ハイライト
Dockerのコンテナソリューションはゲームチェンジャーでした
ZEISS Research Microscopy Solutions(RMS)チームは、人工知能(AI)と機械学習(ML)の導入において課題に直面しました。 チームは、クラウドプラットフォームとDockerのコンテナテクノロジーの強力な組み合わせを中心とした戦略を策定し、変革の時代の始まりを示しました。 ZEISSチームは、Dockerを使用して、迅速なデプロイとスケーリング、GPUへのアクセス性、クロスプラットフォームの移植性、リソース効率、バージョン管理と再利用性、分離とセキュリティ、開発者のDockerソリューションに関する知識、および広大なDockerエコシステムを活用しました。
概要
国際的な光学機器リーダーがコンテナ化されたAIを活用
ZEISSは175年以上にわたり、半導体製造技術、工業品質・研究、医療技術、消費者市場の4つのセグメントのソリューションで光学の世界を前進させ、顧客のニーズに応え、技術の進歩を形作ってきました。
ZEISS Research Microscopy Solutions(RMS)チームは、コンテナを使用して、さまざまなプラットフォームにAIモデルとコードを展開しています。 例えば、ZEISSはクラウドベースのarivis AIプラットフォームを活用して、多次元顕微鏡画像データに注釈を付け、セグメンテーションのためにAIモデルをトレーニングしています。 これらのモデル(実行に必要なすべてのコードを含む)は、さまざまなクライアント用のアプリケーション固有のインターフェイスを備えたコンテナを介してデプロイされます。
会社概要
ZEISSについて
ZEISSは、光学およびオプトエレクトロニクス業界において国際的にリードするテクノロジー企業です。 ZEISSグループは、6大陸に 42人以上の000+従業員を擁し、年間売上高は10 億ユーロを超えています。
課題
ZEISS Research Microscopy Solutions(RMS)は、プラットフォーム間でのコンピュータービジョンを必要としています
顕微鏡の大手メーカーとして、ZEISSはライフサイエンスと材料の研究、教育、臨床ルーチンのためのソリューションとサービスを提供しています。 信頼性の高いZEISSシステムは、世界中のハイテク産業での製造と組み立て、原材料の探査と加工、ライフサイエンス研究と基礎研究に使用されています。 最新の顕微鏡は、大規模な多次元データセットから抽出された「実用的な情報」がすべてであるため、強力なコンピュータービジョンと処理方法は、RMSソフトウェアポートフォリオの不可欠なコンポーネントです。 特に、最先端のAIモデルを使用した堅牢で強力なセグメンテーション手法の必要性は、一般的なユースケースです。
RMS内のソフトウェア製品センターの研究開発チームは、人工知能(AI)と機械学習(ML)の旅で課題に直面しました。 クラウド プラットフォームでトレーニングされた AI モデルを、ZEN、ZEN Core、Arvis Pro などのローカルの Windows ベースのクライアントでも実行する必要があり、GPU サポートも必要でした。 彼らは、これらのAIモデルを配布し、クライアントコードとは無関係に更新する効率的な方法を求めていました。 AIモデルは、実行場所に関係なく、異なるプラットフォーム間で一貫した結果を必要としていました。
また、RMS 製品チームは、モデル内部の複雑さからクライアントを保護する必要もありました。 これらのアプリケーション固有の内部には、さまざまなMLテクノロジー、データ処理メソッド、前処理ルーチンと後処理ルーチン、およびAPIが含まれていました。 彼らの主な目標は、AI モデルとコードを一貫して実行し、多様な依存関係を持つコードをスムーズに配布することでした。
AI機能をZEISSチームのクライアントシステムに統合することは、課題でした。 クライアントで AI モデルを実行するときに同じ結果を得るには、ローカル環境がクラウド プラットフォームでのトレーニング中に使用された環境と同じである必要があります。 言い換えれば、課題は両方の世界を同期させることです。 コンテナは、この課題の解決策です。
さらに、コンテナ化されたAIアルゴリズムは、Windowsホストシステム上のLinuxベースのコンテナからGPUリソースにアクセスする必要があるため、課題はさらに複雑になりました。
解決
Docker が ZEISS AI ソリューションにレンズを当てるのに役立ちます
コンテナは、成熟した標準的なデプロイメントテクノロジーになっています。 常にイノベーションの最先端を行くZEISSの顕微鏡ソリューションチームは、コンテナの明確な利点を目の当たりにしました。 これらのコンテナは、あらゆる環境にシームレスにデプロイされ、管理、スケーリング、パッチ適用が簡単で、機械学習の分散ニーズに適したテクノロジーです。 幅広いツールやフレームワークとの互換性が魅力を高めています。 チームは、コンテナを使用するトレーニングデータプラットフォームのクラウドモジュールを実際に使用することで、テクノロジーの可能性を深く理解することができました。
これらの課題に直面したZEISSチームは、クラウドプラットフォームとコンテナテクノロジーの強力な組み合わせを中心とした戦略を策定しました。 注釈とトレーニングをクラウドプラットフォームに一元化しました。 ZEISS チームは、AzureML を使用してこのトレーニングを実行および監視し、トレーニング プロセスを簡素化し、AiModelContainer を自動的に作成して登録しました。 このコンテナは、モデル、すべての重要なライブラリ、およびデータ I/O、前処理と後処理、タイリング、モデル推論に必要なコードを格納するように設計されました。
