オントロジーにおけるモデル

組織は、人工知能（AI）と機械学習（ML）を活用して意思決定を加速・改善しようとしています。しかし、AI/MLの運用化の現実は複雑であり、一般的に投資利益は期待したものにはなかなか達しません。

Foundryは、このギャップを埋めるための主要な機能を提供します：信頼できるデータ基盤、組織の目標と照らし合わせてモデルを評価・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展開するための機能です。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プロダクションに展開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

高レベルでは、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次のとおりです：

1. MLプロジェクトの組織的なケースを説明するためのモデリング目標が作成されます。
2. モデルが作成され、目標に提出されます。モデルは、Foundryで開発するか、外部ソースから統合することができます。
3. モデルは、定量的および定性的な要件を満たすために評価され、対話的にクエリを投げることができるように展開されます。
4. モデルの入力と出力は、シンプルなポイントアンドクリックのインターフェースでオントロジー概念にマッピングされます。
5. 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表示することができます。また、組織全体での変更をシミュレートするためにシステム全体のシナリオでモデルを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概念にマッピングすることがワークフロー開発と意思決定に利点をもたらすように、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は実世界の概念（オブジェクトタイプのプロパティ）で定義されるため、エンドユーザーは機械学習を理解する必要がありません。代わりに、ユーザーは予測、見積もり、または分類などのシンプルな概念と単純に対話します。
• 規模の経済性。各モデリングプロジェクトが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のではなく、モデリングの努力は時間とともにお互いに構築することができます。例えば、一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することができ、重複する努力を減らし、時間とともにより迅速にエンドユーザーの価値を提供します。
• 大規模な接続性。MLモデルを取り入れることで、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、ロジックの面でも同様です。モデルは、将来の変更に対する組織の期待をエンコードします。このようにして、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ちます。これは、分散したモデリングの努力だけでは決して可能ではない方法です。