人工知能は物流の自動化の方法を変え、労働集約型産業に革新をもたらすだろう

自動化はテクノロジーを利用して、人間がより多くのタスクを完了できるようにします。物流においては、自動化の可能性は非常に大きく、特に業務に大きな変化があったり、需要が増加したりしている場合には、そのメリットは明らかです。業務を拡大するには、多くの場合、追加のスタッフが必要になりますが、特に他の業界でも同様のニーズがある場合、すぐには対応できないことがよくあります。市場の変動に迅速に対応するには、運用プロセス全体を通じて迅速な対応やその他の追加機能が必要です。

物流の自動化により、需要の変化に応じて迅速に容量を増やすことができます。物流の自動化を戦略的な位置に高めることで、生産性が向上するだけでなく、人的ミスも削減され、作業効率が向上します。適切な物流自動化ソフトウェア、ハードウェア、プラットフォーム リソースがあれば、需要が低い時期であっても、運用コストへの影響は比較的小さく、大規模な労働力を維持するコストよりもはるかに少なくなります。需要が増加しても、運用能力は準備されており、すぐに稼働させることができます。これらのアプローチにより、物流会社は需要の変化に迅速に対応するために必要な柔軟性を得ることができますが、さらに多くのことを行う機会があります。

人工知能は物流自動化の影響を増幅する

物流自動化に AI を導入すると、AI の影響が大幅に高まります。 AI は、製品の仕分けやピッキングなどの一般的な半熟練作業におけるエラーを削減できます。自律移動ロボット (AMR) を使用すると、最もコストのかかるラストマイル配送を含む荷物配送の効率を向上させることができます。人工知能は、自律移動ロボット (AMR) がルートを計画し、人、障害物、配達口、出入り口などの特徴を識別するのに役立ちます。

物流自動化をあらゆる環境に統合する場合、特定の課題が生じます。それは、反復的なプロセスを電動コンベアベルトに置き換えるという単純なものから、協働機能を備えた自律型ロボットを職場に導入するという複雑なものまでさまざまです。自動化および統合プロセスに AI が追加されると、課題はより複雑になりますが、メリットも大きくなります。

ソリューションの接続性が高まり、プロセスの他の段階に対する洞察が深まるにつれて、自動化された各要素の効率が向上します。データを生成しアクションを実行するデバイスの近くに AI を配置することを、エッジ AI と呼びます。エッジ AI の導入により、物流の自動化が再定義されています。

エッジ AI は非常に急速に発展しており、その用途は物流の自動化に限定されません。 AI をネットワークのエッジに配置することによるメリットは、電力、環境の動作条件、物流上の場所、利用可能なスペースなどのリソースの可用性とバランスを取る必要があります。

エッジでの推論

エッジ コンピューティングにより、コンピューティングとデータがさらに緊密になります。従来の IoT アプリケーションでは、ほとんどのデータはネットワーク経由で (クラウド) サーバーに送信され、そこで処理されて結果がネットワークのエッジ (エッジの物理デバイスなど) に返されます。クラウド コンピューティングのみが遅延の考慮を導入しますが、これは時間に敏感なシステムには受け入れられません。エッジ コンピューティングが果たす役割の例を以下に示します。仕分けプロセス中に、荷物の画像データをローカルでキャプチャして処理することで、物流自動化システムはわずか 0.2 秒で応答できるようになります。システムのこの部分でのネットワーク遅延によりソート処理が遅くなる可能性がありますが、エッジ コンピューティングによりこの潜在的なボトルネックを排除できます。

エッジ コンピューティングによりコンピューティングがデータに近づきますが、エッジ側に AI を導入すると、プロセスの柔軟性が高まり、エラーが発生しにくくなります。同様に、ラストマイル物流は手作業に大きく依存していますが、エッジ AI を使用した自律移動ロボット (AMR) によってこの状況は改善されます。

人工知能の導入は、物流自動化に使用されるハードウェアとソフトウェアに大きな影響を与え、潜在的なソリューションの数は増加しています。通常、AI モデルのトレーニングに使用されるソリューションは、ネットワーク エッジにモデルを展開するのに適していません。トレーニングに使用される処理リソースは、電力消費やメモリなどのリソースに対する要求がほぼ無制限であるサーバー向けに設計されています。エッジでは、エネルギー消費とメモリが制限されます。

異質なトレンド

ハードウェア面では、大規模なマルチコア プロセッサはエッジ AI アプリケーションにはあまり適していません。代わりに、開発者はエッジ AI の展開に最適化された異種ハードウェア ソリューションを開発しています。このソリューションには CPU と GPU が含まれており、もちろん ASIC、MCU、FPGA に拡張することもできます。 GPU などの一部のアーキテクチャは並列処理に優れていますが、CPU などの他のアーキテクチャは順次処理に優れています。現在、AI アプリケーションに真に最適なソリューションを提供する単一のアーキテクチャは存在しません。一般的な傾向としては、同じアーキテクチャの複数のインスタンスを使用するのではなく、最適なソリューションを提供するハードウェアを使用してシステム全体を構成します。

