次世代のAIインフラを構築する (Japanese Edition)

第3章。 複数の要因がある

この作品はAIを使って翻訳されている。ご意見、ご感想をお待ちしている：[e-mail]

これまで、AIインフラ構築に取り組む上で、業界のコンテキスト、段階的なアプローチ、具体的なチェックリスト、そして推奨事項を組み合わせて紹介してきた。しかし、人生において絶対的なものなどなく、何らかのトレードオフに直面し、不透明な意思決定のパスに対処する必要が出てくるだろう。

この章では、意思決定プロセスに新たな視点を加えようとする。具体的には、自社のコンテキストに合わせてAIインフラを調整するのに役立つあらゆる変数についてだ。まずはライフサイクルという概念から始めよう。これにより、AI開発の範囲を体系的に把握できるようになるからだ。

AIライフサイクルから考える

図1-2で見たように、AIインフラを、相互に接続された垂直的な層が次々と積み重なったものとして想像してほしい。AIライフサイクルという概念は、AI開発を定義する水平的なシーケンスとして整理できるため、二次元的なアプローチをもたらす。

AIライフサイクルの概念や詳細は、著者によって異なる。古典的なTeam Data Science Process（TDSP）のような技術的なライフサイクルや、ISO 5338やNIST AIのようなコンプライアンス重視のバージョンがある。結局のところ、どのバージョンを選んだとしても、これらのライフサイクルは通常、アイデアの創出、データ準備、AIモデリング、テスト、デプロイといった、多かれ少なかれ詳細なシーケンスに従う。中には、継続的な運用後の監視や、AIアプリケーションの最終的な廃止を含むものもある。

シンプルにするため、ここでは5つのシンプルなAIライフサイクル段階を定義する（必要に応じて、より詳細かつ複雑に定義しても構わない）。そして図3-1において、各段階に応じたAIインフラストラクチャの各層の相対的な重要性を示す。これは、インフラの段階的なアップグレードを計画したり、具体的なニーズを予測したりする際に役立つ。

図3-1. AIインフラ層とライフサイクルの関係を示す 概念図

この図は100%正確であることを意図したものではないが、アプリケーションやプロジェクトにおけるAIライフサイクルの特定の局面を可視化する上で有用である。例えば、データ処理やAIモデリング活動においては処理能力が極めて重要となり、テストやデプロイメント段階では開発やプラットフォームのブロックが極めて重要となる。このモデルを、具体的なプロジェクトのニーズや現在のAIインフラの成熟度に合わせて適応させるとよい。

アプリケーションレベルの考慮事項

コアインフラストラクチャ層や一般的なAIライフサイクルを超えた、さらなる考慮事項がある。これらは、そのAIインフラストラクチャによってサポートされる構築中のアプリケーションに関連するものであり、その機能やインタフェースなどを念頭に置く必要がある。

例えば、アプリケーションが処理能力や既製のLLMsに依存している場合、その使用パターンや想定されるシナリオを理解する必要がある。 初期段階の限られたB2Bクライアント向けにサービスを提供することは、広く普及する可能性のあるB2Cサービスの立ち上げとは異なる。AIインフラの観点から言えば、多くのユーザが見込まれ、そのユーザがセッションごとに数回プロンプトを介してアプリケーションとやり取りし、各やり取りで特定の数のトークンが消費される場合、それはアプリケーションが必要とする処理能力やAIリソースの量と種類に直接影響する。 ...