Kerasのシステム開発の発注は、業務課題とデータを整理し、PoCで検証してから、条件に合う契約先や委託先を選んで、開発と運用へ進めるのが基本です。
発注形態、要件と契約、費用、委託先、開発後の運用の順に見ていきます。全体像は、Kerasのシステム開発の完全ガイドでも確認できます。
▼全体ガイドの記事
・Kerasのシステム開発の完全ガイド
・業務システム開発を依頼する会社の選び方やRFPの作り方については、無料ホワイトペーパー「業務システム開発の完全ガイドブック」で詳しく解説しています。
・スクラッチシステム開発を依頼する会社の選び方やRFPの作り方については、無料ホワイトペーパー「スクラッチシステム開発の完全ガイドブック」で詳しく解説しています。
Kerasのシステムを外注する前に知っておきたい全体像
Kerasは、Pythonでニューラルネットを構築・学習・評価・推論するOSSのAPIです。完成済みの業務システムではないため、導入しただけでは業務に使えません。このため、AIシステムの企画・開発・運用までを発注範囲に含めます。
Kerasが担う範囲と業務システムが担う範囲
Kerasは、モデルの層を定義し、データで学習と評価を行い、入力に対する推論結果を返す部分を担います。
- モデル処理：製品画像の良品・不良品分類、設備の異常兆候検知、需要予測、文書分類。
- 業務システム：ETL、ラベル管理、認証・権限、業務画面、ERP・CRM連携、ログ保存、障害通知。
業務システム側の各機能には、Kerasとは別の設計が必要です。RFPには、入力データ、推論の利用者、許容できる誤判定、応答時間、業務上の確認手順を書いておきます。さらに、正解率に加えて、誤検知を人が確認するか、低信頼の結果を保留にするかも決めておくと、画面と運用の見積もりが安定します。
Keras 3のバックエンド選択
Keras 3は複数のバックエンドに対応しているため、初期段階で特定のフレームワークに固定しなくてよい場合があります。
- 選択肢：TensorFlow、JAX、PyTorchをバックエンドとして選べます。
- 比較軸：既存GPU環境、社内のPython資産、学習速度、デプロイ先との相性。
Keras公式の「About Keras 3」は、各バックエンドで複数のデータ形式を扱えると説明しています（出典：Keras公式「About Keras 3」、2026年確認）。対象には、NumPy、Pandas、TensorFlowのデータセット、PyTorchのDataLoaderなどが含まれます。
ただし、すべての機能や周辺ライブラリが同じ条件で動くとは限りません。そこで、採用予定のバックエンド、PythonとCUDAのバージョン、学習・推論環境、依存ライブラリの固定方法を、RFPの段階で確認します。
将来バックエンドを変えるときに、移行の責任を誰が負うかも決めておきます。「Keras 3対応」と書かれているだけでは環境の差が分からないため、提案書に実行環境と検証方法を明記してもらいます。
Kerasのシステム開発の発注形態の種類
外注の形には、専門会社への一括委託や複数社への分離発注があります。ほかに、PoC段階発注や、社内チームを補うラボ型・技術支援もあります。形は社内体制と不確実性で変わるため、目的と残す知識を先に決めて、価格だけで選ぶ失敗を避けます。
企画から運用までを一社に一括外注する場合
社内にAI、データ基盤、アプリ開発の担当者が少ないときは、企画から保守まで一社に委託できます。
- 委託範囲：企画、要件定義、データ準備、モデル開発、API、画面、クラウド、テスト、保守。
- 利点：窓口が一本になり、モデルと業務画面の責任分界が曖昧になりにくい。
提案会社が得意とするクラウドや技術へ、話が誘導されることもあります。成果物の範囲が曖昧なままだと、ベンダーロックインにつながります。
納品物には、ソースコードとモデルファイルのほか、学習データの加工手順や評価結果を含めます。環境定義、デプロイ・監視・再学習の手順、管理者向けマニュアルも、納品対象に入れます。
別会社へ切り替える可能性があるなら、第三者が再現できる状態を受入条件に定めます。
