AI開発の未来形！マイクロサービスAI設計でシステムを革新しよう

マイクロサービスにおけるAI設計の世界へようこそ！この記事では、なんだか難しそう…と敬遠されがちなこの技術について、初心者の方にもスッキリわかるように解説します。

システム開発の新しいカタチ、一緒に覗いてみませんか？これからのAI開発をリードするかもしれない、そんなワクワクするお話です。

この記事でわかること

• マイクロサービスとAI設計の基本的な考え方
• この二つを組み合わせるウマみと、ちょっとした注意点
• 実際にAIシステムをマイクロサービスで作るときの流れとコツ
• さらにステップアップするための学びのヒント

マイクロサービスとAI設計の基本

まずは肩の力を抜いて、マイクロサービスとAI設計ってそもそも何なの？というところから、やさしく紐解いていきましょう。専門用語アレルギーの方もご安心を！

マイクロサービスアーキテクチャとは？その特徴と利点

さてさて、基本のキから参りましょう！マイクロサービスアーキテクチャって、一体どんな仕組みなんでしょうか。

大きな一枚岩のシステム（これをモノリシックアーキテクチャって言ったりします）とは違って、小さなサービスをたくさん集めて、それらを連携させて一つの大きなシステムとして動かす考え方なんですよ。

料理に例えるなら、一人のシェフが前菜からデザートまで全部作るのがモノリシック。それに対して、前菜専門、メイン料理専門、デザート専門のシェフたちがそれぞれ得意な料理を作って、最後に素晴らしいコース料理を完成させるのがマイクロサービス、みたいなイメージです。

それぞれのシェフ（サービス）は独立しているので、一人（一つのサービス）が忙しくなっても、他のシェフ（サービス）に影響が出にくいんですね。

このやり方には、いいところがたくさんあります。

• 開発チームがサービスごとに分かれて、スピーディーに開発を進められる
• それぞれのサービスにピッタリな技術を選べる（例えば、ここはPython、あっちはJavaみたいに）
• 人気が出てアクセスが増えたサービスだけ、集中的にパワーアップしやすい
• もしどこかのサービスで問題が起きても、システム全体が止まっちゃうリスクを減らせる

ね、なんだか良さそうな気がしてきませんか？この独立性が、後でお話しするAIとの組み合わせでも活きてくるんです。

  +-----------+     +-----------+     +-----------+
  | サービスA | <--> | サービスB | <--> | サービスC |
  +-----------+     +-----------+     +-----------+
        |                 ^
        |                 |
        V                 |
  +-----------+     +-----------+
  | サービスD | <--> | APIゲートウェイ | <-- 利用者
  +-----------+     +-----------+

それぞれの箱が独立したサービスで、お互いにやり取りしながら全体として機能します。

AIシステム開発における設計の重要性とは

次に、AIシステム開発における設計のお話です。AIって聞くと、なんだか魔法の箱みたいに何でも解決してくれそうなイメージがあるかもしれません。

でも、実際にはしっかりとした設計図なしにAIシステムを作ろうとすると、途中で道に迷ったり、完成したものが思ったように動かなかったり…なんてことになりがちです。

特にAIシステムは、学習データ、AIモデル、そして実際にそれを使うアプリケーション部分など、色々な要素が絡み合っています。

最初にこれらの関係性やデータの流れをきちんと整理しておくことが、後々の開発のしやすさや、システムの安定性、さらにはAIモデルの精度を保つためにも、とっても肝心なんです。

ちゃんとした設計があれば、

• 開発チームが迷わず作業を進められる
• 将来的に機能を追加したり、修正したりするのが楽になる
• AIモデルの性能を最大限に引き出せる
• 何か問題が起きたときに、原因を見つけやすくなる

といったメリットがあります。急がば回れ、ですね！

なぜ今マイクロサービスとAIの組み合わせが注目されるのか

では、どうして今、マイクロサービスとAIを組み合わせるスタイルがアツいのでしょうか？
AI技術はものすごいスピードで進化していますよね。

新しいアルゴリズムやツールが次々と登場します。そんな変化の激しい世界では、システム全体をガチガチに固めてしまうと、新しい技術を取り入れるのが大変になってしまいます。

