ハイパースケールクラウドコンピューティングプロバイダーはAIクラウドサービスへの投資に注力している

今日、AI クラウド サービスは、データ サイエンティストや開発者を惹きつけ、自社のプラットフォーム上でモデルをトレーニングするハイパースケール クラウド コンピューティング プロバイダーにとって新たな戦場となっています。

人工知能が IT テクノロジーの未来であるならば、クラウド コンピューティング プロバイダーのクラウド サービスは、今後のアプリケーションの波の中心となるでしょう。

人工知能と機械学習 (ML) に関しては業界で大騒ぎが絶えませんが、世界の主要なクラウド コンピューティング プロバイダーはすでにこの分野である程度の経験を積んでおり、今後数年間でより大きなビジネスを生み出すことになります。

[[222783]]

Amazon Web Services (AWS)、Microsoft、Google、IBM などの企業は、過去 1 年間に、さまざまなレベルの洗練度を持つ数十のクラウド コンピューティング AI ツールを追加しました。これらのプラットフォームがこれらのワークロードに選択されるかどうかは、AI と機械学習が企業のビジネス戦略にどのように適合するかによって決まります。それにもかかわらず、これらのクラウド コンピューティング ベンダーは、サービスのギャップを埋め、主に機械学習に重点を置いている企業や、特定の目標と戦略を持つようプレッシャーを受けながらも経験が不足している企業が AI を利用できるようにするために急いでいます。

クラウド コンピューティング上に構築された AI ベースのアプリケーションには初期の成功事例がいくつかある一方で、特にディープラーニングに関しては、市場の大部分は依然として傍観者のままです。調査会社ガートナーのアナリスト、チラグ・デカテ氏は、企業は採用する技術について、ゼロから構築するのか、それとも単にAPI駆動型のクラウドサービス（音声認識や画像認識など）を統合するのかを慎重に選択する必要があると述べた。

「企業のITリーダーたちはAIの価値を認識している」と彼は語った。 「アマゾン、グーグル、マイクロソフトなどの企業は、こうした高度な分析機能が大きな価値を持つことを知っており、クラウドをベースとした社内および社外向けのAI技術に多額の投資を行っている。」

デカテ氏は、今後、これらのプロバイダーが AI クラウド サービスへの機能追加にさらに積極的になると予想していると述べました。現在、AI テクノロジーに対する理解が不足しているため、顧客、特に AI 製品を試してみたい顧客を獲得しようとするクラウド コンピューティング ベンダーのビジネスに悪影響が出る可能性があります。

フロリダ州タンパに本拠を置くモバイル ネットワーク Syniverse は、VMware との提携を通じて、vRealize オーケストレーション プライベート クラウドを IBM Cloud および AWS に拡張しています。同社はクラウドネイティブ サービスをあまり使用していませんが、それらをプラットフォーム間の潜在的な差別化要因と見ています。

「私たちが非常に有望だと考えている分野の一つは、人工知能と機械学習ベースのツールです。これにより、クライアント向けの新しいレポートや分析を迅速に作成できるようになります」と、Syniverse の CTO である Chris Rivera 氏は述べています。

基礎から高度なAIクラウドサービスまで

クラウド コンピューティング プロバイダーは、基本的にプラットフォーム上に 3 層の AI サービスを構築しています。最高レベルの AI は最も複雑ですが、最高のパフォーマンスを提供でき、インフラストラクチャ層に配置されます。主要なクラウド コンピューティング プロバイダーは、TensorFlow や Apache MXNet などの一般的なフレームワークや GPU ベースの仮想マシンをサポートしており、モデルの構築とトレーニングのためのその他のサービスを提供できます。

Google は最近、カスタム プロセッサをベースにした TensorFlow 統合 TPU インスタンス タイプのテスト バージョンをリリースしました。

第 2 レベルの AI は、データ サイエンティスト向けにカスタマイズされた新しい領域ですが、基盤となるインフラストラクチャの多くを抽象化し、ハードウェア構成と機械学習フレームワークを統合します。同社は、IBM Watson、Amazon SageMaker、Microsoft Machine Learning Studio、Google Machine Learning Engine、Google AutoML などのツールを含むこのカテゴリで、AI をサービスとしてより効果的に販売しています。

AI の第 3 レベルには、既存のアプリケーションに統合できる API ベースのプラグイン サービスが含まれます。これらは AI アプリケーションを初めて使用する人を対象としており、すべての主要ベンダーが認知、音声、画像認識ツールを提供するサービスを提供しています。

「AI ベースのスマート アプリケーションを開発しようとしているデータ サイエンティスト、建築家、開発者は、基本的にそのアプリケーションを自分のエコシステムに取り入れようとしているのです」とデカテ氏は言います。

