AI学習時間を33％短縮、イチゴ授粉ロボットの花検出を支える国内GPUクラウド

他社に割り込まれない占有型のGPUを選んだことで、開発計画を読み通りに進められる状態が生まれた点が最も大きいと考えられます。HarvestXは学習スピードを事前に見積もり、それをもとに開発のマイルストーンを置いています。共有型の環境で途中停止が起きれば、見積もりそのものが崩れ、改善サイクル全体が後ろにずれてしまいます。計算の「速さ」だけでなく「止まらないこと」を条件に基盤を選んだ判断が、スタートアップの限られた開発期間を守ることにつながったのではないでしょうか。

もう一つの柱は、精度の課題を「花の形状を繰り返し学習させ、検証・評価までのPDCAを回す」という反復の問題として捉えた設計です。光や葉の影といった見つけにくい条件は、一度の学習で潰しきれるものではありません。H100搭載の環境で1回あたりの学習時間を縮め、大きなGPUメモリで学習方法の選択肢を広げたことは、同じ期間内に試せる仮説の数を増やす方向に効いたと読めます。

データの置き場所を計算性能と同列の要件として扱った点も見逃せません。再現性の高い栽培データを誰が持つかが今後の競争力になるという認識から、国内にデータセンターを持つ基盤を選んでいます。開発の速度と、蓄積するデータの保全を同時に満たす選び方が、長期的に基盤を使い続ける前提を整えたと考えられます。