自動運転AIの学習にAIBoosterを活用して
GPU利用効率を改善、メンバーのコスト意識に変化

田森様元々フィックスターズ社とは、さまざまな業務で連携がありましたが、直接のきっかけは弊社の社長である川西と御社の三木社長との会話でした。「計算リソースの実行効率を2倍にするツールがある」と聞き、すぐに「使ってみよう」という話になりました。
背景として、我々はAI、特に認識モデルの開発でクラウド上のGPUを大量に利用しています。しかし、このハードウェアコストは非常に高額なため、投資対効果が良いのか、GPUリソースを本当に効率的に使えているのか、正確に把握したいというニーズがありました。また、その利用効率を可視化し、最大化したいという思いがありました。

周藤様 技術的な観点から導入の決め手となったのは、GPUの「SM Activity（Streaming Multiprocessor Activity: GPUの基本的な計算ユニットレベルでの計算効率）」をリアルタイムで詳細にモニタリングできる点です。GPUごとや単位時間あたりの実行効率は、我々も測定はしていましたが、AIBoosterほど詳細には把握できていませんでした。この機能が我々のニーズに最も刺さったポイントです。

田森様クラウド環境におけるGPUの使用率を、自分たちでリアルタイムに確認できるようになったことは、非常に大きなメリットだと感じています。

片岡様 最も大きな効果は、コスト意識が高まったことです。社長の川西が自らダッシュボードを確認するほど、GPUの利用効率に強い関心を持っています。このトップの関心を起点として、AIエンジニアや高速化チームメンバーの一人ひとりが、自分の担当する学習がGPUをいかに効率的に使えているか意識するようになりました。

他のモニタリングツールと比べて、必要な情報が整理されていてダッシュボードが見やすいのも良いところです。

周藤様 機能面では、最近のバージョンアップで、ジョブの実行中でも状況を確認できるようになった点が素晴らしいですね。以前はジョブ完了後の確認でしたが、よりリアルタイム性が高まり、改善のサイクルが格段に速まりました。
今では、何らかの高速化施策を打つ際には、まずAIBoosterで現状を分析することが最初のステップとして定着しています。GPUだけでなくストレージの使用状況もジョブ単位で分析できる機能もユニークで、多角的な分析の入り口として非常に効果的だと感じています。

田森様ツールとしては、リアルタイムでの結果確認や実行中のジョブへのアプローチなど、継続的な使い勝手の向上を期待しています。
また、単なる数値データだけでなく、なぜその結果になったのかという、背景にある考え方や、改善推移についてもレポートに盛り込んでいただいて、より深く分析したいとも思うようになりました。

支援の面では、現在の高速化やモニタリングに留まらず、今後は「AI学習プロセスの安定化」や「スケジューラーの最適化」といった、より上流の課題についてもご協力いただけると心強いです。

周藤様 AI処理実行の最適化について、AIBoosterによるさらなる自動化^*を進めてもらいたいです。約8割はAIBoosterで自動的に実行してもらって、エンジニアは残り2割のコアな部分に集中する、という役割分担ができると理想だと思っています。

また、学習データ量が増大する中で、まれに発生する学習ジョブの失敗による損失は無視できません。原因となる学習中の異常なスパイクを、AIBoosterによる検出を元に対策できるようになると学習の安定性が増すと思います。

田森様昨今のGPU不足という状況を踏まえ、種類の異なるGPUを複数組み合わせても単一GPUと同等の性能を発揮できるような、高度な技術支援もお願いできればと期待しています。

＊本記事の内容は取材時（2025年9月）の情報に基づいています。
また、所属・肩書は記事公開時のものです。