人工知能と機械学習 (AI/ML) の急速な進歩により、これらのテクノロジーは業界全体に変革をもたらす力となっています。マッキンゼーの調査によると、金融サービス業界 (FSI) 全体で、ジェネレーティブ AI は生産性向上のメリットとして業界収益の 4,000 億ドル (5%) 以上をもたらすと予測されています。ガートナーの主張によると、2026 年までに 80% 以上の企業が AI を導入することになります。Amazon では、イノベーション (再考と再発明) が顧客体験の向上とプロセスの効率化を促進し、生産性の向上につながると考えています。ジェネレーティブ AI はビジネス変革の触媒であるため、FSI 組織はジェネレーティブ AI の現在の機能が FSI の顧客に最大の価値を提供できる分野を特定することが不可欠です。
さまざまな業界の組織は、組織全体にジェネレーティブ AI を実装する際に、明確なビジネス ケースの欠如、概念実証を超えた拡張、ガバナンスの欠如、適切な人材の確保など、数多くの課題に直面しています。観察されるさまざまな問題に対処する効果的なアプローチは、AI/ML センター オブ エクセレンス (CoE) の設立です。AI/ML CoE は、組織内のすべての AI/ML イニシアチブを調整および監督し、ビジネス戦略と価値提供を橋渡しする、集中型または連合型の専用ユニットです。Harvard Business Review の調査によると、米国の大企業の 37% で AI/ML CoE がすでに設立されています。組織がジェネレーティブ AI の取り組みを成功させるには、事業部門や技術チーム間の協調的なコラボレーションがますます重要になっています。
この投稿は、AI/ML 向けクラウド導入フレームワークおよび Well-Architected Machine Learning Lens とともに、生成 AI の可能性を捉えることを目的とした効果的な AI/ML CoE を実装するためのガイドとして役立ちます。これには、実務者による CoE ミッションの定義、リーダーシップ チームの編成、倫理ガイドラインの統合、ユース ケースの認定と優先順位付け、チームのスキルアップ、ガバナンスの実装、インフラストラクチャの作成、セキュリティの組み込み、運用の卓越性の実現などが含まれます。
AI/ML CoE は、事業部門やエンドユーザーと連携して、ビジネスおよび製品戦略に沿った AI/ML ユースケースを特定し、さまざまな事業部門 (BU) からの共通の再利用可能なパターンを認識し、会社全体の AI/ML ビジョンを実装し、コンピューティング ハードウェアとソフトウェアの最適な組み合わせで AI/ML プラットフォームとワークロードを展開する責任を負います。CoE チームは、ビジネス感覚と高度な AI/ML 技術能力を相乗的に活用して、組織全体で相互運用可能でスケーラブルなソリューションを開発および実装します。設計、開発、プロセス、ガバナンス運用を網羅するベスト プラクティスを確立して実施することで、リスクを軽減し、堅牢なビジネス、技術、ガバナンス フレームワークが一貫して維持されるようにします。使いやすさ、標準化、スケーラビリティ、価値の提供のために、AI/ML CoE の出力には、公開されたガイダンス、ベスト プラクティス、教訓、チュートリアルなどのガイダンスと、人のスキル、ツール、技術ソリューション、再利用可能なテンプレートなどの機能の 2 種類があります。
AI/ML CoE を設立するメリットは次のとおりです。
次の図は、効果的な AI/ML CoE を確立するための主要なコンポーネントを示しています。
次のセクションでは、番号が付けられた各コンポーネントについて詳しく説明します。
AI/ML CoE を設立するための基本的なステップは、上級管理職からの支援を確保し、リーダーシップを確立し、その使命と目標を定義し、権限を与えられたリーダーシップを調整することです。
意思決定プロセス、説明責任、倫理的および法的基準の遵守を実現するために、明確なリーダーシップの役割と構造を確立します。