PoCと本番開発を分けて段階的に発注する場合
自社データの精度や業務効果、現場の受容性が不明な場合は、PoCを先に発注します。
- 検証内容：代表データでのベースライン、評価指標、誤判定の傾向、現場の確認時間の測定。
- 発注書：API化、認証、ログ、性能試験、データ更新、再学習の検討範囲。
最初から作るものを大きくしないため、要件の不確実性を費用と期間の両面で抑えやすくなります。測定結果は、本番化を判断する材料になります。
PoCの成功を「デモ画面が動いたこと」で判断すると、本番移行の段階で行き詰まることがあります。
本番開発の見積を別に取る場合も、PoCの成果物を再利用できる形式で残しておくと、二重投資を減らせます。
社内チームを残してラボ型・技術支援を利用する場合
社内にプロダクト責任者や業務担当者がいて、開発方針を自社で持ちたい場合は、専門人材を外部から補えます。
- 補う人材：Kerasエンジニア、データサイエンティスト、MLOps担当者。
- 社内の役割：指示、優先順位付け、レビュー、受入確認。
- 支援の特徴：月単位でチームを組み替えやすく、内製化の知識を残しやすい。
依頼内容が定まらないまま人月だけを買うと、成果と費用の関係が見えにくくなります。そこで、役割をモデル開発、データパイプライン、クラウドに分け、アプリとプロジェクト管理の担当も決めておきます。週次の成果物とレビュー基準は、発注時に決めます。
退場時に設計書と環境情報を残すこと、再委託の有無、担当者が代わるときの引き継ぎを、契約に含めます。
発注前の要件整理とRFPの記載項目
RFPは、開発会社に希望を伝える資料であるとともに、自社の意思決定をそろえる資料でもあります。まず、業務課題、対象ユーザー、利用場面を具体化し、必要なデータ、期待する成果、制約条件も書き出します。
仕様は、発注前にすべて確定させなくてかまいません。未確定の項目は、「提案会社に調査してほしい事項」として明示します。
業務課題とKPIの整理
RFPでは、「何をAIに任せるか」より先に、「どの業務をどう改善するか」を書きます。
- 外観検査：検査対象、現状の検査時間、見逃せない欠陥、再検査手順、1日あたりの処理件数。
- 需要予測：予測対象、期間、更新頻度、欠品と過剰在庫のどちらを重く見るか。
外観検査や需要予測の業務情報は、RFPに整理しておきます。
KPIは、正解率に加えて、適合率・再現率・F1スコアなどを組み合わせます。許容誤判定率、1件あたりの推論時間、担当者の作業削減時間も、指標に含めます。
- 自動処理：AIの結果だけで処理するため、必要な性能を定めます。
- 人の確認：担当者が結果を確定するため、確認画面も要件に含めます。
目標値には、出典を確認できる数値を使い、その根拠と測定方法をRFPに残します。
データ要件と現状の制約
まずデータの種類と件数、期間、更新頻度を整理します。保存場所や形式、欠損割合、ラベルの有無も確かめます。個人情報や営業秘密が含まれるかも、あわせて整理します。
- 画像：解像度や撮影条件。
- 文書：帳票の種類や表記揺れ。
- 時系列：予測時点で利用できる情報がそろっているか。
学習時にしか存在しない未来の情報が混ざると、検証では高精度でも本番で性能が下がるため、注意が必要です。
データを外部へ渡せないときは、匿名化やマスキング、専用環境での作業を条件にします。オンプレミス開発やリモート接続の制限も、条件に含めます。
サンプルデータだけで見積もる場合は、本番データとの差分をリスクとして書いてもらいます。
データ準備やラベル付けを自社で担当するなら、その作業量と期限も発注範囲に含めます。
成果物・非機能要件・提案依頼事項の区分
RFPでは、成果物と非機能要件を分けて書きます。
- 成果物：要件定義書、設計書、ソースコード、学習済みモデル、データ加工スクリプト、テスト結果、API仕様書、環境構築手順、運用マニュアル。
- 非機能要件：可用性、応答時間、同時利用者数、バックアップ、暗号化、認証、権限、監査ログ、脆弱性対応、障害時の復旧目標。
提案会社には、これらの要件に対応する方法を示してもらいます。加えて、Keras 3のバックエンド、クラウドまたはオンプレミス構成、PoCの評価方法も回答してもらいます。