そこでマイクロサービスの出番です！

AIの機能を小さなサービスとして独立させておくことで、例えば新しいAIモデルを試したいときに、そのサービスだけをサッと入れ替えることができます。

システム全体を止める必要もありません。また、AIの機能によっては、ものすごくたくさんの計算パワーが必要になることもあります。マイクロサービスなら、そのAI機能のサービスだけを重点的にパワーアップさせる、なんてことも柔軟にできるんです。

つまり、AIの進化の速さや、AI機能ごとの特性の違いに、マイクロサービスアーキテクチャがとってもマッチするんですね。ビジネスの変化に素早く対応しながら、賢いAIシステムを作り上げていく上で、この組み合わせは強力な武器になると言えるでしょう。

マイクロサービスAI設計のメリットと考慮すべき課題

マイクロサービスとAIを組み合わせることで、たくさんのいいことがあるのは何となく掴めてきたでしょうか。ここでは、そのメリットをもう少し掘り下げつつ、一方で頭に入れておきたい課題点についても触れておきます。どんな技術にも、光と影があるものですからね！

開発効率と柔軟性を高めるマイクロサービスAI設計のメリット

マイクロサービスAI設計がもたらすウマみ、まずは開発のしやすさとシステムの柔軟性アップです！

• チームの独立性がアップ
  それぞれのAI機能や関連サービスを小さなチームが担当できます。他のチームの進捗を待たずに、自分たちのペースで開発を進められるので、結果として全体のスピードアップに繋がります。
• 技術選択の自由度
  画像認識AIのサービスはPythonで、自然言語処理AIのサービスはJavaで、みたいに、それぞれのサービスに最適なプログラミング言語やフレームワークを選べます。得意な技術で勝負できるのは大きな強みです。
• 素早いデプロイ
  新しい機能を追加したり、バグを修正したりしたときに、影響範囲はそのサービスだけに留まります。システム全体を再起動する必要がないので、ユーザーへの影響を最小限に抑えつつ、頻繁に改善を届けられます。
• 障害の影響を最小限に
  もしどこか一つのAIサービスに問題が発生しても、システム全体がダウンするのを防ぎやすいです。他のサービスは動き続けることができるので、被害を小さく食い止められます。
• 必要なところだけスケール
  例えば、特定のAI機能へのアクセスが急増したとします。そんなとき、そのAI機能のサービスだけを増やして対応できます。無駄なくリソースを使えるので、コスト面でも有利です。

こんな感じで、開発チームもハッピー、システムも強くてしなやかになる、というわけです。

複雑性と運用コストマイクロサービスAI設計のデメリットと対策

いいことずくめに見えるマイクロサービスAI設計ですが、もちろん注意点もあります。キラキラした面の裏側も見ておきましょう。

一番よく言われるのが、システム全体が複雑になっちゃうこと。

たくさんの小さなサービスが連携して動くので、それぞれのサービスをどう管理するか、サービス間の通信はどうするか、データの一貫性をどう保つか、などなど、考えることが増えます。まるで、たくさんの楽器を指揮するオーケストラの指揮者みたいな気分になるかもしれません。

また、それぞれのサービスを動かすためのインフラや、それらを監視するための仕組みも必要になるので、モノリシックなシステムに比べると、運用コストが上がる傾向があります。一つ一つのサービスは小さくても、数が増えればそれなりに手間も費用もかかりますからね。

でも、心配ご無用！これらの課題に対する対策も色々と考えられています。

• サービス間の通信を賢く管理する仕組み（サービスメッシュなんて呼ばれます）
• 開発からデプロイまでを自動化する技術（CI/CDパイプライン）
• コンテナ技術（DockerとかKubernetesとか）を使って、サービスの管理を楽にする

これらの道具や考え方を上手に使えば、複雑さとうまく付き合っていくことは十分可能です。最初から完璧を目指さず、少しずつ慣れていくのがコツですよ。

AIモデルの特性とマイクロサービスの相性

AIと一口に言っても、その中身はいろいろです。例えば、AIモデルを学習させる処理と、学習済みのモデルを使って予測する処理（これを推論って言います）では、必要な計算パワーも時間も全然違います。

学習処理は、大量のデータを使って、じっくり時間をかけて行うことが多いです。一方、推論処理は、ユーザーからのリクエストに対して、素早く結果を返すことが求められます。

