実践
当社は、最高のサービスをするために、参入する業界で求められる先端技術に投資をしています。
'
概観
現代の企業にとって、製品やシステムのクラウド化は必須で、もはや、いつ、どのように実現するかの問題となっています。業務高速化、アジリティ向上、コスト削減のためにはクラウド化は不可欠ですが、は不可欠ですが、その可能性を最大限に引き出すには、セキュリティ確保、各国の政策への準拠、コスト管理などを考慮する必要があります。ハイブリッドクラウドソリューションは、こうしたクラウドの複雑性に対応し、複数のベンダーのパブリッククラウドとプライベートクラウドのサービスをまとめて提供することで、デジタルトランスフォーメーションの実現を加速させます。
関連するテクノロジー
ハイブリッド・クラウドは、オンプレミスのリソースの上に仮想化レイヤーやハイパーバイザーを構築し、仮想サーバーを作成・サポートするものです（最近では仮想サーバーに代わり、コンテナベースのものがふえています）。そしてその上に、OpenStackやVMwareなどのプライベートクラウドのソフトウェアのレイヤーがあり、データベース・インスタンスやコンピュート・インスタンスなどへのアクセスなど、さまざまな機能を提供しています。このレイヤーは、必要に応じてパブリック・クラウド・プロバイダーと統合されます。パブリック・クラウド・プロバイダーはオンプレミスのデータセンターにサービスを広げ、パブリック・クラウドと同じソフトウェア・スタックを提供しています。こうしたハイブリッド・クラウド・プラットフォームには、コンテナベースのサービスを調整するために、しばしばKubernetesなど、業界共通の技術が組み込まれます。代表的なものとしてはAWS Outposts、Azure Stack、Azure Arc、Google Anthos、VMware Cloud on AWSなどです。Trenserは、デジタル・エンジニアリング・サービス・プロバイダーとして、企業がハイブリッド・クラウドを活用して、データ・グラビティ、データ主権、コンプライアンスなどの問題を解決するお手伝いをしています。
概観
エクステンデッド・リアリティ（XR）とは、拡張現実（AR）、仮想現実（VR）、複合現実（MR）といった、没入型テクノロジーの総称です。没入型テクノロジーは、バーチャルな世界と「リアル」な世界を融合させることで、私たちが体験する現実世界を拡張します。企業はAIプラットフォームと対話するXR環境を利用することで、ユーザーに次世代の体験を提供できます。顧客が大量のデータを視覚化できるようになれば、新しいパターンやビジネスモデルを発見へとつながります。XRベースのコンテクストやシチュエーションに応じたインテリジェンスソリューションは、小売業や産業界で極めて一般的になりつつあります。
同様に、エンターテインメントや教育の分野でも、XRを利用した付加価値の高いソリューションがすでに確立されています。Trenserは、ウェブやモバイル環境へのXRの実装を提供します。そして企業のXRモデルの作成を自動化することで、デジタルエンジニアリングに不可欠なXRを、そのプロセスに組み込む支援をします。
概観
コグニティブ・コンピューティングとは、人間の思考をシミュレートするAIシステムで、環境やコンテキスト、意図をリアルタイムに分析して問題を解決します。人間の思考プロセスを模倣するコグニティブモデルを構築するためには、機械学習、ディープラーニング、ニューラルネットワーク、NLP、センチメント分析など、複数のAI技術が必要です。企業は、コグニティブ・コンピューティングとアナリティクス、クラウドを融合させることで、新しいビジネスソリューションと知覚的な体験を速やかに提供することができます。
コグニティブ・コンピューティング・ソリューションは、現代の企業の顧客が、デジタル・トランスフォーメーションへの転換を快適に進めるためには不可欠です。Trenserは、小売り、ヘルスケア、産業用シナリオのためのコグニティブ・ソリューションの開発と展開に確かな経験を持っています。
概観
組込型人工知能（AI）とは、ディープラーニング（DL）やマシンラーニング（ML）の技術をエッジデバイスのソフトウェアに応用したものです。組込プラットフォームの処理能力が向上したことで、ソースレベルで収集したセンサーデータのリアルタイム分析がエッジレベルで可能になりました。これにより、エッジデバイスのソフトウェアは、リアルタイムで収集・分析されたデータから、予測的・反応的な情報が即座に提供できるようになるなど、可能性が大きく広がります。
組み込みシステムにAIの応用
深層学習と機械学習とはデータ集約的そしてコンピュータ集約的なアプリケーション分野です。正に同じ理由から組み込みプラットフォームという制約からこれらの技術は直接使えません。 しかしながら、良い点としては大規模なデータと計算はこのモデルを精密に訓練する場合にのみ必要であることです。訓練モデルが、AIフレームワークを使った先端レベルで、訓練モデルがリアルタイム動作をするような開発は可能です。
また、先端機器がクラウドやバックエンドにある訓練プラットフォームにデータを送り出すことができ、それによりこのモデルは、そのような分散先端ＡＩシステムによりオーバータイムを改善することができます。バックエンドからの更に良いモデルが、後からネットワークを通じて更新でき、それにより先端機器は、リアルタイムの応答時間が良くなり正確になります。
技術とフレームワーク
分散先端AIの実装ができる言語やフレームワークは現在は利用できます。Pythonがその様なフレームワークの構築に使用されます。その中で最も普通に使われるのが、TensorFlow とPyTorchです。これらのフレームワークはTensorFlow Lite およびPyTorch Mobile (Linux)として知られている先端の開発用の軽いバージョンを用意しています。TinyML、OpenCV、OpenEI、OpenVINO、Glow等の他の技術やフレームワークのホストもまた利用できます。
