エッジAIとは？エッジにおける人工知能の活用

エッジAIとは、エッジコンピューティング環境に人工知能のアルゴリズムやモデルを導入し、意思決定が行われる場所の近くに演算能力とインテリジェンスを配置することです。これにより、エッジサイトとクラウド間で継続的に通信する必要性を軽減できます。エッジAIを利用すると、ネットワークのエッジにあるデバイスがデータをローカルで処理できるため、処理をインターネット接続や一元化されたクラウドサーバーに依存せずにリアルタイムで意思決定を行えるほか、処理速度の向上とデータのプライバシーおよびセキュリティの強化が可能になります。

エッジAIを理解する

エッジAIは、人工知能、モノのインターネット（IoT）、エッジコンピューティング、組み込みシステムなど、複数のテクノロジーを融合したものです。これらはそれぞれ、ネットワークエッジでのインテリジェントな処理と意思決定を可能にするうえで重要な役割を果たします。エッジAIでは、組み込みアルゴリズムを使用してリモートシステムの動作を監視するとともに、センサーなどのデバイスや、温度、言語、顔、動き、画像、近接性、その他のアナログ入力を含む非構造化データを追跡する機器によって収集されたデータを処理します。

これらのリモートシステムには、センサー、スマートフォン、IoTデバイス、ドローン、カメラ、さらには車両やスマート家電など、さまざまな形態があります。これらのシステムから収集されたデータは、エッジAIアルゴリズムへの入力として使用され、システムやその周辺の状態に関する有用な情報を提供します。これにより、エッジAIシステムは変化や異常に迅速に対応し、稼働環境を把握できます。こうしたエッジAIアプリケーションは、コスト、レイテンシ、帯域幅、セキュリティ、プライバシーに関する問題があるため、集中型クラウドや企業のデータセンター環境で運用することは現実的ではなく、場合によっては不可能です。

エッジAIには、幅広いユースケースがあります。たとえば、次のようなものが挙げられます。

自動運転車Edge AIにより、車両はクラウド接続に常時依存することなく、センサーデータをリアルタイムで分析し、物体検出、車線追跡、衝突回避などのタスクについて瞬時に判断できます。
スマートシティ。 都市全域に設置されたセンサーやカメラから得られるデータは、交通管理、公共安全の監視、廃棄物管理、エネルギー最適化など、さまざまなスマートシティアプリケーションに活用できます。
農業モニタリング Edge AIは、センサー、ドローン、衛星画像から得られるデータを分析し、作物の生育状況の監視、灌漑の最適化、害虫の発生検知、環境条件のリアルタイム分析を行うことで、精密農業を支援します。
産業用IoT製造装置やセンサーにAIアルゴリズムを直接導入することで、エッジデバイスは中央サーバーに依存せずに、機械の状態を監視し、欠陥を検出して、生産プロセスを最適化できます。
ヘルスケアモニタリング。エッジAIは、ウェアラブルデバイス、医療用センサー、画像診断装置から得られるデータを分析し、医療データをリアルタイムで解析して、潜在的な健康上の問題を医療従事者に通知することで、患者の遠隔モニタリングと個別化医療を支援します。

エッジAIとクラウドAIの比較

AIアルゴリズムとモデルのデプロイには、エッジとクラウドという2つの主要な形態があります。クラウドとエッジの拠点にまたがるシステムを統合する戦略は「クラウドイン」または「エッジアウト」と呼ばれ、いずれもパフォーマンス、セキュリティ、運用に影響を及ぼします。

エッジAIでは、リモートデバイスにAIを導入し、ネットワークエッジや分散環境でリアルタイムの処理と意思決定を可能にします。こうしたシステムは、ネットワーク接続に依存したり、中央サーバーにデータを送信したりすることなく、データの大部分をローカルで分析できるため、レイテンシーが低減し、応答時間が短縮されます。また、機密データをローカルに保持することで、クラウドへのデータ送信に伴うプライバシー侵害やセキュリティリスクを低減します。

エッジAIの例としては、ローカルに導入したAIでセンサーデータを分析し、リアルタイムで運転判断を行う自動運転車や、エッジAIで音声コマンドを処理したり、侵入者がいないか敷地内を監視したりするスマートホームデバイスが挙げられます。