マイクロサービスでAI機能を設計するときは、このAIモデルの特性を考えるのがミソです。例えば、

• 学習処理と推論処理を、それぞれ別のマイクロサービスとして切り出す。
• 画像処理AI、音声認識AI、推薦AIなど、役割の違うAIモデルは、それぞれ独立したサービスにする。
• 非常に高い精度が求められるが更新頻度が低いAIモデルと、そこそこの精度で良いが頻繁に更新したいAIモデルでは、サービスの分け方や運用方法を変える。

こんなふうに、AIモデルの性質に合わせてサービスを設計することで、それぞれのAI機能が持つ能力を最大限に引き出しやすくなります。

何でもかんでも細かく分ければ良いというわけではなく、どこで分けるのが一番効率的か、そして管理しやすいかを見極めるのが腕の見せ所です。

実践的マイクロサービスAI設計の進め方と7つのポイント

さあ、いよいよ実践編です！マイクロサービスAI設計を実際に進めていく上で、どんなことを考え、どんな手順で進めていけばいいのか、具体的なポイントを7つに絞って解説します。

これを読めば、あなたもマイクロサービスAI設計の第一歩を踏み出せるはず！

【ポイント1】AI機能の特定とマイクロサービス化の判断基準

最初のステップは、システム全体の中から、どのAI機能をマイクロサービスとして独立させるかを見極めることです。

全部をいきなりマイクロサービスにするのは大変なので、まずはどこから手をつけるか、どの部分を分けると効果が大きいかを考えましょう。

判断するときのヒントはこんな感じです。

• ビジネスでの位置づけ
  そのAI機能は、ビジネスにとってどれくらい大事ですか？収益に直結するような、会社の顔となるAI機能なら、独立させて手厚く育てる価値があるかもしれません。
• 変更の頻度
  そのAI機能のロジックやモデルは、どれくらいの頻度で変わりそうですか？頻繁にアップデートが必要な部分は、独立させておくとフットワークが軽くなります。
• 処理の重さやスケーラビリティ
  そのAI機能は、たくさんの計算パワーを使いますか？あるいは、将来的にアクセスが急増する可能性はありますか？そういった部分は、独立させておくと、必要な分だけリソースを割り当てやすくなります。
• 技術的な専門性
  他の部分とは全く異なる専門知識や技術が必要なAI機能は、独立したチームが専門的に担当する方が効率が良いかもしれません。
• データの独立性
  そのAI機能が使うデータが、他の部分とあまり関係ないなら、サービスごとスッキリ分けやすいです。

これらの点を総合的に考えて、マイクロサービス化する候補を選んでいきましょう。最初から完璧じゃなくてOK！まずは小さく始めてみるのがおすすめです。

【ポイント2】AIモデルの学習パイプラインとデプロイ戦略

AIモデルは作って終わり、ではありません。

新しいデータで再学習したり、より性能の良いモデルに更新したりと、継続的に育てていく必要があります。この一連の流れをスムーズに行うための仕組み、それがAIモデルの学習パイプラインです。

マイクロサービスアーキテクチャの上では、この学習パイプラインも、データ収集サービス、前処理サービス、モデル学習サービス、モデル評価サービス…といった感じで、いくつかのマイクロサービスとして構成することが考えられます。こうすることで、各ステップを独立して改善したり、スケールさせたりしやすくなります。

そして、学習して出来上がった新しいAIモデルを、実際にユーザーが使っているシステム（本番環境って言います）に反映させるのがデプロイです。ここでも戦略が肝心です。例えば、

• ブルー/グリーンデプロイメント
  今の本番環境（ブルー）とは別に、新しいモデルを乗せたもう一つの環境（グリーン）を用意しておき、一気に切り替える方法。何か問題があれば、すぐに元に戻せます。
• カナリーリリース
  新しいモデルを、まずは一部のユーザーだけに公開してみて、問題がないか確認しながら徐々に広げていく方法。リスクを抑えながら新しいモデルを導入できます。

AIモデルの品質を保ちつつ、安全かつ迅速に新しいモデルを届けられるように、学習パイプラインとデプロイ戦略をしっかり計画しましょう。この分野はMLOps（機械学習オペレーションズ）とも呼ばれていて、活発に議論されている領域です。

【ポイント3】マイクロサービスAI設計におけるデータ管理と処理基盤

AIにとって、データはガソリンのようなもの。良質なデータがたくさんあってこそ、AIはその賢さを発揮できます。マイクロサービスAI設計においても、このデータの管理と処理をどうするかは、めちゃくちゃ腕の見せ所です。

