機械学習のような革新的なテクノロジーを導入するにあたっては、エッジツーコアの戦略に加えて、その戦略を実行するための専門知識も必要です。HPEの上級テクノロジストであるRajesh Vijayarajanは、お客様やパートナー企業が機械学習モデルのあらゆるピースを組み立て、実装を本番環境に移行するうえで必要な支援を提供しています。

「今日多くの企業が機械学習プロジェクトの失敗を経験していますが、その大きな原因として、機械学習モデルを極めて人工的な環境で開発するために必要なことと、現実の環境で運用を開始してから必要になることを区別できていないことが挙げられます」とVijayarajanはRobert Christiansen (HPEのOffice of the CTOの戦略担当バイスプレジデント) がホストを務めるこのTech Talkエピソードで語っています。

データエンジニアが必要

とりわけ数百から数千ものモデルで構成される環境では、データエンジニアリングがカギを握るとVijayarajanは言います。「数百ものモデルのアンサンブルによって問題を解決しようとする場合、モデル全体を動作させるための、いわゆるデータパイプラインの構築が欠かせません」とVijayarajanは説明します。「これは基本的には、モデルにフィードされる別のモデルのアウトプット、または何らかの前処理ロジックを意味します」。

これらのデータパイプラインを実装し、大規模な展開にわたる継続的な更新を可能にするためには、自動化の組み込みが欠かせません。HPEのエッジツーコアのデータエンジニアリングプラットフォームのようなツールを使用することで、エッジからデータセンター、さらにはクラウド環境にわたるアプリケーションおよびデータのオーケストレーションが可能になります。

「データエンジニアリングプラットフォームのメリットは、これらのモデルを何千ものサイトにシームレスに展開し、ヒューリスティックな技法を適用して、私がクラウドソーシングの外れ値と呼んでいる問題に対処できる点にあります。さらにすべての処理は完全に自動的に行われます」とVijayarajanは言います。「これはある実装がそのピアである別の実装から学習できることを意味します」。

例えば、製造現場で部品のピッキングを行うロボットの場合、新しい部品が投入されると、「その新しい部品についての外れ値がコアに送られます。そして次の反復トレーニングによりモデルを新しい部品に対応させることで、その部品が他の製造現場に投入される前に、その部品を識別する能力がモデルに追加されます」とVijayarajanは説明します。

エッジでのデータ管理

複数の実装間にわたるアプリケーションやデータのオーケストレーションを可能にするには、もう1つの重要なコンポーネントであるデータファブリックが欠かせません。「これにより非常に一貫性のある方法によるエッジでのデータ管理が可能になります。ここでお客様やパートナー企業にお伝えしたいのは、データグラビティ問題に取り組むことの重要性です。エッジからデータを複製するやり方は、明らかに持続可能ではありません」とVijayarajanは述べています。

大規模かつ複雑な機械学習環境では、データの階層化や経過時間に基づくデータの破棄など、一貫性のあるデータ管理機能が重要になるとVijayarajanは付け加えます。

「サイト数や処理するデータ量の多さを考えると、一貫性の維持は非常に重要です」とVijayarajanは指摘します。「そのためにはエッジとコアの間でデータを選択的にやり取りできる仕組みが必要です。これはモデルのプッシュアウト、クラウドソーシングの外れ値、運用の観点からのクラウドソーシングのテレメトリなど、さまざまな処理を意味します」。