費用は、合理的に。
必要な機能に絞り、既存モデルや仕組みを適切に活用。作るべきところに予算を使い、開発・運用コストを抑える設計を目指します。
一つの点から、つながりへ。
球体に触れて、AIの内側をのぞいてみる。
ニューラルネットワークを表現した、インタラクティブなイメージです。
AIの基礎となるニューラルネットワークは、多くの計算単位がつながった仕組み。入力された情報を、つながりの強さ(重み)を使って処理し、結果を出します。
実際のAIが赤く光ったり、点を集めて考えたりするわけではありません。学習では重みを調整し、推論では学習した重みを使います。この球体は実モデルの内部計算や学習の再現ではありません。
言葉を扱うか、軽く動かすか、世界の変化を予測するか。用途に合うモデルを選ぶことが、開発の出発点です。既存モデルでは届かない課題には、オリジナルモデルの開発という選択肢もあります。
大量の文章などからパターンを学び、文脈に続く語を予測して文章を生成する大規模言語モデル。対話や要約、文書作成など、幅広い言語タスクに活用します。
パラメータ数を抑えた小規模言語モデル。用途と性能が合えば、計算資源や実行コストを抑えやすく、端末・社内環境での利用にも向いています。速度や精度はモデルと機器によって変わります。
環境の状態や、行動によって起こる変化を学び、先の状態を予測・生成するモデル。シミュレーションや行動計画など、現実の世界で動くAIの研究・開発に活用されます。
指示に応じて操作や行動を組み立て、実行につなげるモデル。外部ツールやシステムと連携し、業務の操作を支援します。
画像などの視覚情報と文章を組み合わせて処理するモデル。画像の説明や、見えている内容についての質問への回答に活用します。
複数のエキスパートと呼ばれる構成要素から、入力に応じて一部を選び計算するモデル構造。モデルの容量と計算効率の両立を目指す設計です。
活用する場面によって、必要な機能や性能は異なります。用途・精度・速度・コスト・実行環境に合わせて、適切なモデルや構成を選ぶことが大切です。
LWMは大規模な世界モデルを指す表記です。MoEはモデルの構造を表し、LLMやVLMなどと組み合わせて用いられます。
既存モデルの選定・調整から、お客様専用のオリジナルモデルの開発まで。社内データにつなぎ、システムへ組み込み、現場で使える形にする。その全体をLEGALISSが一貫して開発します。
必要な機能に絞り、既存モデルや仕組みを適切に活用。作るべきところに予算を使い、開発・運用コストを抑える設計を目指します。
まず動く試作で方向性を確認。モデルとシステムを同じチームで扱い、検証から実装までをスムーズにつなぎます。
見た目の完成度だけでなく、回答の精度・応答速度・使いやすさを確認。業務の条件に合わせて評価し、改善を重ねます。
業務・予算・希望時期を伺います。
小さな試作で実現性を検証します。
必要な機能と連携を実装します。
利用状況に合わせて育てます。
「実現できる?」「どのくらいかかる?」からで大丈夫。
目的・予算・スケジュールに合う進め方を、一緒に考えます。