一方、クラウドAIは、AIアルゴリズムとモデルを一元化されたクラウドサーバーにデプロイすることで、大規模なデータ処理、トレーニング、推論を可能にします。クラウドリソースは高いコンピューティング能力を提供するため、ディープラーニングのトレーニングやビッグデータ分析など、膨大な計算能力を必要とする複雑なAIタスクを実行できます。クラウドAIソリューションは、大量のデータや多数のユーザーに対応できるよう容易に拡張できるため、高スループットまたは多くのリソースを必要とするアプリケーションに適しています。

AmazonやNetflixが、膨大なユーザーデータに基づいて消費者に新たな商品や代替商品を提案するために使用しているレコメンデーションエンジンは、最適に機能するために多大なコンピューティングリソースを必要とする大規模なクラウドAIシステムの一例です。

特定のお客さまのニーズに対応するため、エッジAIとクラウドAIの両方を活用するユースケースもあります。実例として、シンガポールを拠点とするAIおよびデータプラットフォームプロバイダーのSentient.ioが挙げられます。同社は、企業が既存のワークフローにAIを容易に統合できる革新的なAIサービスのハブ「Sentient Marketplace」を開発しました。しかし、このマーケットプレイスの急速な成功に伴い、オンプレミス、パブリッククラウド、プライベートクラウド、エッジにまたがる分散環境でAIサービスを運用、展開することの難しさなど、複雑な課題がいくつも生じました。

顧客サイトで複数のプロバイダーを利用して運用する場合、各クラウドプロバイダーのソリューションが独自のKubernetesディストリビューションを提供していることがあり、それぞれのクラウド環境でこれらのプラットフォームを活用する必要がある組織にとって大きな負担となる可能性があります。また、顧客サイトへのSentientのAIモデルのデプロイにも手間がかかっていました。各エッジサイトにオンプレミスのKubernetes環境を構築し、新しいモデルの更新と同期を手動で行う必要があったためです。その結果、運用の複雑さが増し、ワークフローのオーケストレーションとセキュリティポリシーに一貫性がなくなっていました。

Sentient.ioはF5と提携し、さまざまな業種のお客さまに、F5 Distributed Cloud App Stack,を活用したターンキー型のエンタープライズグレードAI「as a service」ソリューションを提供しました。これは、オンプレミス、クラウド、エッジの各拠点への導入を簡素化する、エンタープライズ対応のKubernetesプラットフォームです。このソリューションにより、Sentientの運用が効率化され、レイテンシが低減し、エッジでのリアルタイムAI処理が可能になりました。エッジで推論を実行することで、地理的な場所に起因するネットワークと帯域幅の制約が解消され、推論結果をリアルタイムでアプリケーションに即時提供できます。このモデル導入方法への移行により、Sentient.ioは高性能なAIアプリケーションをより短期間で価値につなげてお客さまに提供できるようになったほか、リソース割り当ての最適化、運用コスト全体の削減、アプリケーションおよびAPIセキュリティのネイティブ統合も実現しました。

この協業により、専任チームと多大なリソースコストを要していた、複数のクラウドプラットフォームを手作業で管理する従来のプロセスと比べて、大幅なコスト削減も実現しました。F5 Distributed Cloud Services,を活用することで、Sentientはリソースの最適化とアプリケーション管理の簡素化を通じて運用を効率化し、コストを削減するとともに、他の戦略的取り組みにリソースを振り向けられるようになりました。

エッジAIへのアクセス

エッジAIを利用するには、ネットワークエッジでAI機能に効率的にアクセスし、活用できるように、デバイス、テクノロジー、インフラストラクチャコンポーネント、統合機能を組み合わせて導入する必要があります。これには、以下が含まれます。

エッジデバイス。 センサーとマイクロコントローラーを搭載したエッジデバイスは、物理世界からデータを収集し、ローカル処理用のエッジAIモデルをホストできます。IoTデバイスの例としては、スマートサーモスタット、監視カメラ、土壌水分モニター、産業用センサーなどがあります。エッジデバイスにはスマートフォンやタブレットコンピューターも含まれます。これらは周囲の環境を検知するだけでなく、処理能力と接続性を活用してエッジAIタスクを実行できます。
テクノロジーネットワークエッジでAIシステムを運用するには、学習済みアルゴリズムや、リソースに制約のあるデバイスへの導入に最適化されたAIモデルなど、さまざまな専門テクノロジーが必要です。また、システムの開発と導入を簡素化するツールやライブラリを提供するエッジAIフレームワークおよびプラットフォームも利用できます。
インフラストラクチャ。 エッジAIデバイスが相互に通信し、必要に応じて中央サーバーと通信するには、有線か無線かを問わず、信頼性の高いネットワーク接続が必要です。これには、エッジサーバー、ゲートウェイ、ルーターなどのハードウェアコンポーネントが含まれる場合があります。また、APIはAIアーキテクチャの要であり、さまざまなコンポーネントやサービス間の通信と、データや命令の交換を可能にします。
統合。エッジAIシステムには、データへのアクセスを確保し、拡張性やシステム内の他のコンポーネントとの互換性を実現するとともに、管理の複雑さを軽減するため、既存のネットワークやインフラストラクチャと統合できることが求められます。