ミッションを顧客または製品中心にし、組織全体の戦略目標と一致させることで、それらの達成における AI/ML CoE の役割を明確にすることができます。このミッションは、通常、ビジネス ユニットの責任者と連携してエグゼクティブ スポンサーによって設定され、すべての CoE アクティビティの指針として機能し、次の内容が含まれます。
ガートナーのレポートによると、ビジネス、機能、技術チームの 53% が生成 AI に関する技術的洞察力を「中級」と評価し、上級管理職の 64% がスキルを「初心者」と評価しています。ビジネスの特定のニーズや変化するニーズに合わせてカスタマイズされたソリューションを開発することで、継続的な成長と学習の文化を育み、生成 AI スキルの開発と有効化を含む AI および ML テクノロジーに対する深い理解を養うことができます。
AI/ML の概念、ツール、テクニックについて従業員を教育するために、AI/ML CoE はトレーニング プログラム、ワークショップ、認定プログラム、ハッカソンを開発できます。これらのプログラムは、さまざまなレベルの専門知識に合わせてカスタマイズでき、従業員が AI/ML を使用してビジネス上の問題を解決する方法を理解できるように設計できます。さらに、CoE は、AI/ML スキルをさらに強化することに関心のある従業員にメンタリング プラットフォームを提供したり、AI/ML で一定レベルの習熟度を達成した従業員を認定する認定プログラムを開発したり、最新のテクノロジーと方法論でチームを最新の状態に保つための継続的なトレーニングを提供したりすることもできます。
包括的な AI/ML ソリューションを実現するには、部門横断的な取り組みが不可欠です。業界、ビジネス、技術、コンプライアンス、運用の専門知識を組み合わせた多分野にわたる AI/ML CoE を持つことで、イノベーションを推進できます。企業の戦略的なビジネス目標を達成するために、AI の 360 度ビューの可能性を活用します。AI/ML の専門知識を持つこのような多様なチームには、次のような役割が含まれる場合があります。
CoE、社内関係者、ビジネス ユニット チーム、および外部関係者間のコラボレーションを促進することで、知識の共有と分野を超えたチームワークを実現できます。知識の共有を奨励し、知識リポジトリを確立し、部門横断的なプロジェクトを促進して、AI/ML イニシアチブの影響を最大化します。知識の共有を促進するための重要なアクションの例は次のとおりです。
組織がリスク、コンプライアンス、セキュリティを管理しながら、AI/ML イニシアチブからの価値提供を拡大できるようにするガバナンスを確立します。さらに、AI の開発と拡大に伴うリスクとコストの変化する性質に特に注意を払います。
組織は、公平性、説明可能性、プライバシーとセキュリティ、堅牢性、ガバナンス、透明性などの考慮事項を取り入れることで、生成 AI に関連する潜在的な倫理的ジレンマを乗り越えることができます。倫理的誠実性を提供するために、AI/ML CoE は、関係者と協力して、AI/ML ライフサイクル全体にわたって堅牢なガイドラインと安全策を統合するのに役立ちます。CoE は、積極的なアプローチをとることで、倫理的コンプライアンスを提供するだけでなく、信頼を構築し、説明責任を強化し、真実性、毒性、データの誤用、知的財産の懸念などの潜在的なリスクを軽減します。
CoE は、卓越性に向けて歩み続け、共通の標準、業界をリードするプラクティス、ガイドラインの定義を支援します。これらには、データ ガバナンス、モデル開発、倫理的な展開、継続的な監視を網羅する総合的なアプローチが含まれ、責任ある倫理的な AI/ML プラクティスに対する組織の取り組みを強化します。このような標準の例は次のとおりです。
データ ガバナンスは、データが責任を持って信頼できる方法で収集、使用、共有されるようにするなど、AI/ML CoE の重要な機能です。データ ガバナンスは、AI アプリケーションにとって不可欠です。これらのアプリケーションでは大量のデータが使用されることが多いためです。このデータの品質と整合性は、AI を活用した意思決定の正確性と公平性にとって重要です。AI/ML CoE は、データの前処理、モデル開発、トレーニング、検証、展開に関するベスト プラクティスとガイドラインの定義に役立ちます。CoE は、データが正確、完全、最新であること、データが不正なアクセス、使用、開示から保護されていること、データ ガバナンス ポリシーが規制と社内のコンプライアンスに準拠していることを確認する必要があります。
