Pathwayの機械アンラーニングが、データストリームの鮮度低下の中でもETAの正確性を保つ

CEOのZuzanna Stamirowska氏 — 米国科学アカデミー紀要に掲載された最先端の海上貿易予測モデルの著者 — が共同創業したフランスのディープテックスタートアップPathwayは、物流のデジタル化を妨げる問題に取り組んだ。すなわち、リアルタイムのデータストリーム上で自動推論を行えるソフトウェアインフラストラクチャの不足である。輸送コンテナのセンサーは追跡データを生成するが、低帯域幅の環境ではクラウドへの同期が遅れ、遅延データとライブデータが混在した大量の不一致データが生じる。

このフレームワークはAIシステムとLLMをストリーミングデータ上で継続的に再訓練し、新たな完全バッチアップロードなしに個々のデータ点を修正することを可能にする。これが機械アンラーニングであり、その夏の初めにGoogleがコンペティションを立ち上げた課題である。海運会社CMA CGMとともに、PathwayはコンテナのゲートアウトETAの精度を向上させ、ターミナル業務を改善し、コンテナ取扱時間を短縮するとともに、ビジネスコストと環境コストを低減した。

同社は、このアプローチが表形式データ、時系列、IoTメッセージ、イベントストリーム、移動する物体、グラフ、オントロジーなど、データ型を問わず業界に依存しないと強調し、オブザーバビリティのユースケースを含む製品の改良に注力していると述べている。

製品としての機械アンラーニング：再訓練なしに、訓練済みモデル内の1つの誤ったデータ点を修正する — スプレッドシートが依存するセルのみを再計算するようなもの。

陳腐化した、または誤った訓練データは、ストリーミングデータで事業を運営する企業においてモデルの出力を静かに損なう。

完全なバッチ再訓練は、1つの事実が変わるたびに実行するには遅すぎ、コストが高すぎる。

物流の意思決定はリアルタイムデータに依存するため、修正はそれがまだ意味を持つうちに反映されなければならない。

変化の速いデータでは、作業の単位はデータセットではなく単一の事実である：継続的に忘れ、修正するシステムを設計せよ。

Tech.euは、CMA CGMへの導入を、正確なリアルタイムデータに依存する業界での導入実績として報じる一方、アンラーニングに単一の解決策はなく、バッチ、ストリーミング、LLMの各ケースはすべて異なると指摘した。Pathwayは複数のデータ型と業界に向けたプラットフォームの改良に注力し続けた。