また、エッジAIの導入と利用に伴う、以下の課題と制約にも注意が必要です。

限られたコンピューティング能力と接続性。ほとんどのエッジデバイスでは、処理能力、メモリ、ストレージが限られているため、エッジで動作可能なAIモデルの複雑さやサイズが制約される場合があります。また、エッジデバイスはネットワーク接続の選択肢が限られた環境で動作することが多く、エッジAIシステムの応答性、パフォーマンス、信頼性にも影響を及ぼす可能性があります。
コストと可用性多くのAIモデルでは、グラフィックス処理装置（GPU）やデータ処理装置（DPU）などのワークロードアクセラレーターを使用することで処理を高速化できます。しかし、特にGPUは高価であり、物理的な制約から、小型のフォームファクターに搭載するには大きすぎる場合があります。そのため、エッジデバイスに導入できるAIアルゴリズムの種類が制限され、別の最適化手法が必要になる可能性があります。
データプライバシー。一部のエッジAIシステムは、機密データや保護対象データをローカルで生成・処理するため、データプライバシーやHIPAA、GDPRなどの規制への準拠が懸念されます。データプライバシーを確保し、法的要件に準拠するには、適切なデータ匿名化、暗号化、アクセス制御の対策を実装する必要が生じる場合があります。
デバイス管理。地理的に分散した拠点に配置されているエッジAIシステムの導入、監視、更新、保守は容易ではなく、効率的な管理ツールとプラットフォームが必要です。

エッジAIのセキュリティ対策

エッジAI環境でデータを保護し、セキュリティリスクを軽減するには、多層的なセキュリティを重視した包括的なアプローチが必要です。エッジAIは、データから学習し、経験に基づいて動作を変化させる能力など、従来のコンピューティングワークロードとは重要な点で異なります。一方、セキュリティ要件については、従来型のIoTシステムと多くの共通点があり、次のようなリスクの多くを共有しています。

マルウェアとサイバー攻撃。エッジAIデバイスは、適切に保護されていない場合、マルウェア感染、サイバー攻撃、リモートからの悪用を受けやすくなります。ウイルス対策ソフトウェアや侵入検知システムの導入、ソフトウェアの定期的な更新を、すべてのエッジAIセキュリティ戦略に組み込む必要があります。
ネットワークセキュリティ。エッジAIデバイスは通常、ネットワークを介して相互に、また一元管理されたサーバーと通信するため、ネットワークベースの攻撃の標的となる可能性があります。転送中のデータを保護し、ネットワークリソースへの不正アクセスを防ぐため、暗号化、認証、アクセス制御の仕組みによってネットワーク通信を保護してください。
データの完全性。AIモデルと意思決定プロセスの精度と信頼性を維持するには、エッジAIデバイスで処理されるデータの完全性を保護する必要があります。データの改ざん、操作、破損を検出して軽減するには、データ入力の真正性と一貫性を検証するために、データ検証、チェックサム、完全性チェックを実装する必要があります。
物理セキュリティ。エッジAIデバイスは遠隔地や過酷な環境に導入されることが多いため、損傷、物理的な改ざん、盗難、破壊行為の影響を受けやすくなります。耐タンパー性を備えた筐体や監視カメラなどの物理的な保護対策は、損傷、改ざん、不正アクセスからデバイスを保護するのに役立ちます。
APIセキュリティ プラグインを含むAIエコシステムはAPIを介して実現されますが、APIには脆弱性、悪用、設定ミスのリスクがあり、不十分な認証および認可制御を回避する攻撃を受ける可能性があります。
大規模言語モデル（LLM）のセキュリティ。生成AIベースのアプリケーションにおける意思決定に関連するLLMと、そのトレーニングおよび推論プロセスには、プロンプトインジェクション、データポイズニング、ハルシネーション、バイアスなど、多くのリスクがあります。