まず考えないといけないのは、AIモデルの学習に使うデータや、ユーザーがAI機能を使うときに入力するデータを、どこにどうやって集めて、保存しておくか。

いわゆるデータレイクとかデータウェアハウスと呼ばれるような、大きなデータをためておく場所が必要になるかもしれません。そして、それらのデータをAIモデルが使える形にキレイにする前処理も欠かせません。

マイクロサービス環境では、それぞれのサービスが必要とするデータにどうやってアクセスするか、というのも設計ポイントです。

• 各サービスが自分専用のデータベースを持つのか？
• 複数のサービスで共有する大きなデータストアを用意するのか？
• サービス間でデータをやり取りするときは、どんな形式で、どんな頻度で行うのか？

こういったことを、システムの特性やデータの流れを考えながら決めていく必要があります。

特に、リアルタイムで大量のデータが発生するようなシステム（例えば、工場のセンサーデータとか、Webサイトのアクセスログとか）では、ストリーム処理と呼ばれる技術を使って、データを流れ作業のように効率よく処理する仕組みも考えたいところです。

データの流れがスムーズだと、AIモデルも元気に働いてくれますよ！

【ポイント4】効果的なAPI設計とサービス間連携の秘訣

マイクロサービスは、小さなサービスたちがお互いに「会話」しながら仕事を進めます。

この「会話」のルールを決めるのがAPI（アプリケーション・プログラミング・インターフェース）設計です。APIが分かりやすくて使いやすいかどうかは、システム全体の開発効率や安定性に大きく影響します。

サービス間の通信方法としては、Webでよく使われるREST APIや、もっと高速な通信ができるgRPCなどがあります。どちらを選ぶかは、それぞれのサービスが何をしたいか、どれくらいの速さが求められるか、などで変わってきます。

良いAPIを設計するための秘訣をいくつかご紹介しましょう。

• 分かりやすい名前と構造
  APIのURLやリクエスト・レスポンスのデータの形が、直感的に何をするものか分かるようにしましょう。
• バージョニング
  APIの仕様を変えるときは、古いバージョンもすぐには無くさず、新しいバージョン番号をつけて提供する（例 `/v1/users` と `/v2/users`）ことで、他のサービスがいきなり動かなくなるのを防ぎます。
• しっかりとしたエラー処理
  何か問題が起きたときに、どんなエラーなのか、どうすればいいのか、分かりやすい情報が返ってくるように設計します。
• 認証と認可
  誰でも彼でもAPIを叩けたら困りますよね。ちゃんと許可された人やサービスだけが使えるように、認証（誰であるかを確認）と認可（何をして良いかを許可）の仕組みを入れましょう。
• 非同期通信の活用
  時間がかかる処理をお願いするときは、結果が出るまでずっと待っているのではなく、とりあえずお願いだけして、終わったら教えてもらう（非同期通信）というやり方も有効です。システム全体の反応が良くなります。

サービス同士がスムーズに、そして安全に連携できるように、API設計にはしっかり時間をかけたいですね。

簡単なAPIのサンプルコードをPythonのFlaskというライブラリで作ってみましょう。これは入力された数値を2倍にして返すだけの、とてもシンプルなAI（？）サービスです。

from flask import Flask, request, jsonify

app = Flask(__name__)

# 簡単なAIモデル（例：入力値を2倍にするだけ）
def dummy_ai_model(value):
    return value * 2

@app.route('/predict', methods=['POST'])
def predict():
    try:
        data = request.get_json()
        # 'input'というキーでデータが送られてくることを期待
        if 'input' not in data:
            return jsonify({'error': 'Missing input value'}), 400
            
        input_value = data['input']
        
        # バリデーション（例：数値かどうか）
        if not isinstance(input_value, (int, float)):
            return jsonify({'error': 'Input must be a number'}), 400
            
        prediction = dummy_ai_model(input_value)
        return jsonify({'prediction': prediction})
    except Exception as e:
        # 予期せぬエラーもキャッチ
        return jsonify({'error': str(e)}), 500

if __name__ == '__main__':
    # 開発用サーバーを起動。誰でもアクセスできるようにhost='0.0.0.0'にしています。
    # 実際の運用では、もっとちゃんとしたWebサーバーを使いましょう。
    app.run(debug=True, host='0.0.0.0', port=5000)

