AIが「エッジ」に必要である理由

インテリジェンスは急速に増加しており、今日では、新しい生成型人工知能 (gen-AI) と機械学習 (ML) でコア プラットフォームを拡張していないエンタープライズ テクノロジー ベンダーを見つけるのは困難です。大規模言語モデル (LLM) の使用やベクトル データベースの作成などの確固たる新しいテクノロジー トレンドを備えた生成型 AI は、今後 10 年間の AI の構築方法に静かに影響を与えています。

エッジはIoTに等しい

コンピューティング エッジについて話すとき、通常はモノのインターネット (IoT) 領域に存在するコンピューティング デバイスを意味します。リモート スマート シティや産業機器のセンサー、カメラ、加速度計、ジャイロスコープ測定デバイスから、空港キオスクのチェックイン コンピューター、POS デバイス、ネットワークやデータベースへの接続またはストレージ機能を備えたすべてのデバイスまで。後で検索および分析するために情報を処理します。

言語とテクノロジーの純粋主義者にとって、エッジ コンピューティングは IoT デバイス上で行われるものなので、この 2 つの用語は厳密には同義ではありません。文脈化と必要な説明の詳細化は必要ですが、今では AI をエッジ デバイスに組み込むことができるため、スマート シティのスマート デバイスは実際にさらにスマートになっています。

AI をめぐる会話では、エッジ AI についての話が増えています。接続可能なものはすべてエッジで生成され、すでに膨大な量のデータが生成されています。この状況の規模は、すべてのデータをクラウドにアップロードするために利用可能なネットワーク帯域幅をすぐに超えてしまいます。また、今日のネットワークはアップロードではなくダウンロードに最適化されているという事実によって状況は悪化します。これに、コスト、レイテンシー、セキュリティ、プライバシーなどの他の課題が加わると、AI リソースをデータに移行するのではなく、その逆に移行する必要があります。

エッジに AI を導入する方法はいくつかあります。場合によっては、企業は、さまざまなレベルの分析を自動的に実行できるデジタル モーション プロセッサ (DMP) などのテクノロジを含むコンピューティング リソースを統合したスマート センサーを導入しています。

DMP を含まず、単にデータを収集して生の形式で出力し、その後外部ツールで分析する必要があるベース センサーを展開することも可能です。基本的なセンサーでは、望ましい出力を提供するために開発者の作業が多く必要になりますが、スマート デバイスの組み込み AI に縛られるのではなく、「自分でやる」モデルも提供されます。

機器の内部および外部の分析方法

今日は両方のアプローチを見ました。センサーの種類に関係なく、高度なデータ分析と人工知能ソフトウェアをセンサーの近くまたはセンサー内で実行する必要があります。どちらのセンサーアプローチも、コスト、効率、スケーラビリティ、柔軟性の点でそれぞれ長所と短所があります。しかし、最終的にはエッジ環境では、これらの場所の課題を解決するために、何らかのエッジ コンピューティング インフラストラクチャが必要になります。

スマート センサーの場合、これには、生成される大量のデータの処理、常時またはほぼ常時のインターネット接続の必要性、および潜在的に膨大な電力要件が含まれます。リアルタイムでデータを生成する可能性のあるインフラストラクチャ センサーの場合、生成されたデータの 100% を処理のために 2 番目の場所に送信する必要が生じます。

エッジ AI を実装するには、センサー自体を超えた課題にも対処する必要があります。これには、情報技術 (IT) と運用技術 (OT) のスキル間の断絶も含まれます。現場の業務を最もよく理解している人と AI モデルを開発している人は同じではありません。それぞれの役割には異なる優先順位があり、異なる専門知識が必要です。エッジでの AI の実装を成功させるには、これら 2 つのグループが協力する必要があります。

技術的な課題としては、異種環境や大きく変化する状況下での現実世界に AI/ML を展開する複雑さを管理するために、AI ツールの一貫した配信メカニズムが必要であり、モデルとエッジ コンピューティング インフラストラクチャを実装する必要があります。

現在、多くのエッジ AI プロジェクトは研究室または限定的なフィールド試験で行われています。企業が数十万の拠点にわたる完全な本番環境の展開を検討し始めると、多様性、セキュリティ、リソースの制約など、さまざまなエッジの課題に対応できるオーケストレーション基盤を構築する必要があり、同時に、不正確な分析やその他の問題を示す可能性のあるサイトのパフォーマンスを完全に可視化する必要があります。

要約する

今日では、さまざまな小売店、太陽光発電所、製造施設などの分散環境でプロジェクトを成功裏に展開している業界が多く見られます。一部の企業は基本的なセンサーを使用してエッジ ノードにデータを送信し、センサー内にソフトウェアを埋め込んでいます。

自動化されると、例のデータは AI モデルで処理され、世界中のアナリストにリアルタイムで提供されるため、アナリストは 1 時間以内に分析して完全なレポートを作成できます。技術者は分析を行うために物理的に井戸を訪問する必要がなくなり、個人の安全リスクが軽減されます。

仕事や家庭生活に影響を与えるアプリケーションのために、IoT エッジの AI を企業ネットワークにさらに接続する作業を進める際には、スケーラビリティ、セキュリティ、アイデンティティなどの言葉について考え、その安定性を考慮する必要があります。

場合によっては、デバイス自体に重要な決定を任せることもできますが、そうは言っても、非常に基本的なものだと思っていた小さな機械センサーが、今ではかなり高度なデバイスになるためには、自動化、統合、オーケストレーションを行う AI も必要です。

人工知能はまさに最先端にいます。