機械学習

データネイティブな ML ソリューションで
コラボレーションを促進

無料トライアル デモをスケジュールする

背景

「Databricks Machine Learning」は、オープンなレイクハウスアーキテクチャ上に構築されています。機械学習チームのデータ準備、処理を可能にし、チーム間の効率的なコラボレーション、実験から本番までの機械学習ライフサイクルの標準化を実現します。

オープンなデータレイクハウスのダイアグラム

MLflow の予測指標のダイアグラム

機械学習データをシンプルに

Databricks ML は、オープンなレイクハウスアーキテクチャを基盤として構築されており、Delta Lake が組み込まれています。機械学習チームによる、あらゆる規模、種類のデータのアクセス、探索、準備を可能にします。データエンジニアリングのサポートなしで、特徴量をセルフサービスで本稼働パイプラインに組み込めます。

実験追跡とガバナンスの自動化

マネージド MLflow により、実験を自動的に追跡し、トレーニング実行ごとのパラメータ、メトリクス、データとコードのバージョン、モデルの成果物を記録できます。実行履歴をすぐに確認でき、結果を比較したり、必要に応じて過去の結果を再現したりすることも可能です。本番環境に最適なモデルのバージョンを特定した後は、モデルレジストリに登録し、展開ライフサイクル全体のハンドオフを簡素化できます。

実験の自動化の例

アクティビティの例

モデルレジストリによるモデルライフサイクルの管理

トレーニングされたモデルを登録すると、モデルレジストリを使用してモデルのライフサイクルを共同管理できます。モデルのバージョン管理や移動は、実験、ステージング、本番環境、アーカイブなどさまざまな段階で可能です。ライフサイクル管理は、ロールベースのアクセス制御に従って、承認やガバナンスのワークフローと統合されています。また、コメントやメールの通知機能により、データチームのコラボレーション環境が充実します。

ML モデルの大規模展開を低レイテンシで

モデルレジストリからは、本番環境モデルを迅速に展開するバッチスコアリングによるスケーリングや、REST API のエンドポイントとして機能する Databricks Serving で、低レイテンシのオンラインサービスも利用できます。モデルレジストリは MLflow モデルのフォーマットに依存しており、Kubernetes 上での Docker コンテナの展開や、デバイスへのモデルのロードなど、さまざまな展開でエコシステム統合の恩恵を受けることができます。

MLflowモデルレジストリのダイアグラム

背景

製品コンポーネント

AstraZeneca

導入事例

AI の活用による創薬の変革

アストラゼネカ、データと NLP の活用で新薬の開発を促進

HSBC

導入事例

機械学習の活用で
モバイルバンキングを刷新

HSBC、機械学習ベースの不正検知機能を活用して 39万人を超える顧客のキャッシュレス取引を管理

スターバックス

導入事例

データと AI の大規模な融合

スターバックス、Databricks の導入により 3 万店舗のオムニチャネル戦略を促進

Comcast

導入事例

エンターテインメントの
未来像

コムキャスト、AI 搭載の音声リモコンでエミー賞に輝く視聴者エクスペリエンスを実現

無料お試し・その他のご相談を承っております