このコードを `app.py` という名前で保存して、コマンドラインで `python app.py` を実行すると、APIサーバーが起動します。別のターミナルやツールから、例えば `curl -X POST -H "Content-Type: application/json" -d '{"input": 10}' http://localhost:5000/predict` のようにリクエストを送ると、`{"prediction":20}` という結果が返ってくるはずです。

こんな感じで、各AI機能をAPIとして提供していくわけです。

【ポイント5】AIマイクロサービスのテスト戦略と品質保証

作ったAIマイクロサービスが、ちゃんと期待通りに動くか、そして品質が良い状態を保てているかを確認する作業、それがテストと品質保証です。これがしっかりしていないと、自信を持ってサービスを世に出せませんよね。

AIが入ってくると、従来のソフトウェアテストに加えて、AIモデル自体の性能評価という観点も加わります。これがちょっと面白いところです。

考えられるテストの種類としては、

• 単体テスト
  それぞれのマイクロサービス（もっと言えば、その中の小さな部品）が、個別に正しく動くかを確認します。
• 結合テスト
  複数のマイクロサービスが連携して、ちゃんと期待した結果になるかを確認します。APIの呼び出しとか、データの受け渡しとかですね。
• パフォーマンステスト
  たくさんのアクセスがあったときや、大きなデータを処理するときに、AIサービスが遅くなったり止まったりしないか、性能を測ります。
• AIモデルの評価
  これがAI特有の部分。学習済みのAIモデルが、未知のデータに対してどれくらいの精度で予測できるか、偏った予測をしていないか、などを評価します。正解率とか、再現率とか、F値とか、色々な指標があります。

AIモデルの評価では、テストに使うデータセットの管理や、テスト結果の再現性をどう確保するかも考えどころです。同じモデルでも、評価するデータが変われば結果も変わってしまいますからね。

また、AIモデルは学習データに影響されるので、意図せず偏った判断をしてしまうこともあります（バイアスって言います）。そういった問題がないかもチェックしていくことが求められます。

品質の高いAIサービスを提供し続けるために、テストと評価の仕組みをしっかり作り込みましょう。

【ポイント6】セキュリティ対策とオブザーバビリティ確保の勘所

たくさんのサービスが連携するマイクロサービス環境では、セキュリティと、システムがちゃんと動いているかを見守る仕組み（オブザーバビリティって言います）が、とっても肝になります。

まずセキュリティ。AIサービスは、個人情報や企業の秘密情報といった、センシティブなデータを扱うことが多いですよね。だから、悪い人たちに狙われないように、しっかり戸締りをする必要があります。

• 認証・認可
  「ポイント4」でも触れましたが、許可された人やサービスだけがアクセスできるようにします。
• データ暗号化
  通信しているデータや、保存しているデータは暗号化して、万が一盗まれても中身が分からないようにします。
• 脆弱性管理
  使っているソフトウェアやライブラリにセキュリティ上の弱点（脆弱性）が見つかることがあります。定期的にチェックして、見つかったらすぐに対策します。
• APIゲートウェイの活用
  全ての外部からのリクエストを一旦APIゲートウェイという門番役のサービスで受けて、そこでまとめてセキュリティチェックをする、というのも有効な手です。

次にオブザーバビリティ。これは、システムが健康に動いているか、どこか調子が悪いところはないか、を把握するための仕組みです。

体温計やお医者さんの聴診器みたいなものですね。主に3つの要素があります。

• ログ
  各サービスが「今こんなことしました」「こんなエラーが出ました」といった記録を残します。何かあったときの手がかりになります。
• メトリクス
  CPU使用率、メモリ使用量、リクエストの処理時間、エラーの数といった、システムのいろんな数値を時系列で記録します。グラフにして見ると、システムの調子が分かりやすいです。
• トレース
  ユーザーからのリクエストが、どのサービスをどんな順番で経由して処理されたか、その軌跡を追跡します。どこで時間がかかっているか、どこでエラーが起きているかを見つけるのに役立ちます。

