コンテンツにスキップ

Proof-First

何が得られるか

どのように進めるか

事例（抜粋）

次の一手

Proof-first：まず「証拠セット」で実現性を証明し、必要なら「再現セット」まで整える

「予算はある／やりたいことも明確。でも この構成で本当に回るのか、買った後に詰まらないか が不安」
その不安を最短で潰すために、私たちは 最初に“証拠”を納品してから本番へ進む 進め方を用意しています。

Proof-first は、いわゆる PoC を「丸投げで長期化」させません。
合意した受入条件に対して、測定して、記録して、再説明できる形（成果物） にして納品します。

二層で設計します：証拠セット／再現セット

Proof-first の肝は、納品物を 二層 に分けることです。

証拠セット（Proof） 再現セット（Repro）
目的 意思決定（稟議・投資判断）を前に進める 社内で再現・運用できる状態にする
受け取れるもの 「できる／できない」の根拠 「同じ状態を自分たちで作れる」一式
典型的な使い方 まずはここでリスクを潰す 本番導入・内製運用に進むとき

まず納品するもの：証拠セットの中身（例）

証拠セットは、結果と根拠 が中心です（“再現のための自動化一式”は含めません）。

  • 受入条件（OKの定義）：速度、安定性、再現性、運用制約 など
  • 受入テスト計画：何をどう測るか（測定方法・前提・注意点）
  • 受入テスト結果：ログ／グラフ／主要メトリクス／比較表
  • 環境サマリ：OS/driver/CUDA/主要ライブラリ/設定要点（ピン留め含む）
  • 検証Runbook（実行手順）：当社検証環境で同じ測定を再実行できる手順
  • リスク・次アクション：本番で詰まりやすい論点と対策案

重要：ここで納品する「Runbook」は 検証の再実行手順 です。
「一から構築して社内で運用するための自動化／運用Runbook」は、再現セットで扱います。

必要なら納品するもの：再現セットの中身（例）

再現セットは、“社内で同じ状態を再現し、運用できる” ところまでを一式にします。

  • 構築自動化：Ansible / Terraform / shell / container など（環境を作り直せる）
  • 設定・テンプレ一式：設定ファイル、ジョブスクリプト、パラメータテンプレ
  • 運用Runbook：障害切り分け、更新手順、バックアップ、権限設計の要点
  • （必要に応じて）監視・計測の型：最低限のメトリクスと見方

相殺（クレジット）：Proof-first費用を「次の購入」に繋げやすく

Proof-first は 有償の検証 です。
ただし、検証で終わらず同一案件の本番導入／ハード購入へ進む場合は、後工程の費用から相殺（クレジット） できる設計にしています。

  • 相殺の対象：本番導入の作業費、導入設計パック、ハード調達サポート等
  • 相殺率・条件（対象範囲／期限など）は お見積書に明記 します

「検証費用が無駄になるのが不安」という壁を下げつつ、
きちんと結果に責任を持てる形にしています。

保証範囲（ここを最初に明確にします）

Proof-first が保証するのは “結果を出すこと”ではなく、“根拠を残すこと” です。

私たちが保証すること（例） - 合意した受入条件に基づく 測定の実施 - 証拠セットの納品（結果が良かった／悪かったに関係なく納品） - 測定前提・手順・再現条件の明記（第三者説明ができる粒度）

保証しないこと（例） - お客様環境の差異（ネットワーク、ストレージ、セキュリティ製品等）による結果差 - データ品質・ラベル品質に起因する精度/損失の改善 - OSSや依存ライブラリの仕様変更による将来の挙動（ただしバージョンは固定して記録します）

プラン（目安）：A=証拠セット、B=証拠＋再現セット

※ 正確には「ワークロード」「制約（閉域/NDA/運用要件）」「期間」で上下します。
広告や初回相談では、まずこの2プランで会話を始めるのが分かりやすいです。

プランA：証拠セット（投資判断を前に進める最小構成）

  • 期間目安：1〜2週間
  • 価格目安：税別 60万〜120万円 / 1テーマ（多くのケースで 80万円前後が着地）
  • 向いている：性能確認・互換性確認・クラウド vs オンプレ比較・稟議資料づくり

プランB：証拠セット + 再現セット（社内再現・運用まで）

  • 期間目安：2〜4週間
  • 価格目安：税別 150万〜350万円 / 1テーマ（多くのケースで 200〜250万円前後が着地）
  • 向いている：オンプレ運用、内製チームへの引き継ぎ、将来の増設や保守を見据えるケース

Proof-firstで刺さりやすい「やりたいこと」例

ここにある例はすべて オープンソース × GPUサーバ で実現しやすい領域です。
多くの案件は「証拠セット（プランA）」で始め、必要なら「再現セット（プランB）」へ拡張します。

証拠セット向き：まずは“できる/できない”の根拠が欲しい

  1. LLMを社内（閉域）で安全に動かしたい（vLLM / TGI / Ollama など）

  2. 納品例：想定モデルの推論スループット/レイテンシ、VRAM/CPU/RAM使用量、同時接続限界、運用上の注意点

  3. RAG（社内文書検索）を試したい（text-embedding + Vector DB）

  4. 納品例：RAGの精度/再現性、検索設定の当たり、データ前処理の要点、費用対効果の見積り材料

  5. 「そのモデル、手元のGPUに載る？」を事前に確認したい

  6. 納品例：モデルサイズごとの必要VRAM、量子化/バッチ/コンテキスト長の限界、現実的な構成案

  7. 学習/推論が遅いので“どこがボトルネックか”知りたい

  8. 納品例：I/O・CPU・GPU・ネットワークの切り分け結果、改善余地の見積り（やる価値があるか判断）

  9. HPCコードをGPUで速くしたい／速くなるか確かめたい

  10. 例：Quantum ESPRESSO、LAMMPS、GROMACS、OpenFOAM など（対象に合わせて）

  11. 納品例：CPU vs GPU比較、スケーリング、主要パラメータの感度、安定運用の注意点

  12. “クラウド vs オンプレ”の費用対効果を判断したい

  13. 納品例：想定ワークロードでの実測値、運用コストの論点、損益分岐の材料（稟議にそのまま使える形）

再現セット向き：社内で回し続ける/引き継ぐところまで欲しい

  1. オンプレLLM推論の本番運用（監視・権限・更新まで）
  2. 例：API化、同時接続、監視（GPU/メモリ/レイテンシ）、アップデート手順

  3. 再現セット例：構築自動化 + 運用Runbook + 設定テンプレ

  4. 学習（fine-tuning）パイプラインを内製化したい

  5. 例：LoRA/QLoRA、分散学習、再現性の担保、学習ログの管理

  6. 再現セット例：ジョブスクリプト/設定テンプレ、再現可能な環境固定、手順と運用ノウハウ

  7. 社内で回せる“ワークロードRunbook”を作りたい

  8. 例：特定の解析/学習ジョブを、誰が実行しても同じ結果が出る状態にする

  9. 再現セット例：入力ファイル雛形、ジョブ投入テンプレ、失敗時の切り分け手順

  10. 増設（スケール）まで見据えて、最初から設計を固めたい

  11. 例：単体→複数GPU→複数ノード、ストレージ設計、ネットワーク設計
  12. 再現セット例：設計の型 + 自動化 + 構成変更の手順（将来のコストを下げる）

相談はこちら

用途に近い入口を選んでください（相談内容が曖昧でもOKです）。

ワークロード別 Runbook を相談 HPC/AI 導入設計を相談 H200 NVL ハードを相談

プライバシーポリシー：こちら