モデルガバナンスは、企業がポリシーを実装し、モデルへのアクセスを制御し、そのアクティビティを追跡する方法を決定するフレームワークです。CoE は、モデルが安全で信頼性が高く、倫理的な方法で開発およびデプロイされるようにするのに役立ちます。さらに、モデルガバナンスポリシーが組織の透明性への取り組みを示し、顧客、パートナー、規制当局との信頼を育んでいることを確認できます。また、アプリケーション要件に合わせてカスタマイズされた保護手段を提供し、Guardrails for Amazon Bedrock などのサービスを使用して責任ある AI ポリシーが実装されていることを確認することもできます。
AI/ML イニシアチブの投資収益率、プラットフォームとサービスの費用、リソースの効率的かつ効果的な使用、継続的な最適化を管理します。これには、データストレージ、モデルトレーニング、推論に関連するユースケースベースの価値 KPI と支出を監視および分析する必要があります。これには、推論に AWS Inferentia を使用し、トレーニングに AWS Trainium を使用するなど、コスト効率が高くリソースが最適なソリューションを特定するためのさまざまな AI モデルとアルゴリズムのパフォーマンスの評価が含まれます。KPI とメトリクスを設定することは、有効性を測定する上で極めて重要です。KPI の例をいくつか示します。
AI/ML CoE は、ビジネス チームやテクノロジー チームと連携して、エンタープライズ グレードのスケーラブルな AI プラットフォームの構築を支援し、組織がビジネス ユニット全体で AI 対応のサービスや製品を運用できるようにします。また、カスタム AI ソリューションの開発を支援し、実務者が AI/ML 開発の変化に適応できるように支援することもできます。
AI/ML CoE は、テクノロジー チームと協力して適切なデータ フローとエンジニアリング インフラストラクチャを設定し、AI ベースのソリューションの導入と拡張を加速します。
AI/ML CoE では、スケーラビリティ、可用性、信頼性、パフォーマンス、および回復力を重視することが、AI/ML イニシアチブの成功と適応性の基本です。MLOps などのライフサイクル管理システムを実装して運用化すると、デプロイメントとモニタリングを自動化できるため、信頼性、市場投入までの時間、および観測性が向上します。ワークフロー管理用の Amazon SageMaker Pipelines、実験管理用の Amazon SageMaker Experiments、コンテナオーケストレーション用の Amazon Elastic Kubernetes Service (Amazon EKS) などのツールを使用すると、AI/ML アプリケーションの適応性の高いデプロイメントと管理が可能になり、さまざまな環境にわたるスケーラビリティと移植性が促進されます。同様に、AWS Lambda などのサーバーレスアーキテクチャを採用すると、需要に基づいた自動スケーリングが可能になり、運用の複雑さが軽減されると同時に、リソース割り当ての柔軟性が向上します。
ソリューションを購入するか構築するかの決定にはトレードオフが伴います。購入では、構築済みのツールを使用することでスピードと利便性が得られますが、カスタマイズが不十分な場合があります。一方、構築ではカスタマイズされたソリューションが提供されますが、時間とリソースが必要です。バランスは、プロジェクトの範囲、タイムライン、および長期的なニーズにかかっており、組織の目標と技術要件との最適な整合を実現します。理想的には、解決すべき特定の問題、組織の内部能力、および成長を目標とするビジネス領域の徹底的な評価に基づいて決定できます。たとえば、ビジネス システムが独自性の確立に役立ち、市場での差別化のために構築される場合、またはビジネス システムが標準的なコモディティ化されたビジネス プロセスをサポートする場合は、節約のために購入します。