エッジAIアプリケーションを含む、LLMベースのAIシステムの導入と管理に伴うセキュリティリスクについて詳しく確認するには、OWASP Top 10 for Large Language Model Applicationsをご覧ください。この資料は、LLMアプリケーションの脆弱性に対する認識を高め、修復戦略を提案し、セキュリティ態勢の向上を目指すものです。

エッジAIの最適化戦略

ネットワークエッジやその他の遠隔地に配置されるため、エッジAIインフラストラクチャでは、パフォーマンス、リソース使用率、セキュリティなどを最適化することが重要です。しかし、リソースに制約のあるデバイスで効率とパフォーマンスを最適化するのは容易ではありません。許容可能なパフォーマンスを維持しながら、演算、メモリ、エネルギーの要件を最小限に抑えるには、多くの場合トレードオフが伴うためです。

エッジAIのパフォーマンス向上

エッジでのエネルギー消費を抑えながらコンピューティング性能を最適化するには、いくつかの方法があります。低電力モード、スリープ状態、動的電圧・周波数スケーリング（DVFS）などの省電力技術を導入することで、エネルギー消費の削減に役立ちます。GPUやDPUなどのハードウェアアクセラレーターを使用すると、計算負荷の高いタスクをCPUからオフロードし、推論速度を向上できます。動的バッチ処理、適応型推論、モデルのスパース化などの手法を活用し、性能を維持しながらリソース利用を最適化します。負荷の低いタスクはCPUリソースで処理できる場合もあるため、高度に分散されたアーキテクチャ全体でリソースをプールすることが重要です。

エッジコンピューティング向けのモデル最適化

エッジAIデバイスでは多くの場合、コンピューティングリソースが限られているため、エッジデバイス向けに最適化された軽量なAIモデルを導入する必要があります。デバイスのリソースとアプリケーション要件に最適なモデルを選択する際には、モデルの複雑さ、精度、推論速度のバランスを取ることが求められます。モデルの量子化、枝刈り、知識蒸留などの手法を使用すると、パフォーマンスを大幅に低下させることなく、AIモデルのサイズを縮小できます。

エッジに最適化されたセキュリティ

「境界の消失」とは、モバイルデバイスやクラウドコンピューティング、エッジコンピューティングなどの要因により、従来のネットワーク境界が曖昧になりつつある状況を指します。エッジAIにおける境界の消失とは、エッジAIデバイスが通常、ネットワークエッジにある遠隔かつ動的なネットワーク環境に導入され、データセンターやクラウド環境の外部で、ファイアウォールや侵入検知システムなど、従来の境界型セキュリティ対策が及ばない場所で稼働することを意味します。そのため、エッジAIのセキュリティには固有の要件があり、隔離された場所での不正アクセスをはじめ、セキュリティ管理と可視性の確保が難しい複雑な分散環境全体にわたる脅威から保護できるよう、最適化する必要があります。

さらに、APIは、AIアプリケーションの複数の部分がデータや命令をやり取りするための橋渡し役となります。AI対応アプリケーションを導入する企業にとって、こうしたAPI接続とそこを流れるデータの保護は、対処すべき重大なセキュリティ課題です。そのため、エンドポイントを動的に検出し、さまざまなリスクから自動的に保護するWebアプリケーションおよびAPI保護サービスの導入が必要です。

大規模言語モデルのセキュリティ

LMMは、膨大なテキストデータに基づく人工知能モデルであり、人間のような優れた流暢さと一貫性を備えた自然言語の出力を理解し、生成できるようにトレーニングされています。生成AIアプリケーションの中核をなすLLMは通常、オンライン書籍、投稿、Webサイト、記事など、インターネットから体系的に収集された入力データやコンテンツを使用してトレーニングされます。しかし、この入力データは、生成AIモデルを誤誘導したり、その性能を損なわせたりする目的で入力データを意図的に操作する悪意ある攻撃者の標的となる可能性があります。その結果、脆弱性やバイアス、信頼性の低い出力、プライバシー侵害、不正なコードの実行につながるおそれがあります。