クラウドコンピューティングAIの長所と短所を理解する

ただし、これらの GPU アクセラレーション ノードにはより多くのコンピューティング能力が必要であり、トレーニング モデルには大量のデータを保存して処理する必要があるため、パブリック クラウドはディープラーニングや多数のユーザーには制限があります。

「ほとんどの組織は巨額の資本支出をかけてAIを導入しようとしている」と彼は語った。 「しかし、ディープラーニングが組織の主力となるのであれば、それをデータセンターに構築する方が理にかなっています。」

ディープラーニングは、画像認識やテキスト分析などの特定のニーズを持つ企業に最適ですが、ディープラーニング ニューラル ネットワークの作成者でさえ、AI が企業が直面しているより広範な問題に対する万能薬ではないことを認めざるを得ません。この作業を社内で行うとコスト面で多少のメリットがありますが、データの重要性を認識することが重要です。データがすでにパブリッククラウド上で実行されている場合は、移行コストをかけずにそこで作業を行う方が効率的だと同氏は述べた。

ニューヨークに拠点を置く Alpha Vertex は、Google Cloud Platform で機械学習モデルをトレーニングし、それを金融業界向けの分析サービスに組み込んでいます。これらのモデルを最新のインスタンス タイプで 1 日中実行するとコストの問題が発生することは間違いありませんが、同社は低コストで小型の VM とスポット インスタンスを使用するインフラストラクチャを構築しました。また、分析モデルのトレーニング時に Kubernetes を使用して約 20 台の VM から 1,000 台以上の VM に拡張することで、内部リソースの活用不足の問題を回避します。

「Kubernetes の導入は、1 人か 2 人の人を管理するのと、部門全体を管理するのとの違いに似ています」と Alpha Vertex の CTO である Michael Bishop 氏は述べています。

企業は、これらのモデルを社内に移行することの費用対効果分析を通じて、技術的リーダーシップを維持するためにクラウドに保持する必要があることを一貫して支持してきました。

「ハイエンドGPUのコストはかなり高く、償却ライフサイクルもあまり良くありません」とビショップ氏は語った。 「この技術を導入するために多くの投資資源に頼っていると、開発のペースについていくのは本当に難しい」

Zendesk は、Amazon Simple Storage Service、GPU インスタンス、TensorFlow、Amazon Aurora を使用して、顧客向け仮想アシスタントの Answer Bot を構築しました。このボットは、ディープラーニング予測モデルを使用して一般的な問題を特定し、顧客の質問に迅速に回答し、ベストプラクティスを提案します。

Answer Bot は昨年末に AWS 上に SageMaker を追加し、基盤となるインフラストラクチャ管理の大部分を抽象化しましたが、Zendesk は 2011 年から AWS を使用してきたのと同じ理由でこのサービスを検討します。つまり、基盤となる IT 運用の負荷を軽減し、コアビジネスに集中するためです。

「管理的なものはどれも本当のデータサイエンスではありません」と、Zendesk の技術オペレーション担当副社長の Steve Loyd 氏は言います。 「SageMaker の特長は、TensorFlow を中心に構築された完全なインターフェースと自動化を提供し、少ないリソースでより多くのことを実現できることです。」

誇大宣伝を超えて、AIには改善が必要

データ サイエンティストはこれらのモデルを構築するだけでなく、継続的に検証も行うとロイドは述べています。ツールが基盤となるインフラストラクチャの問題に適切に対処できれば、データ サイエンティストはアルゴリズムを微調整する時間を増やすことができます。 AWS やその他のクラウドプロバイダーが AI ツールセットを使いやすくし、データセットからデータを取得しやすくなるため、機械学習への参入障壁は引き続き低下するでしょう。

しかし、ほとんどのモデルの機能が比較的単純であるため、特に AI ユーザーでさえ、これは完璧ではないことに同意しています。多くの企業は AI テクノロジーが必要だと確信していますが、どのように始めればよいかわかりません。

「AIに関する最大の誤解の一つは、AIが錬金術や魔法の箱のようなもので、何らかの努力と作業を行うだけで素晴らしい結果が得られるというものだ」とアルファ・バーテックスのビショップ氏は言う。 「しかし、高品質の結果を得ることは信じられないほど難しく、人々はそれを十分に理解していないと思います。」

それでも、誇大宣伝が現実と一致しないというだけの理由で AI を諦めるべきではないと警告しています。デカテ氏は、クラウド コンピューティング ベンダーの AI 機能よりも、企業がそれらのテクノロジーを統合し、自社のイノベーションを加速させる方法のほうが重要だと指摘しました。成功する企業は実用的であり、データとインフラストラクチャの管理に関する優れた基盤を備えています。

「あらゆる組織がAI戦略を持つ必要がある」と彼は語った。 「機械学習と AI の導入は長期的な取り組みですが、競争で優位に立つためには今すぐに取り組まなければなりません。」