AWS Generative AI コンピテンシーパートナーなどのサードパーティの AI サービスプロバイダーと提携することで、CoE は専門知識と経験を活用して、AI ベースのソリューションの導入と拡張を加速できます。これらのパートナーシップにより、CoE は最新の AI/ML 研究とトレンドを把握し、最先端の AI/ML ツールとテクノロジーにアクセスできるようになります。さらに、サードパーティの AI サービスプロバイダーは、CoE が AI/ML の新しいユースケースを特定するのを支援し、AI/ML ソリューションを効果的に実装する方法に関するガイダンスを提供することができます。
組織のデータ、AI/ML、生成 AI ワークロード全体にわたってセキュリティとプライバシーの制御を重視し、評価し、実装します。AI/ML のあらゆる側面にわたってセキュリティ対策を統合し、脆弱性と脅威を特定、分類、修復、軽減します。
組織が生成 AI ソリューションをどのように使用しているかに基づいて、セキュリティ対策の範囲を定め、ワークロードの回復力を設計し、関連するセキュリティ制御を適用します。これには、暗号化技術、多要素認証、脅威検出、定期的なセキュリティ監査を採用して、データとシステムが不正アクセスや侵害から保護された状態を維持することが含まれます。定期的な脆弱性評価と脅威モデリングは、新たな脅威に対処するために不可欠です。モデルの暗号化、安全な環境の使用、異常の継続的な監視などの戦略は、敵対的な攻撃や悪意のある誤用から保護するのに役立ちます。脅威検出のためにモデルを監視するには、Amazon GuardDuty などのツールを使用できます。Amazon Bedrock を使用すると、生成 AI アプリケーションの基盤モデルをカスタマイズするために使用するデータを完全に制御できます。データは転送中および保存時に暗号化されます。ユーザー入力とモデル出力はモデルプロバイダーと共有されないため、データとアプリケーションは安全かつ非公開に保たれます。
あらゆる AI システムの 3 つの重要なコンポーネント (入力、モデル、出力) のセキュリティを強化することは重要です。ライフサイクル全体にわたって明確に定義された役割、セキュリティ ポリシー、標準、ガイドラインを確立すると、システムの整合性と機密性の管理に役立ちます。これには、NIST、OWASP-LLM、OWASP-ML、MITRE Atlas などの業界のベスト プラクティス対策と業界フレームワークの実装が含まれます。さらに、カナダの個人情報保護および電子文書法 (PIPEDA) や欧州連合の一般データ保護規則 (GDPR) などの要件を評価して実装します。Amazon Macie などのツールを使用して、機密データを検出して保護できます。
関係するデータの機密性を考慮すると、アクセスとプライバシー保護の手法を検討して実装することが不可欠です。これには、最小権限アクセス、データ リネージ、ユース ケースに関連するデータのみの保持、機密データの識別と分類などの手法が含まれ、個々のデータのプライバシーを損なうことなくコラボレーションを可能にします。これらの手法を AI/ML 開発ライフサイクル ワークフローに組み込み、安全なデータとモデリング環境を維持し、プライバシー規制に準拠して機密情報を保護することが不可欠です。セキュリティに重点を置いた対策を AI/ML CoE の戦略に統合することで、組織はデータ侵害、不正アクセス、敵対的攻撃に関連するリスクをより適切に軽減し、AI 資産と機密情報の整合性、機密性、可用性を確保できます。
AI/ML CoE は、組織のフレームワーク内で生成 AI を実装する際の効率性と成長の可能性を最適化することに重点を置く必要があります。このセクションでは、ワークロードのパフォーマンスを維持しながら統合を成功させるための重要な側面をいくつか説明します。
