- 基本情報
- 通知
- プロジェクト
- データセット
- データのラベル付け
- ML パッケージ
- すぐに使えるパッケージ
- 概要
- English Text Classification (英語テキスト分類)
- French Text Classification (フランス語テキスト分類)
- Japanese Text Classification (日本語テキスト分類)
- Object Detection (オブジェクト検出)
- Text Classification (テキスト分類)
- TPOT AutoML Classification (TPOT AutoML分類)
- TPOT AutoML Regression (TPOT AutoML 回帰)
- TPOT XGBoost Classification (TPOT XGBoost 分類)
- TPOT XGBoost Regression (TPOT XGBoost 回帰)
- AI Computer Vision
- Communications Mining
- UiPath Document Understanding
- パイプライン
- ML スキル
- ML ログ
- AI Center の Document UnderstandingTM
- AI Center API
- ライセンス
- AI ソリューション テンプレート
- 使い方
- 基本的なトラブルシューティング ガイド
AI Center ガイド
概要
AI ユニットの消費を組織レベルおよびテナント レベルで追跡するには、以下のページを確認します。
- 組織レベルの消費を対象とした、『Automation CloudTM 管理ガイド』の 「ライセンスの割り当て状況を監視する 」ページ。
- テナント レベルの消費については、『Insights ガイド』の「テナント レベルの AI ユニットの消費の概要」ページをご覧ください。DocumentUnderstandingTM および AI Center のプロジェクトの AI ユニットの消費数を追跡するには、『Insights ユーザー ガイド』の「 Document Understanding と AI Center の消費ダッシュボード 」をご覧ください。
AI ユニットとは、AI 製品へのライセンスの付与に使用される尺度です。AI ユニットはモデルの使用量に基づいて課金されます。
UiPath の AI 製品の AI ユニット消費に関する一般的な情報については、「 使用状況の測定と請求ロジック 」および 「ライセンスの使用状況の確認 」セクションをご覧ください。
Process Mining での AI ユニットの消費について詳しくは、『Process Mining ガイド』の 「ライセンス 」をご覧ください。
AI ユニットの消費数をテナント レベルで割り当てて追跡することもできます。詳しくは、テナント レベルの割り当てに関するページをご覧ください。
- AutomationCloudTM - Automation Cloud - テナントにライセンスを割り当てる
- Automation Suite - Automation Suite - テナントにロボット/サービスのライセンスを割り当てる
既定では、各テナントに 0 個の AI ユニットが割り当てられ、すべての AI ユニットがアカウント プールから消費されます。テナントに AI ユニットが割り当てられていない場合、AI ユニットは組織アカウント プールから消費されます。テナント プールの AI ユニットがすべて消費された場合、管理者はその特定のテナントに AI ユニットをさらに割り当てる必要があります。
クロステナントおよびクロスオーガニゼーションのシナリオでのユニット消費
AI Center モデルが、そのモデルを呼び出すオートメーションとは異なるテナントまたは組織でホストされている場合、ユニットはオートメーションのテナントではなく、 モデルをホストしているテナント に課金されます。オートメーション テナントの適用設定は、この消費には適用されません。AI Center ユニットを適用して制御するには、モデルをホストするテナントに適用を設定します。詳しくは、「 テナント消費の適用」をご覧ください。
使用状況の測定と請求ロジック
全般的なロジック
このページには、使用するアクティビティに応じた AI ユニットに関する具体的な情報が記載されており、すべての AI 製品のコストを確認できます。
全体的な使用コストは次の式を使用して計算されます。
予測コスト + ハードウェア コスト = 使用コスト
詳しくは、次のセクションをご覧ください。
- 予測コスト
- ハードウェア コスト
予測コスト
予測コストは次の式を使用して計算されます。
入力データのサイズ x モデルの単位原価 = 予測コスト
たとえば、入力サイズが 5000 文字の UiPath Custom Named Entity Recognition (UiPath カスタム固有表現抽出) モデルの使用量は次のようになります。
5,000 文字 = 3 単位の使用量: 3 units x 0.5 (単価原価) = 1.5 AI Units
入力データのサイズ
| モデル | 入力の種類 | 入力データのサイズ | 計算される入力データのサイズ |
|---|---|---|---|
| Document Understanding TM (UiPath および顧客管理のサードパーティのモデル) | Document | 1 ページ | 入力ドキュメントに含まれるページ数 |
| Communications Mining | JSON | 1 つのメッセージ | メールボックスまたはチケット管理システムごとのメッセージ数 |
| AI Computer Vision | 画像 | 1 つの画像 | 常に 1 |
| Task Mining | データセット | 1 つのデータセット | 常に 1 |
| GenAI アクティビティ | 文字列 | 文字列サイズの制限はモデルごとに異なります | |
| その他のモデル | JSON | 2000 文字 = 1 単位 | Ceil(length(input)/2000) |
| ファイル | 5 MB = 1 単位 | Ceil(size/5MB) | |
| ファイル | 5 MB = 1 単位 | Ceil(sum(size(input))/5MB) | |
使用するモデル
