AI 強化ビジネス アプリ (スマート アプリとも呼ばれます) は、AI/ML モデル (多くの場合はロジック内) を使用して、自動化され、よりスマートで、コンテキストに応じたユーザー エクスペリエンスを提供するアプリです。

2020年には、 ガートナーの予測 「60年までに2022％の組織がパッケージ化された人工知能を活用して複数の機能領域のプロセスを自動化する」と予測されています。これはすでに起こっています。 マッキンゼー調査 2021年に、あらゆる地域と業界を代表する1,843人の参加者を対象に実施された調査では、「調査対象企業の56%が少なくとも50つの業務機能でAIを導入している（2020年のXNUMX%から増加）」ことが示されました。

スマートアプリのユースケース

AI 強化ビジネス アプリは、明示的にプログラムするのではなく、データ内のパターンを利用して予測を行います。これにより、多くの場合、手作業の自動化や、タスクまたはビジネス プロセスに対するよりインテリジェントなアプローチが可能になります。したがって、職場の効率が向上し、コストとリスクが削減され、顧客満足度が向上します。以下は、AI と ML の使用例です。

感情分析と分類

• 顧客からのフィードバックの感情を理解する（肯定的 vs 否定的）
• 顧客からのフィードバックやリクエストを特定のサポートまたはビジネスカテゴリに分類する

オブジェクト検出

• 工場の生産ラインで不良品を検出する
• 工場の生産ラインにおける製品の欠陥タイプを検出する
• 医療用画像の分類
• 工場での物体カウント

異常検出

• 不審な銀行取引を検出する
• ビジネス指標間の異常な関係（例：製品の売上は増加しているが、価格設定が間違っているために収益が減少する）
• 在庫における異常検出

クライアントの声

• 顧客のニーズに基づいて保険代理店に最適なオファーを推奨する
• 以前購入した商品に基づいてオンラインショッピングの顧客に代替商品やサービスを推奨する

予測分析

• 過去および季節的な傾向に基づいてキャッシュフローを予測する
• 販売動向に基づいて必要な在庫を予測する
• 内部要因と外部要因を使用したホテルチェーンの需要予測
• 需要予測に基づく動的な価格設定

ML導入の課題

AI/ML の状況とツールは近年大幅に進歩しましたが、AI を本番環境に導入し、アプリケーションに AI を統合することが重要な課題となっています。

に基づく ガートナーの調査「組織は、AI の導入において直面する最も大きな障害の 1 つが、既存のアプリケーションとの統合であると報告しています。」 ガートナーは 1年後、同じ課題に直面しています。「成功したAIパイロットの半数以上が、導入段階に到達しません。」

これまでのところ、 Mendix 顧客はAIサービスを Mendix REST API を使用するアプリ。これは実行可能なアプローチです (特にサードパーティの AI サービスの場合)。ただし、ローカルで構築されたモデルやオープンソースの ML モデルでは、ホスティング サービスへのアクセスと、モデルを展開するための技術的知識が必要になり、余分な労力がかかり、追加のホスティング コストとメンテナンスが発生します。

しかし、多くの場合、顧客はMLモデルを自社の Mendix パフォーマンス、プライバシー、コストなど、さまざまな理由でアプリが Mendix MLキットは、顧客にこれらのAIモデルを Mendix 簡単でローコードの方法でアプリを作成します。

ローコードデプロイメント Mendix MLキット

私達の Mendix MLツールキットを使用すると、開発者は共通のMLフレームワークと言語を使用して構築されたMLモデルを Mendix Studio Pro ランタイムをローコード方式で実現します。

MLキットはOpen Neural Network Exchange（ONNX）、マイクロソフトとFacebookが共同開発したオープンソースフレームワーク in 2017 フレームワークの相互運用性を可能にする。ONNXは、AIフレームワーク（例：Python）と Mendix （例：JVM）。つまり、TensorFlowなどのお気に入りのMLフレームワークでMLモデルをトレーニングし、それをONNX形式に変換して、次のような別のフレームワークで使用することができます。 MendixONNXはAIフレームワーク（例：Python）と Mendix (例: JVM)。