KPI とメトリクスの設定は、有効性を測定する上で極めて重要です。これらのメトリクスを定期的に評価することで、進捗状況を追跡し、傾向を特定し、CoE 内で継続的な改善の文化を育むことができます。これらの洞察を報告することで、組織の目標との整合性が確保され、AI/ML プラクティスを強化するための意思決定プロセスが通知されます。Bedrock と Amazon CloudWatch の統合などのソリューションは、使用状況メトリクスの追跡と管理、監査用のカスタマイズされたダッシュボードの構築に役立ちます。
KPI の例としては、モデルの精度が挙げられます。ベンチマークに対してモデルを評価すると、信頼性が高く、信用できる AI 生成結果が得られます。
AI/ML ソリューションでは、異常なアクティビティを管理するために継続的な制御と監視が必要です。そのためには、AI/ML プラットフォーム全体にわたってプロセスとシステムを確立する必要があり、理想的には自動化する必要があります。選択した監視ソリューションに合わせて、標準化されたインシデント対応戦略を開発し、実装する必要があります。これには、正式な役割と責任、監視対象のデータ ソースとメトリック、監視システム、緩和、エスカレーション、根本原因分析などの対応アクションなどの要素が含まれます。
生成 AI モデルの開発、テスト、および展開のための厳格なプロセスを定義します。堅牢なプロセスを定義および改良することで、生成 AI モデルの開発を効率化します。AI/ML プラットフォームのパフォーマンスを定期的に評価し、生成 AI 機能を強化します。これには、関係者やエンドユーザーからのフィードバック ループを組み込み、生成 AI の探索的研究とイノベーションにリソースを割り当てることが含まれます。これらのプラクティスにより、継続的な改善が促進され、CoE は AI イノベーションの最前線に留まります。さらに、アジャイル手法の採用、包括的なドキュメントの維持、定期的なベンチマークの実施、業界のベスト プラクティスの実装により、生成 AI イニシアチブをシームレスに実装します。
AI/ML CoE は、ビジネス ユニット全体の優先課題と機会を継続的に特定することで、ビジネス変革の推進を支援します。CoE は、ビジネス上の課題と機会をカスタマイズされた AI/ML 機能に合わせることで、価値の高いソリューションの迅速な開発と展開を推進します。実際のビジネス ニーズに合わせた調整により、新製品、収益源、生産性、最適化された運用、顧客満足度を通じて、段階的な価値創造が可能になります。
ビジネス成果を促進するという目標を掲げ、AI/ML と生成 AI 技術の導入がビジネスの主要な側面をどのように変革できるかについて、説得力のある複数年ビジョンと戦略を確立します。これには、3~5 年などの定義された戦略計画タイムラインにおける収益、コスト削減、顧客満足度、生産性、その他の重要なパフォーマンス指標の観点から、AI/ML から得られる具体的な価値を定量化することが含まれます。さらに、CoE は、AI/ML の採用が競争上の優位性を生み出し、主要なプロセスやサービスに大幅な改善をもたらすことを主張して、ビジネス ユニット全体の幹部からの賛同を得る必要があります。
最も有望な AI/ML ユースケースを特定、評価、優先順位付けするために、CoE はすべての事業部門との継続的な発見対話を促進し、最優先の課題と機会を浮き彫りにします。複雑なビジネス上の問題や機会は、CoE が事業部門のリーダーと協力して、AI/ML を活用したソリューションに適した明確に定義された問題と機会のステートメントとして明確に表現する必要があります。これらの機会により、ビジネス KPI に結び付けられた明確な成功指標が確立され、実装の複雑さに対する潜在的な価値の影響が概説されます。その後、高い潜在能力を持つ AI/ML ユースケースの優先順位付けされたパイプラインを作成し、予想されるビジネス上のメリットと実現可能性に基づいて機会をランク付けできます。
