【ITニュース解説】Acelerando workloads de IA com VMs e GPUs na Magalu Cloud

Magalu Cloudは、人工知能（AI）を活用するあらゆるビジネスや開発を支えるため、強固でアクセスしやすいインフラを提供している。現代においてAIは多岐にわたる分野でその価値を発揮しており、AIシステムの開発から運用、そして大規模な展開に至るまで、その基盤となるインフラの性能と柔軟性が成功の鍵を握る。Magalu Cloudは、この重要なインフラとして、仮想マシン（VM）とグラフィック処理ユニット（GPU）を提供し、計算負荷の高いAIワークロードを劇的に加速させ、より迅速な結果をもたらすことを目指している。

AIの処理には、学習済みモデルを使って新しいデータから予測や判断を行う「推論」と、その推論結果をまとめたり分析したりする「後処理」がある。Magalu Cloudが提供する仮想マシン、通称VMは、一台の物理コンピュータ上にソフトウェアで仮想的に構築された独立したコンピュータ環境である。VMは、特にAIの後処理において高いパフォーマンスと柔軟性を発揮する。ユーザーは、自身のAIワークロードに最適なVMの「フレーバー」（種類）を多様な選択肢の中から選ぶことができる。これらのVMは信頼性が高く、必要な時だけ稼働させ、利用した時間に応じて料金を支払う従量課金制のため、コスト効率も優れている。

具体的なVMの種類と用途として、例えば「小さなVM」はvCPUが4つ、RAMが16GB搭載されており、画像推論結果の軽い集計作業や、自然言語処理のログの単純な分析、小規模な音声処理のメトリクスパイプラインなど、軽度な後処理や小規模なバッチ処理に適している。「中規模なVM」はvCPUが16個、RAMが64GBを備え、コンピュータビジョン分野でのセグメンテーションや特徴抽出といった中程度の後処理、より大きなバッチでの自然言語処理の埋め込み分析、中規模なテキストから音声への変換（TTS）のバッチ処理など、並列処理を伴うパイプラインに適している。さらに、「大きなVM」はvCPUが32個から64個、RAMが256GBから512GBという高いスペックを持ち、高解像度ビデオの推論後処理、大規模なマルチモーダルデータセットの後処理、複数のAIモデルからの出力を集約する複雑なパイプライン、そしてAI後の複雑な統計分析といった、計算負荷の非常に高い処理や複雑なパイプラインの実行に活用できる。

AI、特に機械学習や深層学習といった分野では、膨大な量の計算を同時に行う「並列計算」が頻繁に必要となる。この並列計算において、通常のCPU（中央演算処理装置）よりも圧倒的な性能を発揮するのがGPU（グラフィック処理ユニット）である。Magalu Cloudでは、NVIDIA L40という高性能なGPUへのアクセスを提供しており、これにより機械学習モデルのトレーニング（学習）や推論、その他の計算集約型のタスクを効率的かつ高速に実行できる。

GPUの具体的な利用方法も多岐にわたる。例えば、1つのGPUでは、数多くのパラメータを持つ大規模言語モデル（LLM）の推論を高速化できる。特に「量子化」という技術（モデルを軽量化して、必要な計算資源を減らす手法）を用いることで、Gemma 3 27Bのような300億以上のパラメータを持つモデルでも、1つのGPUで効率的に動作させることが可能となる。また、画像とテキストを理解するCLIP、画像生成を行うStable Diffusion XL、音声認識のWhisper largeといったマルチモーダルAI、視覚、音声処理モデルの推論も1つのGPUで実用的に行え、継続的な本番稼働にも対応できる。さらに、比較的小さなモデル（約10億パラメータ以下）のファインチューニング（既存モデルの微調整）や軽度なトレーニング、AIモデルの実験やプロトタイプ開発にも1つのGPUが適している。

もし2つのGPUを利用できる環境であれば、その用途はさらに広がる。10億から300億以上のパラメータを持つ大規模なモデルのトレーニングやファインチューニング、または量子化されていないLLMの学習など、計算負荷の高い処理を効率的に実行できる。複数のGPUを使うことで、トレーニングを並列化したり、より大きなデータバッチを一度に処理したりすることが可能になる。また、大規模な推論や並列パイプラインにも2つのGPUは非常に有効である。300億以上のパラメータを持つLLMや、Stable Diffusionのような画像生成モデル、あるいはマルチモーダルモデルを用いた大規模な推論において、複数GPUの利用は応答速度（レイテンシ）を短縮し、より多くのリクエストを同時に処理する能力（スループット）を向上させる。

Magalu CloudのVMとGPUを利用することで、ユーザーは管理された特定のプラットフォームに縛られず、AI開発のための独自の環境を柔軟に構築できる。これにより、AIコミュニティで広く利用されている様々なツールや技術スタックを自由に活用することが可能となる。実際、Magalu Cloudのインフラを使えば、わずか数分でAIの開発、トレーニング、推論、プロトタイピングを行うための仮想マシンを準備できる。

例えば、インタラクティブな開発環境として、Jupyter NotebookやVS Code ServerをVM上に構築し、AIコードの記述やテスト、データセットへのアクセス、小規模モデルのトレーニング、そして結果のリアルタイムな可視化を直接行える。大規模言語モデル（LLM）のローカル推論には、OllamaやvLLMといったツールを利用し、外部サービスに依存することなくVM上で大規模または量子化されたモデルを動かし、環境とリソースを完全に制御できる。Stable DiffusionやWhisperといったバックエンドを活用して、テキストから画像、テキストから音声への変換、あるいは複合的な情報を用いるマルチモーダルモデルのテストパイプラインを構築し、迅速なプロトタイプ作成も行える。

軽度なトレーニングやファインチューニングには、PyTorch、TensorFlow、vLLMなどのフレームワークを用いて、VMのGPUを直接活用し、比較的小さなモデルの学習や、LLMやコンピュータビジョンモデルのファインチューニングを行える。カスタムAIパイプラインの実行には、Pythonスクリプト、Dask、Prefectなどを利用し、推論後のデータ処理、結果の集約、画像やビデオの前処理、並列バッチ処理などを自動化できる。さらに、FastAPI、Flask、Gradioといったツールを使えば、AIモデルをテストするためのAPI（アプリケーションプログラミングインターフェース）やユーザーインターフェースを迅速に作成し、本番環境でのテストや関係者へのデモンストレーションに活用できる。量子化やパフォーマンスの実験では、BitsAndBytesやQLoRAといったライブラリを使い、異なる量子化技術を試したり、スループットやレイテンシを測定したりして、大規模モデルの推論性能を最適化できる。データセットの管理と操作においては、オブジェクトストレージ、MySQL、SQL Server、pandas、NumPyなどのツールを利用し、ローカルまたは外部のデータを管理し、トレーニングや推論に備えてデータセットを準備できる。

これらの利用例は、Magalu CloudのAIインフラで実現できる環境のほんの一部に過ぎない。加えて、重要なメリットとして、ユーザーのデータがブラジル国内のインフラに保管される点が挙げられる。これにより、国際的なクラウドサービスに適用される可能性のある、例えば米国のCloud Actのような国際法の影響からデータが保護され、データの主権が確保される。さらに、料金の請求がブラジルレアルで行われるため、国際的な為替変動のリスクに左右されることなく、安定したコストでサービスを利用できる。

Magalu Cloudが提供するVMとGPUを活用したインフラは、AI開発者が直面する様々な課題に対応し、アイデアの構想から本番環境での大規模展開まで、あらゆる段階でAIワークロードを強力に推進するための堅牢かつ柔軟な基盤を提供している。