Y Combinator 日本語図鑑

事業概要

プロダクト

• 課題、現行のエージェントかモデル、評価方法を入力として受け取る。
• データ整備、追加学習、継続学習、指示文、ツールを組み替えて実験を回す。
• 各実験の評価値を統計的に検証し、改善が確認できた構成だけを返す。
• 実験の履歴と系譜を保持し、再現できる手順として残す。
• 自社クラウドかhiloopのホスト環境のいずれかで実行する。

技術アーキテクチャ（推定）

• 顧客から課題、現行モデル、評価データ、実行環境への接続情報を受け取るとみられる。
• 社内システムや保管データから学習用データを連携や書き出しで取り込むと推定。
• データの名寄せ、重複除去、学習用と評価用への分割を前処理で行うとみられる。
• 追加学習、継続学習、指示文とツール構成の変更を組み合わせた実験を並列実行する。
• 計算資源の割り当てを調整し、実験ごとの系譜と指標を記録すると推定。
• 評価結果を統計的に照合し、再現した改善のみを成果物として返すとみられる。

収益モデル

• 企業が課題ごとの改善案件に対して支払う受託型とみられる。価格は非公開。
• 継続学習や再実験を月額契約で依頼する形態も想定される。価格は非公開。
• 自社クラウド実行時は計算資源を顧客負担とし、利用料を課金する可能性がある。価格は非公開。

差別化

• 実験の系譜と評価結果が顧客ごとに蓄積し、再依頼ほど精度が上がる。
• 評価方法の設計から実行までを一社で請け、工程を占有する。
• 顧客の環境内で実行でき、機密データを外に出さずに済む。

日本展開時のリスク

• 学習用データに個人情報や機密情報が含まれる場合の管理責任が重い。
• 計算資源の費用が成果に先行し、稟議で予算化しにくい。
• 改善効果の再現性を社内で説明できないと継続契約に至りにくい。
• 既存の受託開発や研究部門との役割分担が曖昧になりやすい。

日本での競合

• 国内に評価主導の自動実験を請け負う専業は見当たらない。
• モデル開発支援や機械学習基盤は大手と専業が複数そろう。
• ブレインパッドなどは分析から実装までを一貫して受託する。
• 計算基盤はクラウド大手が握り、実行環境の選択肢は多い。
• 機密データを外に出さない前提が導入の入口になる。

主要プレイヤー

• ブレインパッド — データ分析の支援。
• エクサウィザーズ — AIの社会実装。
• Preferred Networks — 深層学習の研究開発。
• Google Cloud — クラウド基盤とデータ分析。