IoTの普及で注目されるエッジAIとは? クラウドAIとの違いも解説

IoTが普及するにつれ、現場で動作するエッジデバイスにAI機能を搭載したエッジAIが注目されています。今、なぜエッジAIが必要とされているのか、そして従来のクラウドAIとの違いはどこにあるのでしょうか。エッジAIについて知っておくべきポイントを整理して解説します。

エッジAIとは

エッジAI(edge AI)とは、エッジデバイスに搭載されたAIのことです。

エッジは「末端の」「端の」、デバイスは「装置」という意味を持ちます。そしてネットワークに接続されたシステムの末端装置がエッジデバイス、そこに搭載されているAIがエッジAIという関係になります。

エッジAIが注目されるようになったのは、IoTの普及拡大に伴い、膨大なデータをできるだけ遅延なくリアルタイムで処理するニーズが高まったためです。したがって、エッジAIを搭載するエッジデバイスの多くがIoTデバイスです。

エッジデバイスそのものや、エッジデバイス(またはユーザ)の近くにサーバを分散配置して処理を行うコンピューティングモデルはエッジコンピューティングと呼ばれます。データの生成元、またはその近くでデータ処理を行えば、クラウドを利用するクラウドコンピューティングよりもずっとスピーディにタスクを遂行できるようになります。エッジAIは、そのエッジコンピューティングの一種と言えます。

エッジAIとクラウドAIの違い

エッジAIと対照的な存在として知られるのがクラウドAIです。クラウドAIを使ったシステムでは、センサを備えたIoTデバイスなどがネットワークを介してデータを送信し、遠く離れたデータセンタにあるCPUやGPUパワーを使ってそのデータを処理します。IBM、Google、Microsoft、Amazonなど世界的なAIプラットフォーマのほとんどが、クラウドコンピューティングによる「クラウドAIサービス」を提供しています。したがって現在、冠を付けずただ「AI」と言えば、通常はクラウドAIのことを指します。オンプレミス型のAIも当然ありますが、AIを利用するという観点からみると、「AI」と言えばクラウドAIを指していると考えてよいでしょう。

しかし、クラウドAIには、瞬時の判断や制御が要求されるようなシーンに対し、ときに処理が追いつかなくなるという難点があります。物理的な距離があり、インターネットなどが介在しているため、数百ミリから数秒程度のわずかなタイムラグが生じるのは避けられません。さらに、通信量が膨大になればなるほどネットワークへの負担が増し、通信料金も高くなり、高度な機能や処理能力が必要になって通信障害やセキュリティ問題が起きるリスクも大きくなります。

それに対し、エッジAIの最大の長所はレスポンスの速さです。また、通信障害に強く、セキュリティ強度が高く、通信コストが安いという特徴も持ち合わせています。ただ、コストに関しては、エッジAIを利用する方がハードウェアを用意したり管理したりするための費用がかかるという面もあります。

エッジAIの活用シーン

エッジAIの活用シーンとしてまず挙げられるのが自動運転です。近い将来、実用化が期待される自動運転では、カメラやセンサが取得したマルチモーダルなデータを瞬時に分析して状況判断し、車両を制御することが不可欠です。たとえわずかでもタイムラグが発生すればその数ミリ秒の差が命に関わります。カメラやセンサで前後左右は車両側で自律的に判断できても、5台先、5台後の状況はわかりません。車両側だけでなく環境側のエッジAIで判断する必要があるのです。また、クラウドAIを利用していて通信障害が発生すると自動運転システムそのものに混乱が生じてしまうことも考えられます。自動運転中の車がセンサで取得したデータを車両側で処理する部分、エッジAIで処理する部分、クラウドAI側で処理する部分と、処理を分散させ判断するという仕組みがどうしても必要です。

また、工場の機械や設備、製造ロボットの予知保全にもエッジAIは有効です。予知保全は機器の状態をセンサで常時計測・監視し、機器が劣化する予兆を見つけると直ちにアラートを発して部品を交換・修理する保全方法です。予知保全にはディープラーニングなどのAI技術が有効であるとされていますが、クラウドAIに頼るシステムではやはりリアルタイム性に難があります。エッジAIを用いて常に近くからモニタリングし、予兆を見つけたときに迅速に対応することで、予知保全の自動化が実現すると言われています。

エッジAIとクラウドAIを組み合わせて活用も有効

ただし、エッジAIに適した用途があったとしても、エッジAIのみでIoTシステムを構成するのが最適解になるとは限りません。エッジAIとクラウドAI双方をバランスよく組み合わせてシステムの最適化を図るのが最も有効なアプローチだというケースも、多々あります。

クラウドAIには超高性能なCPUやGPUを用いて大量に蓄積したデータを分析し学習できるという強みがあります。一方、エッジ側では肥大化するデータを保存するためのストレージを確保しづらいという問題があります。そのためたとえばクラウドAIによって基本的な学習モデルを作り、エッジAIはそのモデルに沿って現場で処理を行うといった役割分担をすれば、双方の長所を活かすことができます。まず、クラウドAIで初期学習し、より実践的な判断は現場のエッジAIで行う、といったイメージが近いでしょう。また、エッジAIが学習した内容をクラウドAIにフィードバックし、さらにスケーラブルな学習モデルを作ることも可能かもしれません。エッジAIで瞬時に判断すべきデータとそうでないデータとを分別し、エッジAIで瞬時に判断不要というデータはすべてクラウドストレージに送り、クラウドAIでじっくりと分析を行うというデータの分別が重要になってくるでしょう。

エッジAIはまだ発展途上にある技術です。しかし今後、IoTの普及が進んでいくほど重要な役割を担うようになるのは間違いないでしょう。エッジAIをどのように活用すれば価値の高いIoTシステムが作れるのか、自社のケースに当てはめて考えてみてはいかがでしょうか。