LLMに対する主なセキュリティリスクには、次のものがあります。

プロンプトインジェクション。攻撃者はLMMへの入力プロンプトを操作して生成結果に影響を与え、偏った、不快な、または不正確なコンテンツを生成させることで、LLMによる生成結果の信頼性と確実性を損なう可能性があります。
モデルポイズニング。この攻撃では、LLMのトレーニング段階で悪意のあるデータを注入し、その動作を操作したり、性能を損なわせたりします。攻撃者は、汚染されたデータサンプルをトレーニングデータセットに混入させることで、トレーニング済みのLLMモデルにバイアス、脆弱性、バックドアを埋め込むことができます。
モデルサービス拒否（DoS）。これらの攻撃は、リクエストのトークン化やLLMのコンテキストウィンドウのしきい値を超過させる可能性のある悪意のあるリクエストや入力を大量に送り付け、処理速度の低下、サービスの中断、停止を引き起こすことで、LLMの可用性とパフォーマンスを標的にします。このようなリソース枯渇攻撃は、パフォーマンスの低下やシステムの不安定化につながり、AIシステムの可用性と信頼性に影響を及ぼすほか、モデルが学習し、ユーザーのプロンプトに応答する能力を損なう可能性があります。

こうしたセキュリティ上の課題に対処するには、多面的なアプローチが必要です。プロンプトインジェクションを防止するとともに、プロンプトのサニタイズ、入力検証、プロンプトフィルタリングなどの手法を用いて、悪意を持って細工された入力によってモデルが操作されないようにします。DoS攻撃に対抗するには、レート制限、異常検知、行動分析を組み合わせた多層防御戦略を構築し、不審または悪意のあるネットワーク活動を検知して特定します。業界では、こうしたリスクを効果的に管理するための取り組みが今なお進展しており、アプリケーションスタック内のLLMプロキシ、ファイアウォール、ゲートウェイ、セキュアなミドルウェアの開発が急速に進んでいます。

エッジAIの未来

エッジAIは、急速に進化するネットワークエッジ技術群の一部であり、インテリジェントで応答性に優れ、より効率的なコンピューティング環境の新時代を切り拓いています。プロセッサ、ネットワーキング、ソフトウェア、セキュリティの進歩が交わることで、これらの技術は、さまざまな業界におけるイノベーションと変革の新たな可能性を引き出しています。こうしたエッジコンピューティングのユースケースでは、ネットワークエッジでのリアルタイム分析と意思決定を活用します。これにより、組織はデータの発生源に近い場所でデータを処理・分析し、遅延の影響を受けやすいアプリケーションの応答時間を短縮したり、コンテンツをリアルタイムで配信したりできます。

ネットワークエッジ全体にコンピューティングリソースを分散することで、組織は変化するワークロード需要に迅速に対応し、リソース利用を最適化して、システム全体のパフォーマンスと効率を向上させることもできます。こうした可能性は、エッジサーバー、エッジコンピューティングプラットフォームおよびライブラリ、AI-on-chipプロセッサーなど、エッジAIアプリケーションを支えるために必要なコンピューティング、ストレージ、ネットワーキングの各リソースを提供する、エッジコンピューティングインフラストラクチャ専用コンポーネントの進化によって部分的にもたらされています。

エッジAIは、ネットワークエッジにおけるインフラの再興を推進するうえで中心的な役割を果たしてきました。また、AIとIoTの統合は、エッジでのインテリジェントな意思決定を引き続き促進し、医療、産業オートメーション、ロボティクス、スマートインフラなどの分野で革新的なアプリケーションの発展を後押ししています。

TinyMLは、軽量なソフトウェアMLモデルとアルゴリズムの作成などに重点を置くMLおよびAIのアプローチです。これらのモデルとアルゴリズムは、マイクロコントローラーやエッジAIデバイスなど、リソースに制約のあるエッジデバイスへの導入に最適化されています。TinyMLベースのアルゴリズムは、エネルギー効率に優れ、クラウドリソースに依存せずに推論タスクをローカルで実行できるように設計されています。

さらに、DPUのような小型で高性能なプロセッサの利用が、エッジコンピューティングやAI/MLワークロードで拡大しています。DPUは、CPUからデータ処理タスクをオフロードして高速化するために設計された専用ハードウェアコンポーネントです。こうしたワークロードでは、大量のデータを効率的に処理することが、パフォーマンスとスケーラビリティの確保に不可欠です。この効率性は、電力の制約によって消費電力の大きいGPUソリューションの使用が制限される可能性があるエッジコンピューティング環境で、特に大きな価値をもたらします。