のメリット Mendix MLキット

私達の Mendix ML Kit にはさまざまな利点があります。

• 市場投入までの時間の短縮 ML 導入にかかる時間を数週間から数日/数時間に短縮します。
• より簡単な統合 AIプラットフォームとLCAPの2つの世界を橋渡しし、サードパーティのAIプラットフォームを使用して構築されたMLモデルを、 Mendix.
• 優れた性能モデルをアプリのランタイムに統合し、JVM 上で実行することで、レイテンシ (ネットワークとモデル推論のレイテンシ) が短縮されます。
• 労力とコストの削減 モデルの展開のために他のホスティング サービスを取得、展開、または維持する必要はありません (マイクロサービス統合とは異なります)。
• オンエッジ展開（将来） ランタイム統合により、エッジ上（デバイス上の ML）で実行できるようになります。注目すべきは、画像処理モデルの 60% がエッジ上に展開されていることです。

すぐに使える事前トレーニング済みの ML モデル

ONNXコミュニティは、MLモデルリポジトリを提供しています。 ONNXモデル動物園、 一般的なコンピューター ビジョンおよび言語モデルが見つかる場所です。ONNX Model Zoo は、コミュニティ メンバーによって提供された ONNX 形式の事前トレーニング済みの最先端モデルのコレクションです。

各モデルには、モデルのトレーニングとトレーニング済みモデルを使用した推論の実行に使用する Jupyter ノートブックが付属しています。ノートブックは Python で記述されており、トレーニング データセットへのリンクと、モデル アーキテクチャを説明する元の論文への参照が含まれています。

ONNX ZooのすべてのONNXモデルはMLキットと互換性があります。お客様はこのリポジトリから任意のMLモデルを選択し、独自のデータを使用してユースケースに合わせてカスタマイズし、それを統合することができます。 Mendix ML キットを使用したアプリ。

以下に、ONNX Model Zoo の ONNX モデルのリストを示します。これらの事前トレーニング済みモデルを使用して、上記にリストされているものと同様のビジネス ユース ケース、またはビジネス用の他のタイプのユース ケースを構築できます。

展望

• 画像分類
• 物体検出と画像セグメンテーション
• 体、顔、ジェスチャー分析
• 画像操作

言語

• 機械理解
• 機械翻訳
• 言語モデル

その他

• ビジュアル質問応答とダイアログ
• 音声およびオーディオ処理
• その他の興味深いモデル

高度な展開パターン Mendix MLキット

私達の Mendix MLキットと組み合わせた Mendix プラットフォームは、さまざまな最先端の ML 実装パターンを可能にします。

出力を予測するために複数のMLモデルが使用されることもあります。この場合、同じデータポイントがモデルのグループに送信され、すべての予測が収集されて最適な予測が見つけられます（アンサンブル学習）。または、複数のモデルをカスケード方式で使用して、1つのモデルの出力を別のモデルにフィードすることもできます（カスケード推論）。これらの展開パターンは、次の方法で簡単に実現できます。 Mendix マイクロフローと Mendix MLキット。

さらに、MLモデルをサービスとして統合することも、 Mendix プラットフォームとMLキットは、追加のサードパーティホスティングサービスを必要とせずに使用できます。最後に、モデルに対する1回のリクエストで複数の推論を実行するバッチ推論がサポートされています。 Mendix と Mendix MLキット。

MLキットを使用してこれらすべてのデプロイメントパターンを実装する方法を読むことができます。 Mendix Studio Pro については次のページをご覧ください。

• アンサンブル
• カスケード推論
• サービスとしての機械学習モデル
• バッチ推論

製品概要

MLキットにより、お客様がアプリでAIを使用してビジネスプロセスをさらに改善し、手動タスクを自動化し、顧客満足度を向上させることを目指しています。 Mendix ML Kitをまだ試していない方は、ぜひお試しください。ご意見をお聞かせください。皆様のフィードバックは、次のイテレーションの基礎となることがよくあります。

の詳細については Mendix MLキットとその使い方 訪問 Mendix ドキュメントまたは、MLの導入例をご覧ください。 Mendix ML KIT と Jupyter ノートブックの ML モデル こちらをご覧ください。.