エッジ AI: エッジ コンピューティングが人工知能の新しい波をどのように強化するか

最近の調査によると、世界中で使用されているモノのインターネット デバイスの数は 2025 年までに 380 億を超えると予測されています。モノのインターネットと人工知能の両方の概念が常に密接に関連してきたため、急激な急増は必然的に AI の採用状況に影響を与えます。

IoT システム開発のゴールド スタンダードであるクラウド中心のアプローチが徐々に時代遅れになり、AI もエッジに近づき始めるでしょう。 エッジへの移行の理由はさまざまですが、最も顕著なものには、高いレイテンシと高いクラウド コンピューティング コストが含まれます。 これらは、大規模な IoT システムでは特に深刻です。

それでも、人工知能ソフトウェア ベンダーはエッジ AI システムを開発することで提供範囲を拡大していますが、企業は、エッジ AI とは正確には何なのか、内部でどのように機能するのか、一般的なエッジ AI のユース ケースはどのようなものから開発すべきなのか疑問に思っています。 これらのような質問を自問する場合は、読み続けてください。 以下の記事では、エッジ AI の内部、ユースケース、利点、および制限にスポットライトを当てています。

エッジ AI とは何ですか? クラウド AI との違いは何ですか?

標準的な IoT アーキテクチャは、モノ、ゲートウェイ、クラウドの 3 つのコンポーネントに大まかに分けることができます。 モノは、データを生成するセンサーで強化されたあらゆる種類のツール、ガジェット、および機器を表します。 ゲートウェイは、モノをクラウドに接続する集中型デバイス、たとえばルーターです。 エンド デバイスとゲートウェイが一緒になって、エッジ レイヤーを構成します。

エッジ AI は、AI アルゴリズムをネットワークのエッジ、つまり接続されたデバイス (エンド ノード) またはゲートウェイ (エッジ ノード) の近くに展開することを表します。

AI アルゴリズムがクラウドで開発および展開されるクラウドベースのアプローチとは対照的に、エッジ中心の AI システムは数ミリ秒で意思決定を行い、低コストで実行されます。

クラウド AI ソリューションと比較したエッジ AI のその他の利点には、次のようなものがあります。

• 処理時間の短縮:データはローカルで分析されるため、要求をクラウドに送信して応答を待つ必要はありません。これは、医療機器や運転支援システムなど、時間が重要なアプリケーションにとって最も重要です。
• 帯域幅とコストの削減:大量のセンサー データをクラウドに送信する必要がないため、エッジ AI システムに必要な帯域幅 (主にメタデータの転送に使用) が少なくなるため、運用コストが削減されます。
• セキュリティの強化:データをローカルで処理することで、クラウド内または転送中に機密情報が危険にさらされるリスクを軽減できます
• 信頼性の向上:ネットワークの中断やクラウド サービスが一時的に利用できなくなった場合でも、エッジ AI は引き続き実行されます。
• 最適化されたエネルギー消費:通常、データをローカルで処理すると、生成されたデータをクラウドに送信するよりも消費するエネルギーが少なくなり、エンド デバイスのバッテリー寿命を延ばすのに役立ちます。

Markets and Markets によると、世界のエッジ AI ソフトウェアの市場規模は、2026 年までに 18 億ドルに達し、20.8% の CAGR で成長すると予想されています。 クラウド上のエンタープライズ ワークロードの増加やインテリジェント アプリケーションの数の急速な増加など、さまざまな要因がエッジ AI ソリューションの採用を促進すると予想されます。

内部でのエッジ AI の仕組み

一般的な誤解にもかかわらず、標準的なエッジ中心の AI ソリューションは通常、ハイブリッドな方法でデプロイされます。つまり、エッジ デバイスがストリーミング データに基づいて決定を下し、データ センター (通常はクラウド) がデプロイされた AI モデルの修正と再トレーニングに使用されます。

したがって、基本的なエッジ AI アーキテクチャは通常、次のようになります。

エッジ AI システムが人間の会話を理解し、車両を運転し、その他の重要なタスクを実行できるようにするには、人間のような知性が必要です。 これらのシステムでは、AI のサブセットであるディープ ラーニング アルゴリズムの助けを借りて、人間の認知が複製されます。