完全な実稼働開発に着手する前に、初期の実行可能性を実証することに重点を置いた、制御された概念実証 (PoC) プロジェクトを通じて、価値の高いユースケースの提案ソリューションのプロトタイプを作成します。これらの PoC フェーズでの迅速なフィードバック ループにより、より広範な展開の前に、小規模でアプローチを反復および改良できます。CoE は、ビジネス ユニットのリーダーと連携して、最終的なソリューションの影響に対するビジネス メトリックと KPI にマッピングする、PoC の明確な成功基準を確立します。さらに、CoE は専門知識、再利用可能な資産、ベスト プラクティス、標準の共有に取り組むことができます。
完全な透明性を確保するには、事業部門の経営幹部の利害関係者が AI/ML イニシアチブに同調し、定期的に報告を行う必要があります。こうすることで、エスカレーションが必要な課題は、イニシアチブに精通している経営幹部によって迅速に解決できます。
AI/ML と生成 AI の法的環境は複雑かつ進化しており、組織に無数の課題と影響をもたらしています。データ プライバシー、知的財産、責任、偏見などの問題は、AI/ML CoE 内で慎重に検討する必要があります。規制が技術の進歩に追いつくのに苦労しているため、CoE は組織の法務チームと提携してこの動的な状況を切り抜け、コンプライアンスとこれらの技術の責任ある開発と展開を実施する必要があります。進化する環境では、CoE が法務チームと協力して、AI/ML ライフサイクル全体を網羅する包括的な AI/ML ガバナンス ポリシーを策定する必要があります。このプロセスでは、意思決定プロセスにビジネス関係者が関与し、AI/ML システムの定期的な監査とレビューを行ってガバナンス ポリシーへの準拠を検証します。
AI/ML CoE は、独立系ソフトウェアベンダー (ISV) とシステムインテグレーター (SI) の両方のパートナーと協力して、購入と構築の戦略を支援する必要があります。調達チームと連携して、選択、オンボーディング、管理、終了のフレームワークを開発する必要があります。これには、テクノロジ、アルゴリズム、データセットの取得が含まれます (信頼性の高いデータセットの調達は ML モデルのトレーニングに不可欠であり、最先端のアルゴリズムと生成 AI ツールの取得はイノベーションを促進します)。これにより、ビジネスに必要な機能の開発が加速されます。調達戦略では、倫理的配慮、データセキュリティ、継続的なベンダーサポートを優先して、持続可能でスケーラブルで責任ある AI 統合を提供する必要があります。
AI/ML 人材管理とパイプラインに関して人事 (HR) と提携します。これには、これらのテクノロジーを理解、開発、実装するための人材の育成が含まれます。HR は、技術と非技術の隔たりを埋め、学際的なコラボレーションを促進し、新しい人材のオンボーディングの道筋を構築し、トレーニングを行い、専門的スキルとスキルの両方で成長させるのに役立ちます。また、コンプライアンス トレーニングを通じて倫理的な懸念に対処し、最新の新興テクノロジーで従業員のスキルを向上させ、継続的な成功に不可欠な職務の影響を管理することもできます。
AI/ML の規制環境は急速に進化しており、世界中の政府が AI アプリケーションの採用拡大に向けたガバナンス体制の確立に競って取り組んでいます。AI/ML CoE は、ブラジルの一般個人データ保護法 (LGPD)、カナダの個人情報保護および電子文書法 (PIPEDA)、欧州連合の一般データ保護規則 (GDPR) などの規制法、および ISO 31700、ISO 29100、ISO 27701、連邦情報処理規格 (FIPS)、NIST プライバシー フレームワークなどのフレームワークについて最新情報を入手し、対策を講じ、実装するための集中的なアプローチが必要です。米国では、規制措置には、AI の採用拡大によってもたらされるリスクの緩和、生成 AI の影響を受ける労働者の保護、および消費者保護の強化が含まれます。EU AI 法には、新しい評価およびコンプライアンス要件が含まれています。
AI 規制が形作られるにつれ、組織は責任ある AI を C レベルの優先事項として確立し、AI/ML に関する明確なガバナンス ポリシーとプロセスを設定して実施し、意思決定プロセスにさまざまな関係者を関与させることが推奨されます。進化する規制では、AI/ML ライフサイクル全体をカバーする包括的な AI ガバナンス ポリシーと、アルゴリズムのバイアス、透明性、説明可能性に対処するための AI システムの定期的な監査とレビューの必要性が強調されています。標準に準拠することで、信頼が促進され、リスクが軽減され、これらの高度なテクノロジーの責任ある導入が促進されます。