これらのイノベーションをエッジからクラウド、データセンターまでの連続体として結び付けるのが、ハイブリッド、マルチクラウド、エッジコンピューティングのリソースを含む分散アーキテクチャ全体で、シームレスなデータ処理、分析、オブザーバビリティを実現する新世代のネットワーキングソリューションです。こうしたネットワークでは、今後APIへの依存がさらに高まります。APIはエッジコンピューティングプラットフォームに不可欠なコンポーネントであり、通信、統合、自動化を促進することで、分散コンピューティング環境内でのシームレスなデータ交換と同期を可能にします。また、標準化されたインターフェースを提供することで、多様なエッジデバイス、システム、サービス間の相互運用性を実現するとともに、エッジリソースとサービスの動的なプロビジョニング、管理、制御を可能にします。

このような広範な分散アーキテクチャでは、データソースの近くに配置されたエッジデバイスから、データセンター内の集中型または分散型クラウドサーバーに至るまで、連続体上の複数のポイントでデータを安全に処理、分析できます。このエッジからあらゆる環境へとつながる連続体により、組織は複数のコンピューティング環境の強みを安全に活用し、従来型ワークロードとAIワークロードを統合して、最新のアプリケーションに求められる多様な要件に対応できます。

F5がどのように支援できるか

F5は、ネットワークエッジのAIアプリケーションを含む、分散環境のあらゆる領域で、あらゆるアプリとAPIを保護、配信、最適化する唯一のソリューションプロバイダーです。AIベースのアプリは、モダンアプリの中でも最先端に位置します。GenAIを採用するシステムでは、LLMのリスクや分散推論など、固有の考慮事項がある一方、こうしたアプリケーションも、レイテンシ、サービス拒否、ソフトウェアの脆弱性に加え、ボットや悪意のある自動化を利用する攻撃者による不正利用の影響を受けます。

AIを活用した新たなデジタル体験は高度に分散しており、オンプレミス、クラウド、エッジの各環境にまたがるデータソース、モデル、サービスが混在しています。これらはすべて、拡大を続けるAPIネットワークで接続されているため、セキュリティ上の重大な課題が生じます。企業がAI対応サービスの導入を拡大する中で、こうしたAPI接続と、そこを流れるデータの保護は、対処すべき極めて重要なセキュリティ課題です。

F5 Distributed Cloud Servicesは、業界で最も包括的なAI対応APIセキュリティソリューションを提供します。APIコードテストとテレメトリ分析により、高度なAI活用型脅威からの保護を支援するとともに、マルチクラウドおよびエッジのアプリケーション環境のセキュリティ確保と管理を容易にします。F5 Multi-Cloud Networking solutionsは、トラフィック最適化機能を備えたSaaSベースのネットワーキングと、パブリッククラウド、プライベートクラウド、エッジ環境向けのセキュリティサービスを単一のコンソールから提供し、クラウド依存型サービスや複数のサードパーティベンダーに伴う管理負担を軽減します。F5のネットワークソリューションにより、AI導入の迅速化、エンドツーエンドのポリシー管理、完全に自動化可能で信頼性の高いインフラストラクチャを実現するオブザーバビリティを利用できます。

さらに、新しい「F5 AI Data Fabric」は、お客さまがより多くの情報に基づいて意思決定し、迅速に行動できるよう支援する革新的なソリューションを構築するための基盤です。Distributed Cloud Services、BIG-IP、NGINXのテレメトリを組み合わせることで、比類のないインサイトの提供、リアルタイムレポートの生成、アクションの自動化、AIエージェントの強化を実現します。

F5はさらに、自然言語インターフェースを使用してF5ソリューションを操作、管理する方法を変革するAIアシスタントをリリースします。F5 AI Data Fabricを基盤とするこのAIアシスタントは、データの可視化、異常の特定、ポリシー設定の照会と生成、修復手順の適用を行います。また、組み込みのカスタマーサポートマネージャーとしても機能し、製品ナレッジベース全体でトレーニングされたモデルに基づいて、質問への回答や推奨事項を提供します。

データセンターからエッジまで、AIベースのアプリケーションの稼働と保護を支えるF5ソリューションは、予測可能なパフォーマンスとセキュリティを実現する強力なツールを提供し、AIへの投資価値を最大限に引き出せるよう支援します。