これらの情報をちゃんと集めて分析することで、問題が起きてもすぐに気づいて対応できたり、問題が起きる前に兆候を掴んで先手を打てたりします。

安心してAIサービスを運用するために、セキュリティとオブザーバビリティは車の両輪だと考えて、しっかり準備しましょう。

【ポイント7】スケーラビリティとパフォーマンスを考慮した設計

最後のポイントは、将来たくさんの人に使ってもらったり、扱うデータがすごく増えたりしても、ちゃんとサクサク動くシステムにするための設計、つまりスケーラビリティとパフォーマンスです。

スケーラビリティというのは、システムの規模を大きくしたり小さくしたりできる能力のこと。アクセスが増えたらサーバーを増やして対応し、アクセスが減ったらサーバーを減らしてコストを抑える、みたいなことができると嬉しいですよね。

マイクロサービスは、サービスごとに独立して規模を変えられるのが得意技です。特にAI機能は、計算量が多いものもあるので、必要に応じてその部分だけパワーアップできるのは大きなメリットです。

パフォーマンスというのは、システムがどれだけ速く応答してくれるか、ということ。AIの予測結果が返ってくるのに何分もかかっていたら、誰も使ってくれませんよね。特にユーザーが直接触れるAI機能では、できるだけ短い時間で結果を返すことが求められます。

スケーラビリティとパフォーマンスを高めるために考えたいことは、

• 適切なリソース割り当て
  各マイクロサービスが必要とするCPUやメモリ、ディスクなどのリソースを、過不足なく割り当てます。
• 非同期処理の活用
  時間がかかる処理は、ユーザーを待たせるのではなく、裏側でこっそりやっておいて、終わったら通知するような仕組みにします。
• キャッシュ戦略
  よく使うデータや、計算に時間がかかる結果を、一時的に手元に保存しておく（キャッシュする）ことで、次からは素早く取り出せるようにします。
• データベースの最適化
  データの読み書きが遅いと、システム全体の足かせになります。データベースの設計やクエリを工夫して、高速化を図ります。
• 負荷テスト
  実際にたくさんのアクセスを発生させてみて、どこがボトルネックになるか、どれくらいの負荷まで耐えられるかを確認します。

最初から完璧なスケーラビリティやパフォーマンスを実現するのは難しいかもしれませんが、将来の成長を見越して、拡張しやすい設計を心がけることが肝心です。

小さな改善を積み重ねていくことで、しなやかで力強いシステムに育てていきましょう。

【まとめ】マイクロサービスAI設計で未来のシステムを構築しよう

この記事では、マイクロサービスとAI設計の基本から、そのメリット・デメリット、そして実践的な進め方のポイントまで、盛りだくさんでお届けしました。もう一度、おさらいしておきましょう。

• マイクロサービスは、小さなサービスを連携させて大きなシステムを作る考え方。
• AIシステム開発では、しっかりとした設計が成功のカギ。
• マイクロサービスとAIの組み合わせは、変化に強く、柔軟なAIシステム開発を実現する。
• AI機能の切り出し方、モデルのライフサイクル管理、データ管理、API設計、テスト、セキュリティ、スケーラビリティなど、考えるべきポイントはたくさんあるけど、一つ一つ丁寧に取り組めば大丈夫！

さあ、ここからが本当のスタートです！この記事で得た知識を元に、まずは小さなところからでも、マイクロサービスAI設計にチャレンジしてみてはいかがでしょうか。例えば、

• 手元にある簡単なAIモデルを、FlaskやFastAPIを使ってAPI化してみる。
• Dockerを使って、そのAPIをコンテナとして動かしてみる。
• 公開されているAI系のAPIをいくつか組み合わせて、何か面白いものを作ってみる。

そんな小さな一歩が、未来のすごいシステム開発に繋がっていくかもしれませんよ。もちろん、もっと深く学びたい！という方は、

• AWS、Google Cloud、Microsoft Azureといったクラウドサービスが提供しているマイクロサービスやAI関連のドキュメントを読んでみる。（例 AWS: https://aws.amazon.com/jp/microservices/ や https://aws.amazon.com/jp/machine-learning/）
• 技術書（例えばオライリー・ジャパン https://www.oreilly.co.jp/ などで探してみましょう）を読んで、体系的に知識を深める。
• オンラインの学習プラットフォームで、実際に手を動かしながら学べるコースを探してみる。

といった方法もおすすめです。

マイクロサービスとAIの組み合わせは、間違いなくこれからのシステム開発の中心的な役割を担っていくでしょう。