データと動作の絶え間ない変化と傾向を共同トレーニング プロセスで吸収できる動的な分散学習環境の作成をユーザーを支援します。
Transfer Learning
データが限られている場合、転移学習 (Transfer Learning: TL) は、異なるが関連するソース ドメインに含まれる知識を使用して、ターゲット ドメインでの AI モデルの精度またはトレーニング時間のパフォーマンスを向上させることを目的としています。
TL を使用すると、以前に生成されたモデルを再利用することで、AI ソリューションをより迅速かつ効率的に展開できます。さらに、システムは、独自のモデル合成エンジンを使用して、以前に取得したモデルの組み合わせからまったく新しいタスクのセットを学習できます。
非代表的なデータでトレーニングする
より精度の高い汎化モデルを作成するためには、様々なユースケースをカバーするあらゆる種類のデータを学習させる必要があります。
多くの場合、システム間や組織間でサイロ化されたデータの性質上、これは非常に困難です。
データエンジニアリングプロセスにおいて、これまで利用できなかったデータへのアクセスを増やすことで、機械学習モデルの真のポテンシャルを引き出します。
データ転送のないトレーニングでは、パートナー、ベンダー、顧客からの外部データを使用することで、AIモデルのパフォーマンスを向上させる多大な機会が得られます。
データ転送コストの大幅な削減
AIを学習させる上で大きなボトルネックとなるのが、クラウドを利用したデータ転送コストです。データ転送コストは、プロジェクト全体の約30％を消費します。少ないデータでAIモデルを学習させると、モデルの性能に限界が生じる可能性があります。
表面的には、データが増えることは良いことです。しかし、膨大な計算資源を使った学習には、多くの時間とコストがかかります。
STADLEはインテリジェンスのみをオーケストレーションし、データによるトレーニングとインテリジェンスによるトレーニングを分離することで、オーバーフィッティングとアンダーフィッティングの適切なバランスを見つけることを支援します。
エッジでのトレーニングによりデータレイテンシーを低減
STADLEは、エッジでAIを学習させることにより、データのレイテンシーを減らし、学習効率を高めることで、スマートプロダクトの導入を加速させます。
ビデオストリーミングや自律走行システムなど、時間的制約のある機能に対して、より高い精度、より速いスピードで応答することができます。
センサーは、大量のビデオデータをクラウドに送信する必要はなく、異常を検出するだけで、リアルタイムの意思決定をより効率的に行うことができます。また、医療用画像処理装置では、機密性の高い医用画像を送信する必要はなく、診断に必要な情報のみを送信することができます。
