次世代IoTシステムにおける環境CV技術

現在、コンピューター ビジョン (CV) テクノロジは転換点を迎えており、主要なトレンドが収束して、多くの場合バッテリーで駆動する、特定の目的向けに最適化された小型エッジ AI デバイスにクラウド テクノロジが広く普及するようになっています。

これらのデバイスが、サイズ、電力、メモリなど、制約のある環境でローカルに複雑な機能を実行できるようにする特定の課題に対処する技術の進歩により、このクラウド中心の AI 技術がエッジにまで拡張され、新たな開発によりエッジでの AI ビジョンが普及するでしょう。

テクノロジーを理解する

CV テクノロジーはまさに最先端のものであり、ヒューマンマシンインターフェース (HMI) の次のレベルを実現します。

コンテキスト認識型デバイスは、ユーザーを認識するだけでなく、ユーザーがいる環境も認識するため、より適切な判断とより便利な自動インタラクションが可能になります。

たとえば、ラップトップはユーザーの注意を視覚的に感知し、それに応じて動作や電源ポリシーを調整できます。これは、省電力 (ユーザーが検出されない場合にデバイスの電源をオフにする) とセキュリティ (権限のないユーザーや望ましくない「潜入者」を検出する) の両方の理由で役立ち、よりスムーズなユーザー エクスペリエンスを提供します。実際、傍観者の視線を追跡することで（傍観者検出）、この技術はさらに一歩進んでユーザーに警告を発し、危険がなくなるまで画面の内容を非表示にすることができます。

別の例: スマートテレビは、誰かがどこから視聴しているかを感知し、それに応じて画質と音質を調整します。 誰もいないときには自動的にシャットダウンして電力を節約できます。 空調システムは、部屋の占有状況に基づいて電力と空気の流れを最適化し、エネルギーコストを節約します。

建物内でのスマートなエネルギー使用のこれらの例やその他の例は、在宅勤務のハイブリッドな作業モデルでは経済的にさらに重要になります。

この技術はテレビやパソコンに限らず、安全監視（立ち入り禁止区域、安全な通路、保護具の強制など）のための物体検出、予知保全、製造工程管理など、製造業やその他の産業用途でも重要な役割を果たします。 農業は、作物の検査や品質の監視など、視覚ベースの状況認識技術から大きな恩恵を受けるもう 1 つの分野です。

コンピュータビジョンの応用

ディープラーニングの進歩により、コンピュータービジョンの分野で多くの驚くべきことが可能になりました。 多くの人は、日常生活でコンピューター ビジョン テクノロジーをどのように使用しているかさえ認識していません。 例えば：

• 画像分類とオブジェクト検出: オブジェクト検出は分類と位置特定を組み合わせて、画像またはビデオ内のオブジェクトを識別し、画像内での位置を指定します。 さまざまなオブジェクトに分類を適用し、境界ボックスを使用します。 CV は携帯電話を通じて動作し、画像やビデオ内のオブジェクトを識別するために使用できます。

• 銀行業務: CV は、不正防止、本人確認、データ抽出などの分野で使用され、顧客体験の向上、セキュリティの向上、業務効率の向上を実現します。

• 小売業: このデータを処理するコンピューター ビジョン システムの開発により、セルフサービス チェックアウトなどの実際の業界でのデジタル変革がより実現しやすくなります。

• 自動運転車: コンピューター ビジョンは、物体 (道路標識や信号など) の検出と分類、3D マップの作成、動きの予測に使用され、自動運転車の実現に重要な役割を果たします。

エッジCV

エッジでのユビキタスな ML ベースのビジョン処理への傾向は明らかです。ハードウェアのコストは低下し、コンピューティング能力は劇的に向上し、新しい方法により、より少ない電力とメモリを必要とするより小さなモデルのトレーニングと展開が容易になっています。これらすべてにより、導入の障壁が低減され、エッジ AI テクノロジーの使用が増加します。

しかし、マイクロ AI がますます普及しつつあるとはいえ、やるべきことはまだ残っています。アンビエント コンピューティングを実現するには、多くの市場セグメントでロングテールのユースケースに対応する必要があり、スケーラビリティの課題が生じる可能性があります。

消費財、工場、農業、小売業などの分野では、新しいタスクごとに異なるアルゴリズムとトレーニング用の固有のデータセットが必要です。ソリューション プロバイダーは、特定のユース ケースの要件を満たすように最適化された ML 対応システムを作成するための開発ツールとリソースをさらに提供します。

タイニーML

TinyML は、エッジにおけるあらゆる種類の AI を実現する重要な要素です。これは、コンパクトなモデル アーキテクチャと最適化されたアルゴリズムを活用して、軽量でエネルギー効率の高い ML モデルをエッジ デバイス上で直接開発するアプローチです。

TinyML を使用すると、AI 処理をデバイス上でローカルに実行できるため、継続的なクラウド接続の必要性が軽減されます。 TinyML 実装では、消費電力の低減に加えて、レイテンシの削減、プライバシーとセキュリティの強化、帯域幅要件の削減も実現します。

さらに、エッジ デバイスはクラウド インフラストラクチャに大きく依存することなくリアルタイムで意思決定を行えるようになり、スマート デバイス、ウェアラブル、産業オートメーションなどのさまざまなアプリケーションで AI がよりアクセスしやすく実用的になります。これにより、機能のギャップに対処し、AI 企業は豊富なモデル例セット (「モデル ズー」) とアプリケーション参照コードを開発して、NPU 製品を中心としたソフトウェアをアップグレードできるようになります。

これにより、定義されたコスト、サイズ、電力制約内で特定のビジネス ニーズを解決するために、ターゲット ハードウェアに適したアルゴリズムを最適化できるようになり、設計の成功を保証しながら、より幅広いロングテール アプリケーションをサポートできるようになります。