| モデル | 請求タイミング | 単位原価 |
|---|---|---|
| Document UnderstandingTM (UiPath および顧客管理のサードパーティのモデル) | 予測ごと | Document Understanding のすべてのモデルのリストは、『UiPath Document Understanding ガイド』の「使用状況の測定と請求ロジック」をご覧ください。 |
| AI Computer Vision | 予測ごと | 0 |
| プレビュー版のモデル (UiPath Image Classification (画像分類) など) | 予測ごと | 0 |
| Task Mining | 成功したパイプラインごと | 5000 |
| Communications Mining | アップロード、修正、予測されるメッセージごと | 1 - Communications Mining の請求ロジックについて詳しくは、公式ドキュメントをご覧ください。 |
| UiPath Light Text Classifier (ライト テキスト分類器) | 予測ごと | 0.2 |
| UiPath Multilingual Classifier (多言語分類器) | 予測ごと | 0.5 |
| UiPath Custom Named Entity Recognition (カスタム固有表現抽出) | 予測ごと | 0.5 |
| オープン ソース パッケージ | 予測ごと | 0.1 |
| GenAI アクティビティ | 実行ごと | 1 - コンテキスト グラウンディングなし 2 - コンテキスト グラウンディングあり |
Task Mining を除き、パイプラインの実行または ML スキルのデプロイによって消費されるのは、ハードウェアの使用量に関連する AI ユニットのみです。
ハードウェア コスト
ML スキルのデプロイ時のハードウェア コストは、次のように計算されます。
replicas x resource cost
既定のレプリカ数はアカウントの種類によって次のように異なります。
- Enterprise アカウント: 2
- その他のアカウントの種類: 1
レプリカの数を増やすと、可用性が向上します。ユーザーがレプリカの数を 1 に減らした場合、高可用性 (HA) は保証されません。
以下の表を使用して、ML スキルのリソース コストを確認します。
| ハードウェア | 単位原価 |
|---|---|
| 0.5 CPU 2 GB RAM (既定) | 1 AI ユニット/レプリカ/時間 |
| 1 CPU 4 GB RAM | 2 AI ユニット/レプリカ/時間 |
| 2 CPU 8 GB RAM | 4 AI ユニット/レプリカ/時間 |
| 4 CPU 16 GB RAM | 8 AI ユニット/レプリカ/時間 |
| 6 CPU 24 GB RAM | 12 AI ユニット/レプリカ/時間 |
| GPU | 20 AI ユニット/レプリカ/時間 |
パイプラインに関連するハードウェア コストについては、以下の表をご確認ください。
| ハードウェア | 単位原価 |
|---|---|
| CPU | 6 AI ユニット/時間 |
| GPU | 20 AI ユニット/時間 |
使用開始時間から課金されます。
消費量の例
バックグラウンド情報
この例のプロセスを自動化するには、次の 2 つの UiPath モデルを使用する必要があります。
まずはじめに、手持ちのデータセットを使用して Multilingual Text Classification (多言語テキスト分類) モデルをトレーニングします。GPU を使用するこのトレーニングは 6 時間 30 分かかります。
両モデルを HA スキルとしてデプロイした後、3 か月間 CPU 上で実行します。この間、Multilingual Text Classification (多言語テキスト分類) モデルにより 20,000 件のテキスト (およそ 3,000 文字) が処理され、Invoices (請求書) モデルにより 10,000 件の請求書 (2 ページずつ) が処理されます。
合計消費数を計算する
- Multilingual Text Classification (多言語テキスト分類) のトレーニングで消費される AI ユニット数
7 (時間) x 20 (GPU の 1 時間あたりの AI ユニット数) = 140 AI ユニット
- Multilingual Text Classification (多言語テキスト分類) を 3 か月間ホストするために消費される AI ユニット数
24 (時間/日) x 90 (日数) x 2 (1 時間あたりの AI ユニット数) = 4320 AI ユニット
- Invoices (請求書) を 3 か月間ホストするために消費される AI ユニット数
24 (時間/日) x 90 (日数) x 2 (1 時間あたりの AI ユニット数) = 4320 AI ユニット
- Multilingual Text Classification (多言語テキスト分類) を使用して行う予測に消費された AI ユニット数
20000 (予測数) x 2 (入力データのサイズ) x 0.5 (単位原価) = 20000 AI ユニット
- Invoices (請求書) を使用して行う予測に消費される AI ユニット数
10000 (予測数) x 2 (入力データのサイズ) x 1 (単位原価) = 20000 AI ユニット
- AI ユニットの合計消費数
ハードウェア コスト + 予測コスト = (140 + 4320 + 4320) + (20000 + 20000) = 48780 AI ユニット
ライセンスの使用状況の確認
すべてのシナリオにおいて、AI ユニットの使用状況は [AI ユニット] で確認できます。
![[ライセンス] ページを含むスクリーンショット。](https://dev-assets.cms.uipath.com/assets/images/ai-center/ai-center-screenshot-including-the-licenses-page-343248-ff89959a-f525f40c.webp)
[AI ユニット] セクションのバーにマウスをホバーすると、ポップアップが表示されます。このポップアップを確認すると、正確な消費量を確認できます。