再学習の方法と担当体制、再委託、保守費用を確かめます。リスクと前提条件も、同じように確かめます。同じ項目で各社の回答を並べると、会社ごとに異なる作業を見積もる事態を防げます。
契約形態の準委任と請負の使い分け
Keras案件では、データの品質や精度を事前に読みにくいため、工程ごとに契約形態を使い分けます。要件が固まった開発は請負にします。調査やPoC、技術検証、継続的な改善は準委任にします。
契約の名称だけで決めず、成果の受入方法、作業指示を出す人、リスクを負う人を確かめます。
不確実性が高い調査・PoCに向く準委任
準委任は、専門家が調査や開発作業を行う契約です。未知のデータ調査や複数モデルの比較、バックエンド性能の検証、評価指標の調整は、開始時に最終精度や最適構成を断定できません。このため、準委任が向いています。
稼働時間や役割、週次の成果物、レビューの方法を定めます。探索の結果も、納品対象に含めます。月の上限時間、追加作業の承認方法、担当者のスキルに加え、定例会議とソースコードの共有頻度も決めておきます。
精度目標を保証する場合は、データ条件と評価用データを決め、測定手順と未達時の扱いを別途合意します。
仕様と受入条件が決まった開発に向く請負
請負は、合意した成果物を完成させ、検査と受入を行う形式に合っています。
- 対象にしやすい成果物：確定したAPI仕様、管理画面、認証、ログ機能、決められたテストケース。
- 管理しやすい点：成果物と受入基準を文書化でき、納期や品質を管理しやすい。
精度の要件やデータの前提が変わると、変更契約や追加費用が発生しやすくなります。
AIモデルの精度を完成条件にするなら、委託先だけでは管理できない要因を除外しておきます。
自社が提供するデータの件数やラベル品質、撮影条件を明記します。業務ルールと評価データの固定日も明記し、条件が変わったときの再見積もりを定めます。
受入テストは、モデルファイルだけでなく、推論APIと業務画面を含めて行います。
知的財産・データ・セキュリティの責任分界
契約前に、資産ごとの帰属と利用範囲を確かめておきます。
- 対象資産：ソースコード、モデルの重み・学習済みパラメータ、データ加工スクリプト、学習・評価データ、クラウド環境、ログ。
- 利用条件：ライセンス、表示義務、商用利用、再配布、著作権移転または利用許諾、改変・再利用の範囲。
オープンソースや事前学習モデルの条件は、委託先に説明してもらいます。
発注範囲には、外部モデルを本番へ無条件に読み込まないことを含めます。加えて、依存ライブラリの固定、脆弱性検査、管理操作の監査ログ記録を含めます。
Keras公式のリリース情報には、safe_mode、HDF5外部リンク、悪意あるメタデータによるサービス拒否の修正が載っています。そこで、自社の運用にも、モデル受領時の検査と更新手順を組み込みます。
Kerasのシステム開発を外注する費用相場と内訳
Keras単体はオープンソースのため、通常はライセンスの購入費がかかりません。一方で、システム全体では、企画からデータ整備、モデル開発、API・画面までに費用がかかります。さらに、クラウド、テスト、監視、保守も費用の対象です。
ここで示す金額は、Kerasだけを対象にした公的な価格統計ではありません。2025〜2026年に公開された類似AIシステムの相場と、業務システム開発の規模感を当てはめた推定です。
規模別の費用レンジと期間の目安
小規模PoCは、代表データの確認と1つのモデルを対象にします。限定的な推論APIと簡易評価画面も含みます。
- 小規模PoC：100万〜500万円程度、1〜3か月程度。
- 実用化・中規模：500万〜1,500万円程度、3〜6か月程度。
- 本番・大規模：1,500万〜5,000万円以上、6〜12か月以上の場合があります。
2026年のAI開発費用解説では、小規模AIシステムを50万〜300万円、中規模を300万〜1,000万円とする整理もあります（出典：株式会社nicosphere「AI開発の費用相場 2026年版」、2026年確認）。