成功する AI/ML センター オブ エクセレンスを確立するまでの道のりは、多面的な取り組みであり、献身と戦略的計画が必要であり、同時に俊敏性と協力精神を持って活動する必要があります。人工知能と機械学習の状況は急速に進化し続けており、AI/ML CoE の設立は、これらのテクノロジーを活用して変革をもたらすために必要なステップです。明確なミッションの定義からイノベーションの促進、倫理的ガバナンスの実施まで、重要な考慮事項に重点を置くことで、組織は価値を生み出す AI/ML イニシアチブの強固な基盤を築くことができます。さらに、AI/ML CoE は単なる技術革新の拠点ではありません。組織内の文化変革の指標であり、継続的な学習、倫理的責任、部門間のコラボレーションの考え方を促進します。
このシリーズの今後の投稿では、引き続き AI/ML CoE のトピックについて取り上げていきますので、ご期待ください。AI/ML Center of Excellence の設立にサポートが必要な場合は、専門家にお問い合わせください。
Ankush Chauhan は、米国ニューヨークを拠点とする AWS のカスタマーソリューション担当シニアマネージャーです。彼は、キャピタルマーケットの顧客がクラウドジャーニーを最適化し、導入を拡大し、クラウドでの構築と発明の変革的価値を実現できるようサポートしています。さらに、生成 AI を含む AI/ML ジャーニーで顧客を支援することにも注力しています。仕事以外では、Ankush はランニング、ハイキング、サッカー観戦を楽しんでいます。
Ava Kong は、AWS Generative AI イノベーション センターの Generative AI ストラテジストで、金融サービス分野を専門としています。ニューヨークを拠点とする Ava は、さまざまな金融機関と緊密に連携してさまざまなユースケースに取り組んでおり、最新の Generative AI テクノロジーと戦略的洞察を組み合わせて、運用効率を高め、ビジネス成果を促進し、AI テクノロジーの幅広く影響力のある応用を実証しています。
Vikram Elango は、米国バージニア州を拠点とする AWS のシニア AI/ML スペシャリスト ソリューション アーキテクトです。現在は、生成 AI、LLM、プロンプト エンジニアリング、大規模モデル推論の最適化、企業全体にわたる ML のスケーリングに注力しています。Vikram は、設計と思想的リーダーシップにより、金融および保険業界の顧客を支援し、大規模な機械学習アプリケーションの構築と展開を行っています。余暇には、家族との旅行、ハイキング、料理、キャンプを楽しんでいます。
Rifat Jafreen は、AWS Generative AI イノベーション センターの Generative AI ストラテジストで、Generative AI を使用して顧客がビジネス価値と運用効率を実現できるよう支援することに重点を置いています。彼女は、通信、金融、ヘルスケア、エネルギーのさまざまな業界で働いており、多数の顧客の機械学習ワークロードをオンボードしてきました。Rifat は、MLOps、FMOps、Responsible AI にも深く関わっています。
著者は、サポート、専門知識、指導を提供してくれた Arslan Hussain、David Ping、Jarred Graber、および Raghvender Arni に特別な感謝の意を表します。

元記事: https://aws.amazon.com/blogs/machine-learning/establishing-an-ai-ml-center-of-excellence/

コメントを残す

メールアドレスが公開されることはありません。 が付いている欄は必須項目です

このサイトはスパムを低減するために Akismet を使っています。コメントデータの処理方法の詳細はこちらをご覧ください