人工知能（AI）が成熟するにつれ、導入は増加し続けています。最近の調査によると、35%の組織がAIを活用しており、42%がその可能性を模索しています。AIは十分に理解され、クラウドでは広く導入されていますが、エッジではまだ初期段階にあり、特有の課題を抱えています。
多くの人が、車のナビゲーションから歩数追跡、デジタルアシスタントへの音声通話まで、日々の生活の中でAIを活用しています。ユーザーはこれらのサービスをモバイルデバイスから頻繁に利用しますが、その計算結果はAIのクラウド上で実行されます。具体的には、ユーザーが情報をリクエストすると、そのリクエストはクラウド内の中央学習モデルによって処理され、その結果がユーザーのローカルデバイスに返されます。
エッジAIはクラウドAIほど理解されておらず、導入も進んでいません。AIアルゴリズムとイノベーションは、その誕生当初から、すべてのデータを一箇所の中央拠点に送ることができるという基本的な前提に基づいていました。この中央拠点では、アルゴリズムはデータへの完全なアクセス権を持ちます。これにより、アルゴリズムは脳や中枢神経系のように、コンピューティングとデータに対する完全な権限を持ち、知能を構築することができます。
しかし、エッジAIは異なります。エッジAIは、あらゆる細胞や神経にインテリジェンスを分散させます。インテリジェンスをエッジに押し出すことで、エッジデバイスに主体性を与えます。これは、医療や工業製造など、多くのアプリケーションや分野において不可欠です。
参照:人工知能倫理ポリシー(TechRepublic Premium)
エッジにAIを導入する理由
エッジに AI を導入する主な理由は 3 つあります。
個人を特定できる情報（PII）の保護
まず、個人情報（PII）や機密性の高い知的財産（IP）を扱う組織の中には、データをその発生源、つまり病院の画像診断装置や工場の製造現場にある機械に保管することを好む組織があります。これにより、ネットワーク経由でデータを転送する際に発生する可能性のある「逸脱」や「漏洩」のリスクを軽減できます。
帯域幅の使用量を最小限に抑える
2つ目は帯域幅の問題です。エッジからクラウドへ大量のデータを送信するとネットワークが混雑する可能性があり、場合によっては現実的ではありません。医療現場の画像診断装置が生成するファイルが非常に巨大で、クラウドへの転送が不可能、あるいは転送完了までに数日かかることも珍しくありません。
エッジでデータを処理する方が効率的になる場合があります。特に、その知見が独自仕様のマシンの改善を目的としている場合はなおさらです。かつては、コンピューティングの移行と保守がはるかに困難だったため、データをコンピューティング環境へ移行する必要がありました。しかし、このパラダイムは今、変化の時を迎えています。データの重要性が高まり、管理が困難になっていることが多くなり、コンピューティング環境をデータの場所へ移行する必要があるユースケースが増えているのです。
遅延を回避する
AIをエッジに導入する3つ目の理由はレイテンシです。インターネットは高速ですが、リアルタイムではありません。手術を支援するロボットアームや、時間に敏感な製造ラインなど、ミリ秒単位の精度が重要となるケースでは、組織はエッジでAIを運用することを決定するかもしれません。
エッジAIの課題とその解決方法
エッジAIの導入には多くのメリットがある一方で、特有の課題も存在します。これらの課題に対処するためのヒントをいくつかご紹介します。
モデルトレーニングにおける良い結果と悪い結果
ほとんどのAI技術は、モデルの学習に大量のデータを使用します。しかし、エッジにおける産業ユースケースでは、これはより困難になることが多いです。エッジでは、製造される製品のほとんどが欠陥品ではなく、良品としてタグ付けまたはアノテーションされます。その結果、「良い結果」と「悪い結果」の不均衡が生じ、モデルが問題を認識することを学習することがより困難になります。
コンテキスト情報なしにデータを分類する純粋なAIソリューションは、ラベル付けされたデータの不足や稀なイベントの発生などにより、作成と展開が容易でないことがよくあります。AIにコンテキストを追加すること、つまりデータ中心のアプローチは、最終的なソリューションの精度と規模において大きなメリットをもたらすことがよくあります。実際、AIは人間が手作業で行っている単調な作業を代替できることが多い一方で、モデルを構築する際には、特に処理できるデータが限られている場合に、人間の洞察から得られる恩恵は計り知れません。