データ量や業務連携が少ない案件は下限に近づきますが、データ確認を含むかどうかで金額が変わります。
実用化・中規模では、データ加工やモデル改善に加えて、推論API、業務画面、既存システムとの連携を含みます。権限やテストも対象です。
本番・大規模では、複数モデルや複数拠点、高可用性、監査ログ、再学習、個人情報への対応があると、上限を超える場合もあります。
費用を押し上げる項目と削減しやすい項目
見積もりでは、まずデータの件数と品質、ラベル付けを確かめます。そのうえで、モデル数やリアルタイム性、既存システムとの連携、画面権限、セキュリティ、運用監視が費用をどう押し上げるかを見ます。
- 削減案：PoC対象業務やモデルを絞り、既存基盤を使い、バッチ推論から始めます。
- クラウド費用：AWSなどは利用量に応じて課金されるため、頻度、GPU、推論回数、保存期間を分けて見積もります。
GPU学習費だけで予算を組むと、アプリ開発やデータ加工費が後から増えます。
認証やログ、バックアップ、運用手順を削りすぎると、本番移行時に作り直しが必要になります。削減案を出してもらうときは、削る機能と残るリスク、本番化時の追加費用を、あわせて示してもらいます。
保守運用費・クラウド費用と初期費用の区別
本番稼働後は、基盤費と運用費が発生します。
- 基盤費：GPU・CPU・ストレージ。
- 運用費：監視、障害対応、再学習、精度劣化検知、依存ライブラリ更新、脆弱性対応、問い合わせ対応。
保守運用費は、初期開発費の年15〜25％程度をたたき台にする考え方があります。ただし、これはKeras案件に一律に当てはまる公的な相場ではありません。
再学習を毎月行うか、四半期ごとにするか、データが増えたときに何を追加するかは、案件ごとに確認します。
AWSのSageMaker料金ページでは、機械学習環境と構成を含めた見積もりを案内しています（出典：AWS「SageMaker 料金」、2026年確認）。
通常月、学習月、障害対応月のクラウド費用を、それぞれ試算します。開発会社の保守料とクラウド事業者への従量課金を分けておくと、見積もりを比べやすくなります。
委託先の選び方と見積比較の確認点
委託先は、Kerasの経験に加えて、業務理解やデータエンジニアリングの力を評価します。Web APIやクラウド、MLOps、セキュリティ、プロジェクト管理の力も、評価の対象になります。
Kerasのサンプルコードを見せられても、本番環境の監視や障害対応まで任せられるとは限りません。まず、担当者、類似課題の経験、成果物、保守体制を提案の時点で確認します。
実績と体制の見方（似た技術より似た業務）
実績を聞くときは、Kerasを使ったかどうかだけでなく、課題やデータの種類、利用者を確かめます。導入後の運用や数値効果も、あわせて聞きます。
- 業務の近さ：画像認識、時系列予測、文書分類では必要なデータ処理が異なります。
- 体制の確認：例外処理の聞き方、精度が届かないときの判断、モデルを作り直す時期を質問します。
自社に近い業界や業務の実績がない場合は、類似データでの検証計画と、未知の領域を補う専門家体制を確かめます。
プロジェクトマネージャー、データ担当、Keras・Python担当、インフラ担当が同席すると、発注後の責任分界を確かめやすい傾向があります。
再委託や担当者の変更があり得るかどうかも、提案書の段階で明らかにしてもらいます。
見積書の前提条件と内訳の比較
見積書は、要件定義、データ調査、ラベル付け、モデル開発を同じ項目で比べます。API、画面、インフラ、テスト、導入支援、保守も、同じ基準で並べます。各項目について、何が含まれ、何が含まれないかを確かめます。
PoCの費用が安くても、データ作成や本番化が別料金なら、全体では高くなる可能性があります。特に、担当人数と期間、データ量、試すモデル数を比べます。評価回数、クラウド費用、追加変更の単価、納品物、受入条件も、あわせて比べます。
「AI精度を保証する」「本番運用まで対応する」という説明があれば、測定方法と対応時間を確かめます。安い理由が再利用部品なのか、範囲の削減なのかも聞き、リスクを金額と並べて比べます。
質問による失敗リスクの見極め
