01 / UNDERSTAND
仕組みと使いどころ
可搬性は、モデルを別のフレームワーク、ランタイム、OS、ハードウェア、クラウドやオンプレミス環境で利用できるかを表します。たとえばONNXは、モデルを相互運用可能な形式で表し、複数のランタイム、ツール、コンパイラでの展開を支援します。ただし、すべてのモデルや独自推定器が変換できるわけではありません。また、scikit-learnのpickle系形式などは、学習時と同じPythonや依存パッケージのバージョンを必要とし、異なるバージョンでの読み込みは公式にサポートされません。このため可搬性は、移動できるかだけでなく、モデル変換、依存関係の再現、コードの修正や再学習がどの程度必要かを含めて判断します。
02 / IN PRACTICE
AI Portabilityの活用例
たとえば、こんな場面で
クラウド上で動かしている推論モデルをオンプレミスへ移す場合、ONNXへ変換して対象ランタイムで実行する方法を検討できます。未対応のモデルなら、同じ依存環境の再現や独自変換処理が必要になる可能性があります。
03 / GOOD TO KNOW
使うときのポイント
移行先の対応形式だけでなく、モデル変換の可否、必要なランタイム、Pythonと依存ライブラリの版、独自処理の対応状況を確認してください。保存形式によっては安全性にも注意が必要です。
参考資料
Accelerated AI Processor on LinuxONE | IBM （新しいタブで開きます）11. Model persistence （新しいタブで開きます）What is AI Sovereignty? | IBM （新しいタブで開きます）用語の説明や活用例に関連する参考資料です。
READ & LEARN
記事一覧を見る 用語を知ったら、活用を知る。
AI LABで、AIの動向や業務に取り入れるヒントを読む。