F5 の AI データ ファブリックによる AI の民主化

私たちがこの取り組みを始めたとき、採用を促進するためにいくつかの非常に具体的な設計目標を掲げました。 ユーザーに作業方法の変更を強制するのではなく、ユーザーの現状に合わせて対応しなければなりませんでした。 これは、すべてのデータの検索と接続を支援し、セルフサービスを可能にし、モビリティとポータビリティをサポートし、コラボレーションとイノベーションを推進するエコシステムを確立し、大規模言語モデル (LLM) を使用してモデル トレーニングを加速することを意味しました。

優れた AI はデータから始まります。F5 AI Data Fabric は、ポートフォリオ全体の製品から収集された膨大な量のデータから洞察を生成するのに役立ちます。 大規模にアプリを実行するほとんどの企業と同様に、当社は、データが単一のデータ レイクだけでなく、さまざまなストアに存在するという現実を認識しています。 オンプレミスおよびパブリックとプライベートの両方の複数のクラウドに展開されたアプリとデータ ソースに対応します。AI データ ファブリックは、データがどこにあっても接続してコンピューティングをアタッチできます。 共通データ カタログにより、ユーザーは多数のデータ ソースをナビゲートできるようになります。また、チームとして F5 のデータ ガバナンス戦略に適合し、データ資産に対する適切な制御と監査を確実に実行できるようになります。 この戦略により、ユーザーの作業方法を変更することなく、複数のデータ レイクとデータ ソースにわたるさまざまなapplicationsや製品からのデータの分析情報を生成し、管理し、ガバナンスを提供できるようになります。

ユーザーにデータにコンピューティングをアタッチする機能を与えることは、全体像の一部にすぎません。 導入を促進するには、データ サイエンスのユーザー ジャーニー全体を考慮し、どこで摩擦を排除できるかを検討する必要がありました。 

AI アプリのパッケージ化と展開は、その良い例です。 ユーザーが苦労しなくて済むように、私たちは大変な作業の多くをこなしています。 AI データ ファブリックは、Python の依存関係を管理し、HTTP サーバーを含むコンテナーに AI アプリをパッケージ化し、API ゲートウェイでそのエンドポイントを構成し、適切な GPU、CPU、メモリ要件を備えた AI アプリを Kubernetes に必要に応じてデプロイできます。 モデルのトレーニング、パッケージ化、デプロイをすべて 1 つの自動化されたワークフローで、使いやすい SDK を使用して実行することを想像してみてください。 このシステムにより、データ サイエンティストは 10 ～ 15 分で AIapplicationの新しいバージョンを展開できます。 摩擦を減らすことで、データ サイエンティストは最も得意とするデータ サイエンスに集中できるようになります。

これは、お客様の立場に立って対応している当社のもう一つの例です。 構築されたすべてのコンテナは AI データ ファブリックのコンテナ レジストリに保存されるため、ユーザーはエアギャップ環境であっても、実行が必要な場所に AI アプリを自由に展開できます。

AI の導入を加速することは、迅速なコラボレーションを意味します。 それは、あなたより先に活躍した人たちの仕事を活用し、それを基盤として発展させることを意味します。 AI データ ファブリックの内部には、「AI エコシステム」、一般的な AI 機能と複雑な AI 機能を実行するためのツールと事前構築されたモジュールがあります。 ユーザーがモジュールやモデルをエコシステムに還元すると、それがイノベーションの真の促進要因となります。 モジュールは、事前に構築された異常検出および分類モデルから、検索拡張生成 (RAG) を実行するためのアプリまで多岐にわたります。