AIBR プレミアム
拓海さん、うちの現場でAIを何かに使えないかと部下が言うのですが、何から考えればよいのか見当がつかないんです。クラウドを使うときに注意すべき点を教えてもらえますか。
素晴らしい着眼点ですね！まず押さえるべきはSLA（Service-Level Agreement）つまりサービスレベルアグリーメントです。契約上の性能や可用性の条件が守られなければ、顧客満足や収益に直結して悪影響が出るんですよ。
なるほど。で、具体的にクラウド上でどんな問題が起きるのですか。例えば、どのアルゴリズムを使うかでそんなに差が出るものなのですか。
大丈夫、一緒に見ていけば必ずできますよ。要点は3つです。1つはアルゴリズムごとに計算時間やメモリ使用量が大きく異なること、2つはクラウドではリソースが有限でコストがかかること、3つはSLAで許容される性能範囲が事業に直結することです。
それは分かりますが、現場は時間を気にするし、コストも気になります。これって要するにSLAに沿って最適なアルゴリズムを自動で選ぶということ？
その理解で合っていますよ。さらに詳しく言うと、機械学習（Machine Learning、ML—機械学習）モデルを使って、問題の種類とその入力条件からどのアルゴリズムがSLAを満たすかを予測する仕組みです。要点は3つです。1つ、実行時間とメモリの予測で事前に可否を判断する。2つ、複数のアルゴリズムとハードウェアの組み合わせを評価する。3つ、SLAに基づくフィルタで安全側の選択を行う。
予測というのは、要するに過去のデータから“この状況ならこのアルゴリズムが速い”と学ばせるということですね。だが、現場ごとに条件が違う場合はどうするのですか。
いい質問です。現場差はインスタンス固有の特徴とハードウェア条件を特徴量として取り込みます。加えてアンサンブル学習（ensemble learning—アンサンブル学習）を使えば、単独モデルより頑健に予測できます。要点は3つです。1つ、インスタンス固有の特徴量を収集すること。2つ、ハードウェア条件を明確にすること。3つ、複数モデルを組み合わせて安定化することです。
それは現場でデータを取る必要がありますね。投資対効果はどう考えればよいですか。導入コストに対して、本当に効果が出るのか判断したいのですが。
良い指摘です。ここも要点は3つです。1つ、最初は少数の代表的な問題で効果を検証して投資を段階的に回収する。2つ、SLA違反が減れば直接的な罰金や顧客クレームが減り、つまりはコスト削減に直結する。3つ、運用で得られるログを使ってモデルを継続改善する循環を作れば、導入効果が増幅します。
分かりました。最後にまとめますと、SLAを基準にアルゴリズムとハードウェアの組み合わせを学習で選べば、現場の安定化とコスト低減が期待できると。自分の言葉で言うと、SLAを守るために“賢くアルゴリズムを選ぶ仕組み”を導入するということですね。
