AI & 機械学習

Cash App: Google Cloud でモバイル決済のイノベーションと研究を強化

2021年3月11日

Google Cloud Japan Team

※この投稿は米国時間 2021 年 2 月 27 日に、Google Cloud blog に投稿されたものの抄訳です。

モバイル決済は、銀行口座を持たないコミュニティにサービスを提供し、e コマースや実店舗における効率的なサービスを強化することで、世界中のより多くの人々に利便性を提供し、恩恵をもたらす機会を創出しています。

Square は、この業界の最前線を走る米国に拠点を置く金融サービス企業であり、決済ソフトウェアやハードウェア製品に特化したサービスを提供しています。

同社は、急成長を遂げている消費者向け金融サービスの Cash App といった、より強力で高度な金融サービスソリューションの追求を続けています。その中でも、とりわけ大きなイノベーションを起こしているのが Cash App です。2020 年に Square は、人工知能（AI）の調査会社である Dessa を買収しました。これは、既存の Cash App のソリューションを強化して革新的な新しい仕組みを推進し、カスタマーエクスペリエンスの向上を図るとともに金融サービスへのアクセシビリティを高めるためです。

Cash App は Google Cloud の AI と機械学習（ML）のソリューションに加え、NVIDIA のグラフィックプロセッシングユニット（GPU）を採用し、AI 応用の取り組みに伴う膨大なコンピューティング需要に対応しています。

人工知能のブレイクスルーを起こすための基盤の確立

Dessa は長い間、AI を「バナナ」と呼ばれるものに応用してきました。このプロジェクトは、新たに登場した機械学習テクノロジーを使用してこれまでにない方法で問題を解決し、最終的に実世界に影響を与えるという斬新で野心的なものです。

Dessa は、Square のプラットフォームインフラストラクチャエンジニアリンググループが構成し、Square の社内ニーズに合わせて使えるようにした Google Cloud の AI Platform のサービスを使用しました。Square のデータサイエンティストはこのサービスを活用して、大量のデータを扱う、高い処理能力が必要とされる取り組みを実施しています。Dessa では、長時間のトレーニングやデータ量の要件が伴うディープニューラルネットワーク（DNN）を使用しています。DNN は多くのリソースを消費するため、新しいテストやアイデア創出のしづらさにつながる一方、AI / ML の技術者が時折直面するコンピューティングトレーニングに関する多くの問題の解決に役立ちます。

Cloud Storage により元データや分析データの保存に関連する問題の一部は緩和できたものの、情報が GPU を通過したり、GPU 間を移動したりする速度がネックになっていました。

Dessa のシニアソフトウェアエンジニアである Kyle De Freitas 氏は、次のように述べています。「Google Cloud は、プロセスに不可欠な管理機能を提供してくれました。NVIDIA A100 Tensor Core GPU を搭載した Compute Engine A2 VM により、処理時間を劇的に短縮し、テストを大幅にスピードアップできる可能性があることがわかりました。Google Cloud の AI Platform で NVIDIA A100 GPU を実行することで、革新を継続し、アイデアを実現してお客様にとって効果の大きいサービスを提供するために必要な基盤を獲得できました。」

NVIDIA はこうしたプロセスのボトルネックの特定に携わり、より大規模なデータセットをテストして新しいモデルをより迅速に展開できる A100 を実装しました。NVIDIA A100 GPU は、新精度の TF32、複数インスタンス GPU（MIG）機能、構造的スパース性の加速化のサポート機能に加え、前世代と比較して 20 倍のコンピューティング容量を提供します。

Google Cloud AI と NVIDIA により、主要な ML 処理ワークフローを完了させるのにかかる処理時間を約 66% 改善することができました。

また NVIDIA は、ML エンジニアのスキルアップ、ボトルネックの解消、リアルタイムでの課題の解決を目的としたデベロッパーサポートも Dessa に提供しています。NVIDIA のデベロッパーサポート、GPU、Google Cloud 上の AI Platform により、お客様に提供する Cash App サービスのスピードと品質が向上しました。

たとえば、Dessa は通常 2 テラバイトのデータを処理し、1 つのエポックのトレーニングを完了する、または ML アルゴリズムが完了したデータセットの合計パスを終わらせるのに約 6 時間かかります。これが今では、2 時間以内に 7 テラバイトのデータの処理を完了できるようになりました。Dessa は一度に 10 から 20 のエポックを実行しますが、その中には 3 億 5 千万個のパラメータを使用したトレーニングも含まれています。こうした事実を考慮すると、NVIDIA A100 により 10 倍の高速化を実現できたことがいかに重要かがわかります。

De Freitas 氏は次のように述べています。「NVIDIA GPU と AI Platform は、データやそれに関連して必要となる容量に応じてスケールアップできるところに価値があります。また、Dataflow はイベントデータをリアルタイムで活用するためのスピードを提供してくれます。」