なぜ、いまクラウドAIでなく、エッジAIが注目されるのか？

　現在、AIプラットフォームといえば、グーグル、アマゾン、マイクロソフト、IBMなど、海外のITジャイアントがクラウド上で提供するサービスがほとんどだ。その大きな理由は、クラウドが機械学習を行うために最適な環境だからだ。クラウドならば大量の学習データをスケーラブルに蓄積し、それらをCPUとGPUパワーで高速処理して学習モデルをつくれる。

　その一方で、最近ではIoTが普及し始め、現場にある端末（エッジデバイス）が無線通信でデータを収集し、クラウドに自動でアップできる環境も整ってきた。ただクラウドが前提だと、データ量が増えるほど通信料がかさむという課題もある。そもそもデータによっては、いまだにクラウドにあげられないような機密情報もある。

　またネット経由では、どうしても通信の安定性に不安が残る。5Gが普及すれば、かなり環境は改善されるかもしれないが、リアルタイム性が求められる場合、ネット越しでは高速処理も難しい。そうなると、クラウド側よりもエッジデバイス側でデータを高速処理したいというニーズも高まってくる。

エッジAIが求められる代表的な利用シーンとは？

　エッジAIが求められる端的な事例として挙げられるのが、近い将来に実現するであろう自動運転の領域だ。すでにAIで画像を認識し、前方のクルマや信号機、歩行者などを判断するケースなどで使われているが、自動運転は数ミリ秒の判断が命取りになる。もし人が飛び出したり、車同士が衝突しそうな瞬間に、ネット越しにデータを処理していたのでは、到底間に合わない。

　また走行状況の変化に応じて、自動運転のパラメータの調整も必要だ。たとえば自動車のタイヤが摩耗したとき、自動車の運動形態も変わってくるため、学習しなおさなければならない。雪国でスリップしやすい路面は、都会とは状況がまったく違う。

　工場の機械やロボットの予兆保全を行うケースも考えられる。ラインに導入された機器が経年劣化で異常を起こす前に予測を行い、メンテナンスを行えるようにする。事前に予測モデルを作り、機械の不調や異常の兆候をAIで迅速に発見し、アラートを投げて、ライン停止による損失を防ぐのだ。

　このようにリアルタイム性が重要な処理は、できるだけ現場に近い場所で処理できたほうが有利だ。そこでIoTの進展とともに、FA機器や自動車側でのローカル処理が見直され、「エッジAI」が注目されるようになったという背景がある。

クラウドとエッジを組み合わせて学習と予測を分担する

　とはいえ、エッジAIの実現は、そう簡単なことではない。現時点でスタンダードな手法は、クラウド側とエッジ側で双方のメリットを生かし、それぞれ役割を分担して、組み合わせて利用するアプローチだろう。

　たとえば、クラウド側でデータを大量に蓄積し、GPUのマシンパワーによって学習済みモデルをつくる。次に、そのモデルをエッジ側のデバイスに実装することで、リアルタイムに流れる現場のデータから、予測や判定を行うという方法だ。


　前述のように、この手法についてはGAFA（グーグル、アマゾン、フェイスブック、アップル）やIBM、マイクロソフトなどの大手ITベンダーが取り組んでおり、自社プラットフォームをユーザーに提供している。

　これらで採用される機械学習の共通点は、いま主流のディープラーニング（深層学習）を利用していることだ。ただし、ディープラーニングは、行列計算を行うため、並列分散処理に向くGPUが使われている。しかし、まだGPU自体の値段が高く、計算コストもかかるので、いまはエッジ側でフル活用するのは厳しいという課題を抱えている。

いま業界のエッジAIの主要プレイヤーはどうなっているのか？

　では、いったんここで、エッジAI向けのハードウェア・プレイヤーはどうなっているのだろうか。それをまとめたのが以下の図だ。


　ハードウェアでは、グーグルがAI専用チップ「TPU」（Tensor Processing Unit）をエッジ用に小型化した「Edge TPU」を発表。同社のIoTサービス「Cloud IoT Core」を補完し、軽量化した機械学習フレームワーク「TensorFlow Lite」で30fpsの動画に対応し、機械学習の推論モデルを動かせる。高速道路などのライブカメラに組み込み、交通状況をリアルタイム分析できる。

　Ideinは、高度なセンシング技術を利用したIoTシステムを安価に構築できるプラットフォームサービス「Actcast」のα版を発表している。 Actcastは、画像認識の処理をRaspberry Piなどのエッジデバイス上で実行でき、 要約データのみをネット越しにクラウドへ送信する。

　バイドゥは、エッジAIアプリ向けの「Baidu Brain AI Hardware Platform」として、ザイリンクスの「MPSoC」をベースに開発した「EdgeBoard」を発表している。同社の実証モデルや、ユーザーが開発したモデルを迅速に実装できるのが特徴で、スマートビデオによるセキュリティ監視や、先進運転支援システム、次世代ロボットを含むエッジ・アプリの開発が可能になるという。

　NVIDAもこの領域を強化しつつある。3月に開催されたGTC2019でJetsonシリーズにエントリーモデル「Jetson Nano」を加えることを発表。これまで同シリーズは決して安いものでなかったが、Nanoは129ドルと非常に安価になった。サイズも小さく（70×45mm）、同社製品で最も消費電力（5W/10W）を抑えている。

　Jetsonは、たとえば土木・建設のプロセスを最適化するコマツの「スマートコンストラクション」で、測量サービス「Everyday Drone」にも利用されてきた。専用ドローンと共に使われる「EdgeBox」にJetsonが内蔵され、点群データ作成から不要物の除去処理まで、エッジ側で高速処理後にクラウド側にアップ。従来は1日を要した測量が、わずか数十分で処理できる。Jetson Nanoのような安価な製品が登場したことで、よりドローン測量も普及するだろう。

【次ページ】クラウドと連携することなくエッジ側で学習