確認するリスクには、データ不足や精度未達、応答速度不足があります。さらに、現場での利用定着、セキュリティ事故、担当者の退職、クラウド費用の増加、契約終了後の引き継ぎも含まれます。
提案会社には、自社の条件で起きやすいリスクを3つ挙げてもらいます。そのうえで、リスクごとに次の2点を尋ねます。
- 検証：リスクを確かめる方法。
- 発生時の対応：対応内容と追加費用の有無。
具体的な説明ができる会社は、できることだけを強調する会社に比べて、信頼性を評価しやすくなります。
AIを利用する企業は、利用目的やデータの権利と品質を、運用に反映します。さらに、透明性や説明可能性、安全性、事故時の連絡についても、運用に反映します。
経済産業省・総務省の「AI事業者ガイドライン第1.2版」は、2026年3月31日に公表され、リスクベースアプローチによるAIガバナンスを示しています（出典：経済産業省「AI事業者ガイドライン第1.2版」、2026年）。
RFPと契約には、自社が判断・承認する範囲も書いておきます。
発注後の開発から運用までの進め方
契約後は、各工程で業務担当者が確認し、次の工程へ進む条件を決めておきます。実データの問題は早く見つけるほど、後工程の作り直しを減らせます。
工程ごとの成果物と判断基準
工程は、要件定義から始まり、データ確認、PoC、設計・開発、テスト・受入を経て、運用開始へ進みます。
- 要件定義で業務フロー、データ項目、権限、KPI、例外処理、運用体制を確定する。
- データ確認で学習用と評価用のデータを分け、ラベルの品質と偏りを調べる。
- PoCでベースラインと複数モデルを比べ、精度、推論時間、現場の確認負荷を測る。
- 開発でモデルAPI、画面、認証、ログ、エラー処理を接続し、業務シナリオで受入テストを行う。
終了条件は、「代表データの欠損とラベル方針を承認した」「評価データを固定した」「目標指標と許容範囲を確認した」「本番相当の権限で操作できた」などと定めます。
目標に届かなかった場合は、モデル改善と業務フローの変更、プロジェクト中止のどれを選ぶかを、経営、現場、開発会社で判断します。
精度劣化と再学習の運用
本番稼働後は、入力データの分布や予測結果、正解がわかった後の実績、推論時間、エラー率を監視します。
- 精度の変化：季節変動、商品変更、設備更新、業務ルールの変更で、開発時の精度を維持できない場合があります。
- 再学習の管理：データ追加、学習実行、評価、本番承認の担当を分け、モデル版・学習データ・評価結果を記録します。
精度を測れる正解データは継続して集め、再学習や人の確認に切り替える水準を決めます。新しいモデルが過去のケースで悪化していないかも、確かめます。
委託先に保守を頼む場合も、精度の劣化を把握するダッシュボードと、契約終了後に再現できる手順を残してもらいます。
引き継ぎと終了条件
外注が終わるときには、担当者しか環境を再現できない、学習方法が分からない、クラウドの管理者権限を移せないといった問題が起こり得ます。ライセンスを確認できない問題も、そのひとつです。
- 引き渡し対象：リポジトリ、CI/CD、インフラ定義、環境変数の管理、モデル保存場所、データ処理、監視設定、障害履歴、運用マニュアル。
- 終了時の対応：アカウント返却、秘密情報の削除、データ返却・廃棄、再委託先からの回収、オープンソース一覧の確認。
引き渡し対象は発注時に定めておき、受入後の一定期間は、問い合わせ対応や操作説明を含む移行支援を設定します。
完成したシステムに加えて、将来の変更を自社または別会社が実施できる状態を、納品のゴールにします。
よくある質問
Kerasシステムの発注で相談の多い疑問に回答します。技術だけでなく、費用、データ、契約、運用を含めて判断します。
Kerasのライセンス費用だけでシステムを作れますか？
いいえ。Kerasは通常ライセンス費用がかかりません。ただし、データ整備、モデル、API、画面の開発には費用がかかります。さらに、クラウド、テスト、監視、保守にも費用がかかります。見積もりでは、利用料と開発・運用費を分け、自社が担当する工程を見積もりに反映します。
Kerasのシステム発注は最初から本番費用を用意すべきですか？