アルゴリズムを構築するデータ サイエンティストと緊密に連携するために、経験豊富な分野の専門家から事前にコミットメントを得ることで、AI の学習を迅速に開始できます。
AIは魔法のようにあらゆる問題を解決したり、答えを提供したりすることはできない
多くの場合、出力には多くのステップが含まれます。例えば、工場のフロアには多くのステーションがあり、それらは相互に依存している場合があります。ある工程中の工場内のあるエリアの湿度が、製造ラインの別のエリアで後続する別の工程の結果に影響を及ぼす可能性があります。
AIは魔法のようにこれらの関係性をつなぎ合わせることができると多くの人が考えています。確かに多くの場合は可能ですが、大量のデータとデータ収集に長い時間を要する可能性があり、その結果、説明可能性や更新性をサポートしない非常に複雑なアルゴリズムが生まれます。
AIは真空中では機能しません。こうした相互依存性を把握することで、シンプルなソリューションから、時間の経過や様々な展開に合わせて拡張可能なソリューションへと進化します。
利害関係者の同意が得られないとAIの規模が制限される可能性がある
組織内の多くのメンバーがAIのメリットに懐疑的であれば、AIを組織全体に展開することは困難です。幅広い支持を得るための最善（そしておそらく唯一の）方法は、価値が高く困難な問題から始め、それをAIで解決することです。
アウディでは、溶接ガンの電極交換頻度の問題を検討しました。しかし、電極は安価だったため、人間が行っていた単調な作業を削減することはできませんでした。そこで、業界全体で共通認識のある難題である溶接プロセスに着目し、AIを活用してプロセスの品質を劇的に向上させました。これがきっかけとなり、社内のエンジニアたちの想像力が刺激され、他のプロセスでもAIを活用して効率と品質を向上させる方法を模索するようになりました。
エッジAIの利点と課題のバランス
エッジAIの導入は、組織とそのチームにとって大きなメリットとなります。施設をスマートエッジへと変革し、品質の向上、製造プロセスの最適化を実現するだけでなく、組織全体の開発者やエンジニアがAIをどのように取り入れるか、あるいはAIのユースケースを進化させて予測分析、効率向上のための提案、異常検知などを取り入れる可能性を模索するきっかけにもなります。しかし、同時に新たな課題も生まれます。業界として、レイテンシの削減、プライバシーの強化、知的財産の保護、そしてネットワークの円滑な運用を維持しながら、AIを導入できる必要があります。
エッジからクラウドまで、テクノロジー分野の製品ラインの立ち上げとリードを10年以上経験するカミーユ・モーハルトは、複雑な技術的概念を雄弁に語り、人間味あふれる楽しい会話へと昇華させます。彼女はサイバーセキュリティ・インサイドのポッドキャスト「What That Means」のホストを務め、トップクラスの技術専門家と対話し、定義する側から直接その定義を聞き出しています。彼女はインテルのセキュリティ・センター・オブ・エクセレンスに所属し、サプライチェーンの透明性とセキュリティを向上させる業界イニシアチブであるコンピュート・ライフサイクル・アシュアランスに熱心に取り組んでいます。
リタ・ウーハイビは、インテルのネットワーク＆エッジ・グループCTOオフィスに所属するシニアAIプリンシパルエンジニアです。連邦政府機関および製造業の市場セグメントに特化しているアーキテクチャーチームを率い、インテルのハードウェアおよびソフトウェア資産を活用したアーキテクチャー、アルゴリズム、ベンチマークを含むAIエッジソリューションの提供を推進しています。また、リタはインテルの時系列データサイエンティストであり、インテルの産業向けEdge Insightsのチーフアーキテクトも務めています。コロンビア大学で電気工学の博士号を取得し、20年以上の業界経験を有し、300件以上の特許を申請し、IEEEおよびACMの著名なカンファレンスやジャーナルで20件以上の論文を発表しています。
