STADLE インテリジェンスセントリック プラットフォームにより、
データはローカルに留まり、ユーザーのモデルは共有されます。
KEY COMPONENTS
連合学習／転移学習／継続学習
使いやすいGUIとAPI
ユーザーAIモデルデータベース
Enable New Business, Improve Efficiency, and Save Costs
新規ビジネスの実現
Privacy Example
プライバシーを守るAIこそが、電子カルテ学習でのAI診断ビジネスを実現可能にします。
パーソナルホームロボットには学習と能力向上のためのプライバシーを保護するAIが必要です。
効率化
Self driving Car Example
ビフォー
アップロード：1GB/秒、10TB/日
アフター
AIモデルのみアップロード
500MB/時、1.5GB/日
現在のクラウドベースのソリューションと比較して約6000倍の効率化。
コスト削減
Cloud Data Center Example
投資額：STADLEライセンス20万ドル vs. 1,000平方フィートのデータセンター100万ドル
リターン： 1,000平方フィートの
データセンターとネットワークのみで、年間80万ドルのコスト削減を実現。
FEATURES
Intelligence-Centric Platform with Continuous & Collaborative Learning
高価なサーバーの購入やクラウドプラットフォームの契約は必要ありません。私たちは、お客様のローカルAIソリューションやアプリケーションと
即座に連携する様々なAPIを使った、クラウドのSTADLEプラットフォームを利用するための包括的なプラットフォームを提供します。
MODEL MANAGEMENT
プロジェクト管理による各種AIモデルのアップロード/ダウンロード
MODEL VALIDATION
モデルパフォーマンスの追跡による成果と性能の確認
CONTINUOUS LEARNING
私たちのAPIを組み合わせ、データ
ダイナミクスから学び続けるための自動化されたローカルMLアプリを構築
COLLABORATIVE LEARNING
分散したデバイスから収集したAIモデルを集約・最大化
MODEL DISTRIBUTION
いつでもすべてのデバイスに最適なAIモデルを配信
Technologies in Place
プライバシーを守るAI
人工知能技術の急速な発展に伴い、消費者のプライバシーに対する懸念は大きく高まっており、特にヘルスケア、家電製品、プライベートな写真や動画など、ユーザーのプライバシーが不可欠な分野では、その傾向が顕著である。プライバシーに関する懸念に対処するためには、プライバシーに関するコミュニティが機械学習分野にその知識を持ち込む必要がある。多くのプライバシー保護技術は、複数のユーザがローカルデータを交換することなく、機械学習モデルを共同で学習できるようにすることに集中しています。TieSetは、様々な人々がAIの真のパワーの恩恵を受けられるよう、分散型AIの分野をリードしていきます。
連合学習
連合学習（Federated Learning）は、Google Researchが、すべての学習がユーザーのモバイル端末で行われるモバイルアプリケーションを公開したことで、世界的に認知されるようになりました。分散したデバイスからユーザーのプライベートデータが出ることはなく、ローカルなAIモデルを集約して集合知を提供する。ビッグデータを維持するためのコストは連合学習によって大幅に削減され、一方で学習した知能のレベルは損なわれません。連合学習はモバイルサービスだけでなく、顧客のプライバシーが絡むあらゆるサービスに適用できる。TieSetは、世界初の完全分散型連合学習技術の開発に成功しました。
継続学習
人工知能のモデルは、これまでビッグデータシステムにおいて静的な方法で設計・作成されてきました。しかし、知能は単発的な学習の産物ではなく、ダイナミックな環境とともに継続的に成長する必要があります。
STADLEは、データや行動の絶え間ない変化や傾向を吸収し、
連携した学習プロセスを実現する動的分散学習環境の構築を
支援します。
転移学習
データが限られている場合、転移学習（Transfer Learning）は、異なるが関連するソースドメインに含まれる知識を使用することによって、ターゲットドメインにおけるAIモデルの精度やトレーニング時間のパフォーマンスを向上させることを目的としています。
転移学習では、以前に生成されたモデルを再利用することで、AIソリューションをより速く、より効率的に展開することができます。さらに、独自のモデル合成エンジンを使用することで、過去に取得したモデルの組み合わせから、システムが全く新しいタスクのセットを学習することも可能です。