最初から大規模な本番費用を確保するより、目的とデータを絞ったPoCで実現性を確認し、本番化の条件を満たした段階で追加発注する方法が適しています。
PoCの段階で本番の認証やログ、データ更新、運用責任を検討しないと、後から作り直しになります。
小規模PoCの推定レンジは100万〜500万円程度ですが、対象範囲やデータの状態で変わります。そこで、複数社から同じ条件で見積もりを取ります。
Kerasの経験がある会社ならどこでも発注できますか？
いいえ。Keras経験の有無だけでなく、業務データ、API・画面・認証、クラウドやオンプレミスでの運用、精度劣化への対応を見ます。
委託先には、類似業務の経験と体制を確かめます。成果物と保守の範囲、バックエンド、モデルとデータの引き渡し条件も、あわせて確かめます。
AIの精度を契約で保証してもらえますか？
条件を固定し、測定方法と評価用データを合意すれば、目標指標や受入基準を契約に入れられます。
精度は、データ件数やラベル品質、入力条件、業務ルールの変更に左右されます。そのため、「常に正解率○％」と書くだけでは不十分です。未達のときの改善回数、追加費用、業務側の対応、継続か中止かの判断を、あらかじめ定めておきます。
まとめ
Kerasシステムの発注は、まず業務課題や必要なデータ、評価指標、利用者、運用体制から要件を整理します。技術名から始めるより、この順で整理するほうが進めやすくなります。
Keras 3では、TensorFlow、JAX、PyTorchから選べます。ただし、バックエンドの互換性や環境管理も確かめます。
要件が不確実な調査・PoCは準委任、仕様と受入条件が固まった開発は請負とする段階的な組み合わせが、使いやすい方法です。
費用は類似AIシステムからの推定です。小規模PoCは100万〜500万円程度、実用化・中規模は500万〜1,500万円程度、本番・大規模は1,500万〜5,000万円以上です。この金額に、データ整備、業務連携、セキュリティ、クラウド、保守が含まれるかを確かめます。
委託先は総額だけでなく、前提条件と担当体制、成果物、受入基準で比べます。加えて、追加費用や再委託、知的財産、再学習、契約終了後の引き継ぎも比較の対象にします。
RFPと契約に責任分界を書き、PoCから本番運用までの判断基準を共有します。
▼全体ガイドの記事
・Kerasのシステム開発の完全ガイド
▼RFP作成前に読みたい無料ホワイトペーパー
・業務システム開発の完全ガイドブック
・スクラッチシステム開発の完全ガイドブック
・【2026年最新版】AI駆動開発の完全ガイドブック
会社紹介
株式会社riplaでは、お客様の事業・ユーザー・業務に最適化したオーダーメイド型システムを、構想策定・要件定義から開発・改善まで一気通貫で支援。事業会社でIT・DXを経験したプロフェッショナルによる高い要件定義力・システム設計力を活かし、事業成果の最大化に伴走します。
また、当社独自の開発テンプレート「Boxシリーズ」による標準機能の高速開発と、AI駆動開発の独自フレームワーク「GoDD」による独自機能のAI実装を組み合わせることで、低コスト・短期間で開発を実現いたします。
もし、システム開発やプロダクト開発に関するご要望がございましたら、お気軽にお問い合わせください。
・サービス概要資料のURLはこちら >>>
・お問合せページのURLはこちら >>>
・お役立ち資料のURLはこちら >>>
株式会社ripla 代表取締役CEOとして、システムパッケージ活用、システム開発、データ分析、生成AI活用、SaaS開発、アプリ開発、EC構築など、幅広い領域で企業のDX推進と事業成長を支援している。事業会社でIT・DXを経験したプロフェッショナルが集う株式会社riplaにおいて、お客様の事業・ユーザー・業務に最適化したオーダーメイド型システムを構想策定・要件定義から開発・改善まで一気通貫で支援し、単なるシステム納品にとどまらず、クライアントと同じ目線で事業成果の最大化に向けた伴走支援を行う。早稲田大学卒業後、ラクスル株式会社、LINEヤフー株式会社にて事業開発やDX推進などに従事した後、株式会社riplaを創業。