オントロジーにおけるモデル

組織は、人工知能（AI）および機械学習（ML）を活用して意思決定を加速し、その品質を向上させようとしています。しかし、AI/ML の運用化の現実は複雑であり、一般的な投資対効果は期待に満たないことが多いです。

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：信頼できるデータの基盤、組織の目標に対してモデルを評価し比較するためのツール、そしてモデルをユーザー向けの運用ワークフローにデプロイするための機能。このページでは、最後のステップ、つまり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ています。

エンドツーエンドのワークフロー

大まかに言うと、Foundry で AI/ML を運用化するために必要なエンドツーエンドのステップは以下のとおりです：

ML プロジェクトの組織的なケースを説明するために、モデリングの目的が作成されます。
モデルが作成され、目標に提出されます。モデルは Foundry で開発することも、外部ソースから統合することもできます。
モデルが評価され、定量的および定性的な要件を満たした後、インタラクティブにクエリを投げることができるようにデプロイされます。
モデルの入力と出力がシンプルなポイント＆クリックのインターフェースでオントロジーの概念にマッピングされます。
オントロジーのマッピングが完了すると、モデルはアプリケーションの開発で使用できるようになり、モデルの結果をエンドユーザーに直接提供することが可能になります。また、モデルは、組織全体での変更をシミュレートすることを可能にするシステム全体のシナリオで探索することもできます。

利点

データセットをオントロジーの概念にマッピングすることがワークフローの開発と意思決定に利点を提供するのと同様に、モデルをオントロジーにマッピングすることも多くの利点を提供します：

解釈可能性。すべてのモデリング結果が現実世界の概念（オブジェクトタイプのプロパティ）で定義されているため、エンドユーザーは機械学習を理解する必要なくモデリング結果を使用できます。代わりに、ユーザーは予測、見積もり、または分類などの単純な概念と単純に対話します。
規模の経済。特定のユースケースのために作成された特別な努力である各モデリングプロジェクトの代わりに、モデリングの努力は時間とともに互いに構築することができます。たとえば、1つのユースケースのために作成された予測は、すぐに後続のユースケースでも使用でき、重複した努力を減らし、時間とともにより早くエンドユーザーに価値を提供します。
大規模な接続性。ML モデルを組み込むことにより、オントロジーは組織の信頼できる 1 つのデータソースになります。これは、データだけでなく ロジック の観点からもそうです。モデルは、組織が将来の変化に対する期待をエンコードします。このように、オントロジーは企業全体の "デジタルツイン" になり、組織全体での変更をシミュレートする能力を解き放つことが可能になり、これは広範なモデリング努力の中で決して可能にならない方法です。