エッジコンピューティングの大きな目的のひとつに「エッジAI」があります。このエッジAIはIoTの実現において大変重要なキーテクノロジーのひとつで、普及が拡大しています。ここでは、エッジAIとは何か、クラウドAIとは何が違うのか、エッジAIが注目される理由、さらにエッジAIの具体的な事例をいくつかご紹介します。

エッジAIとは何か

エッジAIとは、エッジサーバに人工知能を乗せることです。エッジコンピューティングのメリットであるスピードと人工知能のメリットを両立させるための技術といえます。

人工知能のメリットは、学習すれば定型化できない作業を自動的に行うことができる点にあります。つまり、通常のコンピュータ(ノイマン型コンピュータ)ではなしえなかった処理が可能になるのです。こうした定型化できない作業は、まさに今まで人間が行っていた作業の特徴ともいえるでしょう。なお、人工知能には、古くはエキスパートシステムのようにいくつかの種類がありますが、近年大部分を占めているのが、ニューラルネットワークを利用した、14層~20層程度の深層学習(ディープラーニング)によるものです。

非定型作業を人工知能にさせることで、熟練技術者の不足を補うことができると考えられています。見方を変えれば、熟練技術者の判断や経験を人工知能に移すともいえるでしょう。具体的には、設備の故障や、部品交換の時期をあらかじめ予測する「予知保全」や製品を検査する「画像処理」などが挙げられます。

熟練技術者は長い経験の中で「学習」を行い、製品の良・不良、部品の交換時期などを経験によって培われた勘によって判断してきました。それらの経験や判断を人工知能に移すことによって、検査や保守の品質を下げることなく省力化を図ることが、スマートファクトリーやIoTの最終的な目的のひとつであるともいえるでしょう。

エッジAIとクラウドAIの違い

一方、クラウドAIとは人工知能をクラウドサーバに乗せることです。クラウドAIの欠点として、エッジサーバとクラウドサーバとの間でネットワークを介して常時通信が行われているので、処理速度が遅くなるという問題があります。

これに対して、エッジサーバにAIを乗せると、エッジサーバの中だけで処理が完結し、クラウドサーバには分析結果や予知結果だけを送ればよいということになります。このため、処理のたびに通信する必要があるクラウドAIと比べて処理速度が早いというメリットがあるのです。

反面、学習作業のしやすさや、新たな事象が発生した場合の対応は膨大な情報を扱えるクラウドAIの方がやりやすいでしょう。つまり、クラウドAIの方が柔軟な対応ができるということです。また、エッジサーバのリソースは限られており、エッジAIの人工知能の大きさ(ニューラルネットワークの規模)にも限界があることには注意が必要です。

以上のことから、基本的にはエッジAIとクラウドAIの両方を用意しておき、クラウドAIで学習を行い、学習結果をエッジAIに送るという方式がベストなシステム構成といえるでしょう。具体的には、まずクラウドAIが膨大な情報を用いて学習を行い、ある程度学習が進んだ段階でエッジAIに学習結果を送ります。そして学習結果を得たエッジAIが実際の処理を行うという構成です。そして、エッジAIが不良と判断した分析結果をクラウドAIに送り、これを用いてクラウドAIで再学習を行い、学習結果をエッジAIに戻します。この一連のプロセスを繰り返すことで、製品を検査すればするほど不良品の検出率を向上させていくことが可能です。

エッジAIが注目される理由

エッジAIを導入すると、「現場で発見・現場で分析」が高速でできるようになります。つまり、異常発生・検出・分析・通知がクラウドAIに比べて遅延なく高速に行えるということです。これが、エッジAIが注目される最大の理由です。このことは、自動車(自動運転)や、生産システムなど、ミリ秒単位での処理が必要な分野では、特に有効な技術となります。

自動運転分野では経験豊かなドライバーの判断・経験を、生産システム分野では熟練技術者の判断・経験をエッジAIに移すことが考えられます。また、生産設備などに不具合が発生し、緊急停止を行う場合などには処理速度の点でエッジAIが有利でしょう。どちらの分野も熟練者が不足しており、エッジAIは問題解決に有効な手段と見られています。

エッジAIの具体例

それでは、エッジAIを活用した具体例にはどのようなものがあるのでしょうか。

品質検査を例にとると、今までの人による検査では「製品を目視」→「目視した画像を判断」→「良否判定」の流れをとることが一般的でした。この「判断」→「良否判定」の部分で熟練技術者は「脳」を使って判断しています。一方、近年の自動検査技術を用いた品質検査では、「製品をカメラで撮影」→「撮影した画像を判断」→「良否判定」の流れをとります。そして、「撮影した画像を判断」→「良否判定」の部分で熟練技術者の「脳」の代わりに人工知能を使うということが考えられるのです。

人工知能をクラウドサーバに乗せるかエッジサーバに乗せるかの判断は、検査に処理速度が要求されるかによって判断すればよいでしょう。たとえば、大量生産で一つひとつの製品に品質検査の時間がかけられない場合には、エッジAIは向いているでしょう。逆に、品質検査に時間がかけられる場合で、単に省力化をしたいだけならば、エッジAIではなくクラウドAIで十分でしょう。

次に、故障予知(予知保全)について見てみましょう。ここで熟練技術者は、たとえば「装置の音や、振動を感じる」→「それらの変化に気づく」→「前回の故障からの時間を考慮」→「判断」という流れから、故障の予兆を推測していると考えられます。したがって、装置に設置したセンサで音や振動の変化を捉え、タイマーなどから時間を考慮し、総合的な判断を人工知能で行えば、理論上は人工知能への代替が可能です。(現実には「学習」の問題や、いろいろと細かい問題がでてきます。これらの問題を解決することも生産技術部門の腕の見せ所といえるでしょう。)

このような場合、故障を予測してから警報を出すまでの時間もできるだけ早い方が、その後の対応計画(これを「保全計画」といいます)を立てやすくなります。そこで、スピードの点で有利なエッジAIを導入して、保全計画を立てるための時間を稼ぐこともできるでしょう。

なお、人工知能の導入には、「学習」が必要ですが、この「学習」は熟練技術者の経験が必要になる場合が多いです。したがって、定年間際の現場の熟練技術者の最後の仕事が、自らの経験を人工知能に託すための作業となることが今後は多くなるかもしれません。

エッジAIは、技術者不足に対応する有効な手段のひとつ

以上、エッジAIの概略について述べました。エッジAIは人工知能のメリットをできるだけ高速に実現するために考えられた技術といえます。昔ながらの生産ラインでは、必ず生産技術者が生産ラインについており、経験や勘に基づいてラインを維持していました。これらの生産技術者が不足している現在では、判断や経験を人工知能にうまく移すことができれば、エッジAIは人手不足問題への有効な解答のひとつになりえるのです。

© 2019 Stratus Technologies.