ディープ ラーニング モデルのトレーニング プロセスは、多くの場合、クラウドで実行されます。より高い精度を実現するには、膨大な量のデータと大きな処理能力が必要だからです。 トレーニングが完了すると、ディープ ラーニング モデルがエンド デバイスまたはエッジ デバイスにデプロイされ、そこで自律的に実行されます。

モデルに問題が発生した場合、フィードバックはクラウドに送信され、エッジのモデルが新しいより正確なモデルに置き換えられるまで再トレーニングが開始されます。 このフィードバック ループにより、エッジ AI ソリューションを正確かつ効果的に保つことができます。

エッジ AI を可能にするハードウェアおよびソフトウェア テクノロジの概要

標準的なエッジ AI の実装には、ハードウェアとソフトウェアのコンポーネントが必要です。

特定のエッジ AI アプリケーションによっては、エッジ AI 処理を実行するためのハードウェア オプションがいくつかある場合があります。 最も一般的なものは、CPU、GPU、特定用途向け集積回路 (ASIC)、フィールド プログラマブル ゲート アレイ (FPGA) にまたがっています。

ASICはエネルギー効率が高く、高い処理能力を実現するため、さまざまなエッジ AI アプリケーションに適しています。

GPUは、特に大規模なエッジ ソリューションのサポートに関しては、非常にコストがかかる可能性があります。 それでも、自動運転車や高度な運転支援システムなど、データを超高速で処理する必要がある遅延が重要なユースケースでは、頼りになるオプションです。

FPGAは、さらに優れた処理能力、エネルギー効率、および柔軟性を提供します。 FPGA の主な利点は、プログラム可能であること、つまり、ハードウェアがソフトウェアの命令に「従う」ことです。 これにより、ハードコードされた ASIC、CPU、および GPU とは対照的に、ハードウェアのデータ フローの性質を簡単に変更できるため、より多くの電力の節約と再構成が可能になります。

全体として、エッジ AI ソリューションに最適なハードウェア オプションを選択するには、再構成可能性、消費電力、サイズ、処理速度、コストなどの要因の組み合わせを考慮する必要があります。 記載されている基準に従って、一般的なハードウェア オプションを比較する方法は次のとおりです。

ソース

同様に、エッジ AI ソフトウェアには、ディープ ラーニング プロセスを可能にし、AI アルゴリズムをエッジ デバイスで実行できるようにするテクノロジの完全なスタックが含まれています。 エッジ AI ソフトウェア インフラストラクチャは、ストレージ、データ管理、データ分析/AI 推論、ネットワーク コンポーネントに及びます。

エッジ AI のユースケース

さまざまなセクターの企業が、すでにエッジ AI の恩恵を受けています。 さまざまな業界の最も顕著なエッジ AI ユース ケースの概要を以下に示します。

小売: ショッピング体験の向上

ポジティブなショッピング体験は、顧客維持を決定する要因であるため、小売業者にとって大きな関心事です。 AI を活用した分析を使用することで、小売業者は消費者の満足度を維持し、確実にリピーターに変えることができます。

小売業の従業員の日常業務を支援し、より良い顧客体験を生み出す多くのエッジ AI アプリケーションの 1 つは、エッジ AI を使用して製品の補充と交換が必要な時期を判断することです。

もう 1 つのエッジ AI アプリケーションは、スマート チェックアウト システムでコンピューター ビジョン ソリューションを使用しています。これにより、顧客は最終的にカウンターで商品をスキャンする必要がなくなります。

小売業者はまた、インテリジェントなビデオ分析を使用して、顧客の好みを掘り下げ、それに応じて店舗のレイアウトを改善しています。

製造: スマート ファクトリーの導入

製造企業、特に精密製造に携わる企業は、製造プロセスの精度と安全性を確保する必要があります。 AI を使用して製造現場を強化することで、メーカーは製造現場の安全性と効率性を確保できます。 そのために、Procter & Gamble や BMW が使用しているものと同じように、製造現場の検査を実行する AI アプリケーションを採用しています。

Procter & Gamble は、検査カメラからの映像に依存するエッジ AI ソリューションを使用して、化学薬品混合タンクを検査します。 欠陥のある製品が製造パイプラインに流れるのを防ぐために、カメラに直接展開されたエッジ AI ソリューションが欠陥を特定し、発見された品質偏差を製造現場の管理者に通知します。

