STADLEは、継続的かつ協調的な学習パラダイムを取り入れたAIモデル開発向けのCI/CDにより、実世界の機械学習プロセスを革新するために構築されています。すでに企業顧客によって利用・検証されており、AIを次のレベルへと引き上げることを目指す企業に採用されています。
CI/CD（継続的インテグレーション、継続的デプロイメント）は、ソフトウェア開発における事実上の標準的な開発・運用パイプラインです。
継続的インテグレーション:
開発者はコードベースの異なる部分を同時に作業し、非同期的に変更をプッシュします。
Gitなどのバージョン管理ソフトウェアを使用することで、他の開発者の作業に干渉することを気にせずに変更をプッシュできます。
継続的デプロイメント:
ライブソフトウェア製品は、開発者が加えた変更をリアルタイムで更新できるため、アップデートサイクルを大幅に短縮できます。
通常、自動化されたパイプラインが構築され、開発者の変更が直接本番環境へ反映されるようになっています（例：バージョン番号が更新された場合など）。
CI/CDパイプラインは開発チームの効率を大幅に向上させ、新しい変更を迅速にユーザーへ提供できるようにします。これにより、開発時間が大幅に短縮され、顧客満足度が最大化されます。
STADLEは、ソフトウェアエンジニアリングにおけるCI/CDの概念をAIモデル開発に導入することを目指しています。
継続的インテグレーション:
エージェント（クラウドインスタンス、エッジデバイスなど）は、それぞれ異なるデータセットで共有のグローバルモデルを学習し、新しいデータを反映してグローバルモデルを更新します（多くの場合、同時かつ非同期に実行）。
STADLEは、エージェント間の学習プロセスをオーケストレーションし、独自のアルゴリズムを用いて効率的にモデル更新を統合・適用します。
継続的デプロイメント:
エンドアプリケーション向けにデプロイされたAIモデル（例：IoTデバイスの画像認識、クラウド上にデプロイされたチャットボットLLM）は、エージェントによって生成されたモデル更新をリアルタイムで受け取り、統合できます。
STADLEは、既にデプロイされたモデルへのモデル更新の送信と統合も管理し、自動的または管理された方法（例：モデルのパフォーマンスに基づく適用）で実行します。
したがって、AIモデル開発におけるCI/CDは、ソフトウェアエンジニアリングにおけるCI/CDと同様のメリットをもたらします。モデルの学習およびデプロイ時間を大幅に短縮でき、それにより計算コストの削減へと直結します。
STADLEのModelOpsダッシュボードでは、稼働中のアグリゲーター（オーケストレーター）の数やMLエージェントの数を確認できます。さらに、アグリゲーターのエンドポイントやベースAIモデルの情報も確認可能です。STADLEにアップロードされた最新のAIモデルも素早くチェックできます。
各アグリゲーションラウンドごとにアップロードされたローカルAIモデルのパフォーマンス指標は、パフォーマンストラッキングページで追跡できます。MLモデルに設定した各指標の学習プロセスを監視することが可能です。
STADLEを通じてアップロードおよび集約されたすべてのモデルを確認し、フィルタリングや並べ替えが可能です。必要に応じて過去のモデルをダウンロードし、一回限りのデプロイや新たなベースモデルとしての再学習に活用できます。さらに、最適なモデルを選択し、STADLEプラットフォームに接続されたデバイスへ配信することも可能です。
Kubernetesを活用した高度なインフラストラクチャ設定により、AIモデルの学習スケーラビリティを管理できます。これにより、大量のエッジサーバー、デバイス、または学習環境を気にする必要はなく、STADLEプラットフォームが最適なスケーラビリティを提供します。