チームは、クラウド環境とローカル環境をつなぐための安全な接続を設定しました。 この接続により、ローカル・クライアントは必要なイメージをローカル・クライアント・システムに直接ダウンロードし、データの整合性とセキュリティを維持できます。 ZEISSは、これらのコンテナイメージの管理をContainerAppsライブラリに委託しました。 コンテナの起動・停止からGPUの搭載までを請け負い、最高のパフォーマンスを確保しました。
AiModelContainer とローカル クライアント間の通信は、ソリューションの基礎となりました。 ZEISSチームは、適切に構造化され、バージョン管理されたREST-APIインターフェースを展開し、スムーズで効率的、かつミスのないコミュニケーションを保証しました。 この焦点を絞った戦略は、差し迫った課題に取り組み、将来のスケーラブルで永続的なAI統合の舞台を整えました。 明確に定義されたインターフェイスを備えたコンテナを使用することで、新しいAIメソッドの開発をメインのソフトウェアプラットフォームのリリースサイクルから切り離すことができます(懸念事項の分離)。 AI コードは、既存のクライアント アプリケーションに影響を与えることなく進化できるため、コンポーネント間の相互依存関係が軽減されます。
主な利点
スピード、セキュリティ、選択肢
Dockerとの連携は、ZEISSに多くのメリットをもたらしました。
迅速な導入と拡張
コンテナーを迅速に作成する機能は、オンデマンドのスケーリングに役立ち、CI/CD プラクティスをサポートします。
GPU のアクセシビリティ
Windowsホスト上で実行している場合でも、LinuxベースのコンテナからGPUにアクセスできる独自の機能により、計算能力が向上します。
クロスプラットフォームの移植性
Dockerの設計により、ユーザーはWindows上でアプリケーションを実行でき、LinuxとWindowsベースの両方のコンテナをサポートします。
資源効率
オペレーティング・システム・カーネルの共有によるオーバーヘッドの削減により、リソースの効率的な使用が可能になります。
バージョン管理と再利用性
Docker のバージョン管理とイメージの再利用性により、環境間で一貫したデプロイが保証されます。
分離とセキュリティ
Dockerコンテナが提供するカプセル化により、アプリケーションのセキュリティと外部干渉からの分離が保証されます。
エコシステムとコミュニティのサポート
広大なDockerエコシステムと活発なコミュニティは、ツール、改善、および知識サポートを提供します。
親しみやすさと学習曲線の短縮
ZEISSチームは、コンテナ化の業界デファクトスタンダードであるDockerを以前から使用していたため、よりスムーズな統合プロセスを実現しました。
再生可能性
同じ環境で同じコードを使用してモデルを実行する機能により、プラットフォーム間で再現性と一貫性のある結果が得られます。
これらの要因が組み合わさって、DockerはZEISSチームにとって最適なソリューションとして確固たるものとなり、安全に作業しながらパフォーマンスを増幅し、再現性を保証し、ソフトウェアアーキテクチャを合理化できるようになりました。
業績
Dockerは、ZEISSがAI/MLのコンテナ化における明確なソリューションを見出すのに役立っています
ZEISS Research Microscopy SolutionsチームはDockerのソリューションを採用し、変革の時代の始まりを告げました。 この導入により、AI モデルの結果の一貫性が向上し、デプロイ プロセスが合理化され、モデルとその依存関係の関係が調和しました。 デプロイに "コンテナーとコード" アプローチを使用すると、すべてのクライアント アプリケーションが同じ環境とツールを使用してコンテナー内のモデルを実行するため、チームはすべてのクライアント アプリケーションで同じ結果を得ることができます。 これにより、コードの重複の必要性が大幅に減り、開発チームはプラットフォーム間でコードを同期させるのではなく、新しい機能の作成に集中できるようになりました。 ZEISSのチームは、AIモデルの展開と実行の課題に対処しただけでなく、運用効率と価値提供も向上させました。
ZEISSチームがこの旅に着手するにあたり、明確な課題に直面しました。 Dockerのコンテナテクノロジーは、これらの課題に対する説得力のあるソリューションを提供しました。 明確なビジョンとDockerの明らかなメリットにより、ZEISSは主要なステークホルダーからのサポートと賛同を簡単に得ることができました。
そこで、AIモデルとその依存関係をパッケージ化するようになり、コンテナとクライアント間のインターフェース設計に改めて焦点を当てるようになりました。 この戦略的な決定により、社内アーキテクチャが洗練され、チームの役割が明確になりました。 この戦略の大きな利点は、チームに自律性が与えられたことです。 チームはAI手法を革新し、それらを独立してクライアントに統合できるようになりました。 この明確な責任分担により、ワークフローが合理化され、調整作業が軽減され、ZEISSの効率性とイノベーションの向上への道が開かれました。