AI Factory

AIファクトリーとは、予測、推奨、生成コンテンツ、自動化された意思決定など、有用なAIの出力をデータから繰り返し生み出す統合システムです。製造工場と同様に、入力、処理段階、品質チェック、納品をつなぎ、再現可能な生産プロセスを構築します。その「製品」は物理的な製品ではなくインテリジェンスであり、AIを確実に開発・運用するために必要なインフラストラクチャ、ソフトウェア、人材が対象に含まれます。

この用語は、組織のエンドツーエンドのAI運用システムと、大規模なAIワークロード向けに構築されたコンピューティングインフラストラクチャの両方を指します。コンピュータービジョンでは、画像の収集、ラベリング、トレーニング、評価、デプロイ、フィードバックをつなぐことを意味します。Ultralytics Platformは、Ultralytics YOLOアプリケーションの構築と運用において、これらの各段階を連携させます。

AIファクトリーの仕組み#

AIファクトリーは、情報の収集、クリーニング、整理、保護を行う再現可能なプロセスであるデータパイプラインから始まります。ビジュアルアプリケーションでは、データアノテーションによって、画像内のオブジェクトや領域を識別するラベルを付与します。一貫したラベリングと代表性のあるデータが、モデルの学習に役立つ基盤となります。

次に、チームはモデルをトレーニングまたは適応させ、トレーニングには使用していないデータで評価します。実験管理では、設定、メトリクス、モデルアーティファクトを記録するため、チームは候補を比較し、結果を再現できます。品質チェックによって、候補モデルを本番環境に投入できるかを判断します。

デプロイにより、承認済みモデルをアプリケーションから利用できるようにします。推論時には、モデルが新しい入力を処理し、出力を生成します。その後、モニタリングでサービスの健全性とモデルの動作を追跡し、レビュー済みの本番環境の事例を次の開発サイクルに活用できます。このフィードバックループにより、ファクトリーは一度限りのトレーニングプロジェクトではなく、継続的な機能となります。

Platformでは、チームはデータセットを整理し、AI支援ラベリングを活用し、YOLO26などのモデルをトレーニングし、予測をテストして、承認済みモデルをエクスポートまたはデプロイできます。これらの段階を連携させることで、ツール間の引き継ぎが減り、開発作業を整理された状態に保てます。

インフラストラクチャと関連概念#

インフラストラクチャの規模では、AIファクトリーはアクセラレーテッドコンピューティング、ストレージ、ネットワーク、オーケストレーションソフトウェア、セキュリティを組み合わせます。GPUは並列計算を担い、コンピューティングリソースを効率よく稼働させるには、ストレージとネットワークが十分な速度でデータを供給する必要があります。電力と冷却も容量を制約します。エンタープライズAIファクトリーのアーキテクチャでは、サポート対象のワークロードを中心に、これらのコンポーネントを一体的に設計します。

次の3つの区別で、この用語を明確にできます。

• データセンター： コンピューティング設備とリソースを提供します。AIファクトリーでは、これらのリソースを再現可能な生産に活用する、AIに特化したワークフローを追加します。
• MLOps： 機械学習のライフサイクルを管理するために用いるエンジニアリング手法です。MLOpsはAIファクトリーの運用を支援しますが、AIファクトリーにはインフラストラクチャとビジネスプロセスも含まれます。
• スマートファクトリー： 連携された自動化を用いて物理的な製品を製造します。AIファクトリーが生み出すAIサービスを利用する場合もありますが、この2つの用語が指す出力は異なります。

AIファクトリーは、オンプレミスシステム、クラウドリソース、エッジデバイスにまたがる場合があります。その特徴は、特定の建物やハードウェアブランドを所有していることではなく、連携された生産プロセスにあります。

ビジネスとコンピュータービジョンにおける用途#

AIファクトリーは、さまざまな業界で予測、パターン認識、プロセス自動化を支援します。確立された用途には、Googleの広告オークション、Uberの配車可能状況、Amazonの商品価格設定があります。これらの用途では、変化するデータを繰り返し処理し、業務規模で意思決定を提供する必要があります。

具体的なコンピュータービジョンのワークフローとして、Scaleoutのエッジベースのモデル更新があります。このシステムは、現場の映像から有用なフレームを選び、オペレーターのラベリング作業を支援し、現地のハードウェアでYOLOモデルをファインチューニングして、更新済みモデルを再配布します。その間、生の映像は現場に保管されます。これは、データを簡単に一元管理できない状況における、分散型の生産ループを示しています。

品質、モニタリング、運用上のリスク#

AIファクトリーでは、インフラストラクチャの信頼性と予測品質を別々に確認する必要があります。Platformのデプロイメントモニタリングでは、リクエスト数、レイテンシ、エラー、ログを追跡します。これらのシグナルからサービスの問題を把握できますが、精度の測定には、予測を評価するためのラベル付きサンプルも必要です。

デプロイ済みのビジョンシステムでは、開発に使用したデータと入力画像が異なる場合にデータドリフトが発生します。サービスが稼働を続けていても、照明や稼働条件の変化によって検出品質が低下することがあります。レビュー済みサンプル、代表性のある評価データセット、管理された再トレーニングにより、チームはこの性能低下に対処できます。

インフラストラクチャのボトルネックは、別の影響をもたらします。ストレージの速度不足やネットワーク帯域幅の不足によって、GPUがデータを待つ状態になり、処理時間が延びてコストが増加する場合があります。そのため、効果的な運用では、有用な出力の品質と、その出力を提供するために必要なリソースの両方を評価します。