自宅ベアメタルクラウドホスティングサービス構築
ベアメタルクラウドが家にあれば、ちょっと仕事で嫌なことがあっても、まあ家に帰ればベアメタルクラウドあるしいいかってきっと思えるので
期間2週間~2ヶ月の短期のAI関連PoCを10件以上受託しました。
各案件にて、使用技術スタック選定全般、現地設置マシンの環境構築全てを担当しました。
現地設置マシンについては、通信回線の設定やマネジメントプログラムの実装、現地設置作業、現地検証作業な度も行いました。
トラック荷台の積荷について、数が多く、非常に長いトレーラーであることからカメラの画角に収めることが困難であり、入出庫時の本数把握が困難である問題がありました。
入出庫するトラックをゲート上で撮影し、画像合成や3Dスキャナでのスキャンデータの処理などにより、一定速度で通過するなど限定的な条件ではありますが積み荷のカウントがある程度可能になりました。
その他複数
大手金融機関様にて、
提供している多数のモバイルアプリ、サービス、営業情報など)から得られる情報を、個人情報や重要度に応じたマスキング処理を行いSnowflakeにて一元管理するデータパイプライン基盤の保守運用作業。
AWS GlueやS3, Snowflakeなどで構築されたデータプラットフォームのパイプライン追加、削除、エラー時の障害対応などの保守運用を行いました。
SKlearn(SVM,XGBoostなど)を使用し、マーケティングのためのデータ分析を実施
上記のデータプラットフォームで管理された情報をマーケティングに活用するためのデータ分析、予測基盤ライブラリなどの開発。
AWS Lambda、AWS Step Functions、AWS ECS を活用し、生成AIを用いた業務自動化システムの構築を担当しました。要件定義の段階から参画し、従来は職人芸に依存していた審査業務のAI化に取り組みました。
プロジェクトでは、既存の審査マニュアルや実業務の流れをヒアリングし、それをもとに生成AI・自然言語処理・ルールベース処理を組み合わせたクラウドシステムを実装。特に、最新の大規模言語モデル(LLM)に審査マニュアルや業務ルールを学習させることで、人間の判断に近い柔軟な審査を実現することを目指しました。
また、一部の厳密な規定を遵守する必要があるプロセスでは、単語マッチングなどのルールベースの手法と組み合わせることで、信頼性と柔軟性を両立。システム全体はコンテナとLambdaを活用したクラウドネイティブアーキテクチャで構築し、拡張性と運用コストの最適化を図りました。
データセンターにハウジング設置されたサーバーの保守運用を担当。リーダーとして、エラーの切り分けや対応方針の策定から、データセンターでの現地作業まで一貫して対応しました。
主な業務内容は以下の通りです。
担当者の入れ替わりが多く、マニュアルが一部未整備の状況でしたが、業務フローの標準化とマニュアル整備を進め、保守運用体制の安定化に貢献しました。
特定の疾病について、気象条件が発生要因となる可能性が経験則的に指摘されていたため、所属企業と大学病院の共同研究として、AIを用いた気象条件と患者発生の関連の調査を実施しました。
本研究では、scikit-learnの各種アルゴリズムを活用し、気象パラメータから疾病の発生を予測可能なモデルの構築を試行することで、気象と疾病の関係を明らかにすることを目的としました。。時系列データを用い、複数の入力パラメータの組み合わせを検証した結果、F-score 約0.65の精度で発生予測が可能なモデルを構築しました。研究結果については、データ提供元の医師に報告し、疾病の発生因子として考えられる気象条件の特定に貢献しました。
ローカルでLLM/VLMを動かすためのLLMモデル、ハードウェア選定を行いました。
施設内のカメラの画像などをクラウドで処理することは、個人情報保護の問題から難しいケースがあります。
そういった場合にローカルでLLMモデルの推論を行う環境があればよりLLMの用途を広げることができるため、製品開発の基礎研究としてハードウェアやLLMモデルの評価、選定を行いました。
生成AIと施設内カメラを組み合わせ、映像を解析しマーケティング分析を行うPoCを受託しました(3件)
既存の通行人数カウントを行う自社プロダクトと組み合わせ、打ち合わせをと現地での撮影を重ねながら活用方法の提案などを行っています。
その他PR用に展示会用スタンドアロンで動作するデモ用システムの構築を行いました。
医療機関向けのオンライン面会システムの開発(自社製品として開発)
Kubernetes