この傾向は異種混合性を示しており、複数のデバイス (すべて同じプロセッサに基づく) で同じアーキテクチャを使用するのではなく、連携するように構成されたさまざまなアーキテクチャを持つ多くのハードウェア処理ソリューションが存在します。特定のタスクに適切なソリューションを導入したり、特定のデバイス上で複数のタスクを統合したりできると、スケーラビリティが向上し、ワットあたりおよび/またはドルあたりのパフォーマンスが最適化されます。

同種システムから異種処理への移行には、大規模なソリューション エコシステムと、ハードウェア レベルとソフトウェア レベルの両方でこれらのソリューションを構成するための成熟した機能が必要です。そのため、すべてのシリコンベンダーと提携し、エッジコンピューティングのソリューションを提供し、顧客と協力してスケーラブルで柔軟なシステムを開発できるベンダーと協力することが重要です。

さらに、これらのソリューションでは、Linux などの一般的なオープンソース テクノロジだけでなく、ロボット オペレーティング システム ROS2 などの特殊なテクノロジも使用されます。実際、物流とエッジ AI をサポートするオープンソース リソースがますます開発されています。この観点からすると、単一の「正しい」ソフトウェア ソリューションは存在せず、ソフトウェアが実行される単一のハードウェア プラットフォームも存在しません。

モジュール方式によるエッジコンピューティングの構築

柔軟性を高め、ベンダー ロックインを減らすために、ADLINK はハードウェア レベルでモジュール式のアプローチを開発しました。これにより、あらゆるソリューション内でより柔軟なハードウェア構成が可能になります。実際、ハードウェア レベルでのモジュール性により、エンジニアはシステム全体に混乱を引き起こすことなく、プロセッサなどのシステム ハードウェアの任意の部分を変更できます。

エッジ AI などの新しいテクノロジーを導入する場合、基盤となるプラットフォーム (ソフトウェア、プロセッサなど) を「アップグレード」する機能が特に重要です。通常、プロセッサとモジュール テクノロジの新しい世代は、ネットワーク エッジの推論エンジンの電力とパフォーマンスのバランスを向上させるため、これらのパフォーマンスと電力の向上をすぐに活用して、物流自動化システム全体とエッジ AI システム設計への混乱を最小限に抑えることができます。これも明らかな利点です。

マイクロサービス アーキテクチャと Docker コンテナ テクノロジーを使用して、ハードウェアのモジュール性をソフトウェアに拡張します。より最適化されたプロセッサ ソリューションが利用可能な場合、それが別のメーカーのものであっても、ソフトウェアはプロセッサがモジュール式であるという事実を活用し、システムの残りの部分を変更することなく以前のプロセッサを置き換えることができます。ソフトウェア コンテナーは、エッジで AI を実行するための新しい機能を追加する簡単で強力な方法も提供します。

コンテナ内のソフトウェアもモジュール化できます。 ADLINK の人工知能ビジョン製品向け Edge Vision Analytics (EVA) SDK (ソフトウェア開発キット) は代表的な例です。このプラットフォームは Gstreamer をベースとしており、AI ビジョン パイプラインの構築に必要な基本機能に重点を置いています。 AI ビジョン パイプラインの各ステージでは、すぐに利用できるオープン ソース プラグイン (それ自体にモジュールが含まれています) を使用して、パイプラインの開発を簡素化します。これらのプラグインには、画像のキャプチャと処理、AI 推論、後処理、分析が含まれます。

ハードウェアとソフトウェアに対するモジュール性とコンテナのアプローチにより、ベンダー ロックインのリスクが最小限に抑えられ、ソリューションが特定のプラットフォームに依存しなくなります。また、プラットフォームとアプリケーション間の抽象化も向上し、エンドユーザーがプラットフォームに依存しない独自のアプリケーションを開発しやすくなります。

コンポーネントが利用可能になると、その特徴を示すデータベースを通じてアップグレード プロセスを簡素化します。このデータベースを使用すると、エンジニアは推論パフォーマンスとシステム リソースの完璧なバランスを実現する製品を選択できます。

物流自動化における最も重要な要件の 1 つは、リアルタイムの応答です。したがって、アプリケーションの要件を満たすハードウェアとソフトウェアを組み合わせたシステムの開発において豊富な経験を持つサプライヤーと協力することが重要です。 ADLINK のアプローチは、LiDAR センサーなどの特殊なサードパーティ技術と統合できるモジュールを使用することです。

結論は

物流自動化にエッジ AI を導入する場合、システム全体を置き換える必要はありません。まず、ワークスペースを評価し、AI から実際にメリットを得られる段階を特定する必要があります。主な目標は、特に需要の増加に対応するための労働力不足の時期に、効率を改善しながら運用経費を削減することです。

ますます多くのテクノロジー企業が人工知能ソリューションの開発に取り組んでいますが、ほとんどの企業は通常、エッジコンピューティングではなくクラウドコンピューティングのみを対象としています。エッジ側では動作条件が異なり、リソースが制限される場合があり、専用のネットワークが必要になる場合もあります。

物流業務の自動化は、人工知能などの技術の活用を通じて今後も成長し、拡大していくでしょう。これらのシステム ソリューションは、クラウドやデータ センターのニーズとはまったく異なる、厳しい動作環境を満たすように特別に設計する必要があります。当社では、非常に競争力のあるソリューション、より短い開発サイクル、柔軟なプラットフォームを提供するモジュール式のアプローチを使用してこの問題に対処します。