BMW は、エッジ コンピューティングと人工知能を組み合わせて、工場フロアのリアルタイム ビューを取得します。 企業は、製造施設全体に設置されたスマート カメラを介して、組立ラインの全体像を把握しています。

自動車: 自動運転車の実現

自動運転車と高度な運転支援システムは、エッジ AI に依存して、安全性の向上、効率の向上、事故のリスクの低減を実現しています。

自動運転車にはさまざまなセンサーが搭載されており、道路状況、歩行者の位置、明るさ、運転状況、車両の周囲の物体などに関する情報を収集します。 セキュリティ上の懸念から、これらの大量のデータは迅速に処理する必要があります。 Edge AI は、物体検出、物体追跡、位置認識など、レイテンシーの影響を受けやすい監視タスクに対応します。

セキュリティ: 顔認識の強化

ますますエッジへの移行が進んでいる分野の 1 つは、顔認識です。

顔認識機能を備えたセキュリティ アプリ (スマート ホーム セキュリティ システムなど) では、応答時間が重要です。 従来のクラウドベースのシステムでは、カメラ映像がネットワーク上を継続的に移動するため、ソリューションの処理速度と運用コストに影響します。

より効果的なアプローチは、ビデオ データをセキュリティ カメラで直接処理することです。 データをクラウドに転送する時間が必要ないため、アプリケーションの信頼性と応答性が向上します。

家庭用電化製品: モバイル デバイスの新機能を有効にする

モバイル デバイスは大量のデータを生成します。 クラウドでのこのデータの処理には、高いレイテンシーや帯域幅の使用などの課題が伴います。 これらの問題を克服するために、モバイル開発者は、生成されたデータをより高速かつ低コストで処理するために、エッジ AI へのチューニングを開始しました。

エッジ AI によって実現されるモバイル ユース ケースには、音声と顔の認識、モーションと転倒の検出などが含まれます。

ただし、一般的なアプローチは依然としてハイブリッドです。 より多くのストレージまたは高度なコンピューティング能力を必要とするデータは、クラウドまたはフォグ レイヤーに送信されますが、ローカルで解釈できるデータはエッジにとどまります。

エッジ AI 採用の障壁

限られた計算能力

AI アルゴリズムのトレーニングには十分な計算能力が必要ですが、エッジではほとんど達成できません。 そのため、エッジ中心のアプリケーションの大半には、AI アルゴリズムのトレーニングと更新が行われるクラウド部分がまだ含まれています。

クラウドへの依存度が低いエッジ中心のアプリケーションの構築に傾倒している場合は、デバイス上のデータ ストレージを最適化する方法を検討する必要があります (たとえば、顔認識アプリケーションで顔を特徴とするフレームのみを保持する)。 AI トレーニング プロセス。

セキュリティの脆弱性

エッジ アプリケーションの分散型の性質と、データがネットワーク上を移動する必要がないことにより、エッジ中心のアプリケーションのセキュリティ機能が向上しますが、エンド ノードは依然としてサイバー攻撃を受けやすくなっています。 そのため、セキュリティ リスクに対抗するには、追加のセキュリティ対策が必要です。 エッジ ソリューションを強化する機械学習モデルも、犯罪者によってアクセスされ、改ざんされる可能性があります。 それらをロックダウンして重要な資産として扱うことで、エッジ関連のセキュリティ問題を防ぐことができます。

データの損失

エッジの性質上、データがクラウドに保存されない可能性があります。 エンド デバイスは、運用コストの削減またはシステム パフォーマンスの向上のために、生成されたデータを破棄するように構成されている場合があります。 クラウド設定にはかなりの制限がありますが、それらの主な利点は、生成されたデータのすべて (またはほぼすべて) が保存されるため、洞察の収集に使用できるという事実です。

特定のユース ケースでデータの保存が必要な場合は、クライアント向けのスマート フィットネス ミラーを開発したときと同じように、ハイブリッドに移行し、クラウドを使用して使用状況やその他の統計データを保存および分析することをお勧めします。

エッジ AI についてまだ答えのない質問がある場合、またはエッジ AI アプリケーションを実装するための信頼できるパートナーを探している場合は、ITRex にお問い合わせください。 当社の専門家が熱心にお手伝いします。

2022 年 11 月 1 日に https://itrexgroup.com で最初に公開されました。