エッジAI

エッジAIは分散型コンピューティング環境を構築し、人工知能（AI）と 人工知能（AI）と 機械学習（ML）アルゴリズムは、リモートサーバーに依存するのではなく リモート・サーバーに依存するのではなく、ローカル・デバイス上で直接処理される。センサーやカメラ、IoT機器など、ソース近くでデータ処理を行うことで エッジAIは、センサー、カメラ、IoTゲートウェイなどのソース近くでデータ処理を行うことで、レイテンシーと帯域幅の使用を大幅に削減します。このアプローチは このアプローチは ミリ秒単位のリアルタイム推論を必要とするアプリケーションに不可欠です、 また、インターネット接続が不安定な環境でも有効です。集中処理からエッジへの移行により、次のようなことが可能になります。 デバイスが独立した判断を下せるようになり データ・プライバシーを強化します。 ローカル・ハードウェアに保持することで、データ・プライバシーを強化します。

エッジAIの仕組み

典型的なエッジAIのワークフローでは、物理デバイスが入力センサーを通じてデータを収集する。生データをクラウド・コンピューティング・センターに送信する代わりに クラウド・コンピューティング・センターに生データを送信する代わりに、デバイスは 組み込みマイクロプロセッサーや専用のアクセラレーターを使用する。 NVIDIA Jetsonモジュールや Google Coral EdgeTPUローカルでMLモデルを実行する。

リソースに制約のあるデバイス上で効果的に機能させるために、モデルはしばしば最適化プロセスを経る。例えば モデルの量子化や モデル刈り込みのような技術は、ファイルサイズと計算量を削減する。 精度を大幅に犠牲にすることなく 精度を大幅に犠牲にすることなく。最適化されたフレームワーク 最適化されたフレームワーク TensorRTや Intel OpenVINO推論エンジンとして機能し 推論エンジンとして機能し 特定のハードウェア・アーキテクチャ上でこれらのモデルを高速化する推論エンジンとして機能する。

エッジAIとエッジコンピューティングの比較

よく一緒に使われるが、この2つの関連する概念を区別することは有益である：

• エッジコンピューティング：これは コンピューティング・パワーとデータ・ストレージを必要な場所に近づける、より広範な物理的アーキテクチャとインフラを指す。 ハードウェアとネットワーク・トポロジーを含む。ハードウェアとネットワーク・トポロジーを含む。
• エッジAI：これはエッジコンピューティングの特定のアプリケーションである。これは、コンピュータ・ビジョン（CV）や コンピュータ・ビジョン（CV）や予測分析などのインテリジェント・アルゴリズムを 予測分析などのインテリジェントなアルゴリズムをエッジ・インフラ上で実行する。

実際のアプリケーション

エッジAIの導入は、自律的なオペレーションやよりスマートな分析を可能にすることで、産業を変革している。

• 自律システム： 自動運転車はエッジAIを活用して、LiDARやレーダー、カメラからの入力を瞬時に処理する。 LiDAR、レーダー、カメラからの入力を瞬時に処理する。歩行者をdetect し、交通標識を読み取り、車線をリアルタイムでナビゲートしなければならない。 車線をリアルタイムでナビゲートしなければならない。クラウドに依存すると危険なレイテンシーが発生する。 そのため、物体検出はすべて そのため、物体検出はすべて車載コンピュータ内で行われる。
• スマート・マニュファクチャリング産業オートメーション 産業オートメーション 組立ラインの目視検査システム。以下のようなモデルを搭載したカメラ Ultralytics YOLO11のようなモデルを搭載したカメラは、製品の欠陥や安全 即座に特定することができます。このローカル処理により、迅速な ロボットアームと統合することで、生産を止めることなく 生産工程を止めることなく不良品を取り除くことができます。
• スマートシティ自治体がエッジAIを導入 を導入。信号機は、交差点でローカルに実行される車両流動分析に基づいて動的にタイミングを調整できる。 交差点の混雑を緩和し、都市のモビリティを最適化する。

エッジへのモデルの展開

エッジ・デバイスにモデルを展開するには、多くの場合、学習済みのモデルをハードウェアに依存しない形式にエクスポートする必要がある。そのため ONNX (オープン・ニューラル・ネットワーク・エクスチェンジ) フォーマットは、モデルをさまざまなプラットフォームで実行できるようにする標準です。

次の例は、軽量なYOLO11 モデルをエクスポートする方法を示しています。 をエクスポートする方法を示します：

from ultralytics import YOLO

# Load a lightweight YOLO11 nano model
model = YOLO("yolo11n.pt")

# Export the model to ONNX format for edge deployment
# The 'dynamic' argument allows for variable input sizes
model.export(format="onnx", dynamic=True)

課題と今後の動向

エッジAIの実装には課題がつきものだ。 膨大なデータセンターと比較すると。 開発者は、モデルの性能とエネルギー消費のバランスを取る必要があり、多くの場合、次のような企業のシステム・オン・チップ（SoC）設計を利用する。 システム・オン・チップ（SoC）設計を利用することが多い。 クアルコムや アンバレラのような企業のシステム・オン・チップ（SoC）設計を利用することが多い。

今後、5Gネットワークの統合により、エッジAIはさらに強化されるだろう。 スウォーム・インテリジェンスと呼ばれるデバイスの連携に必要な高速接続を提供することで、エッジAIはさらに強化される。さらに 連携学習などの技術により、エッジ・デバイスは デバイスは、未加工のデータを分散化し非公開に保ちながら、グローバルモデルを共同で改善することができる。