オントロジー内のモデル

組織は、意思決定を迅速化し、改善するために、人工知能（AI）と機械学習（ML）の活用を目指しています。しかし、AI/ML を業務で活用するのは実際には複雑で、一般的な投資収益率が期待に応えることはほとんどありません。

Foundry は、このギャップを埋めるために必要な主要な機能を提供します。信頼できるデータ基盤、組織の目標に照らしてモデルを評価・比較するツール、そしてユーザー向けの業務ワークフローにモデルをデプロイする機能です。このページでは、最後のステップである、評価済みのモデルを本番環境にデプロイすることに焦点を当てます。

エンドツーエンドのワークフロー

オントロジーを使用したライブ推論のために、Foundry で AI/ML を業務で活用するには、大まかに次のエンドツーエンドのステップが必要です。

1. Foundry でモデルを作成します。
2. 直接モデルデプロイメントを設定します。
3. モデル用のシンプルなラッパー関数を公開し、必要に応じて別の関数から呼び出して、モデルに関連する複雑なロジックを連携させます。
4. その関数を Workshop、Vertex、その他のエンドユーザー向けアプリケーションでのライブ推論に使用します。

モデルをバッチ推論に活用するデータセットを、オントロジーオブジェクトの元データとして使用することもできます。Code Repositories でモデルを使用する方法を参照してください。

メリット

データセットをオントロジーの概念にマッピングすると、ワークフローの開発や意思決定にメリットがもたらされるのと同様に、モデルをオントロジーにマッピングすることにも、いくつかのメリットがあります。

• 解釈のしやすさ。すべてのモデリング結果は現実世界の概念（オブジェクトタイプのプロパティ）で定義されるため、エンドユーザーはモデリング結果を使用するために機械学習を理解する必要がありません。代わりに、予測、推定、機密情報区分といったシンプルな概念を扱うだけで済みます。
• 規模の経済。モデリングプロジェクトを特定のユースケースのために個別に作成するのではなく、それまでのモデリングの成果を基に、さらなる取り組みを進められます。たとえば、あるユースケース向けに生成された予測は、後続のユースケースでもすぐに使用できるため、作業の重複を減らし、時間が経つにつれてエンドユーザーにより迅速に価値を提供できます。
• 大規模な連携。ML モデルを組み込むことで、オントロジーはデータだけでなくロジックについても、組織の唯一の信頼できる情報源になります。モデルには、物事が将来どのように変化する可能性があるかについての組織の予想が組み込まれています。このように、オントロジーは企業全体の「デジタルツイン」となり、互いに連携しない多種多様なモデリングの取り組みでは決して実現できない方法で、組織全体にわたる変化をシミュレーションできるようになります。