用語集

エッジコンピューティング

エッジコンピューティングのパワーを発見:効率を高め、レイテンシを削減し、ローカルデータ処理でリアルタイムのAIアプリケーションを実現します。

エッジコンピューティングは、計算とデータストレージを必要な場所に近づけることで、応答時間を改善し、帯域幅を節約する分散コンピューティングパラダイムである。エッジ・コンピューティングは、未加工のデータを集中管理されたクラウドサーバーに送信して処理する代わりに、データの送信元またはその近くでローカルに計算を実行する。この「エッジ」は、スマートフォンやIoTセンサーから、工場フロアのローカルサーバーまで何でもあり得る。このアプローチは、多くの最新AIアプリケーションに必要な低レイテンシーを実現するための基本である。

エッジコンピューティングと関連概念

エッジコンピューティングを他の密接に関連する用語と区別することは重要である:

  • 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す。エッジコンピューティングとは、あらゆる種類の計算をネットワークのエッジに移動させる一般的な手法を指すが、エッジAIは特に、機械学習モデルやAIのワークロードをエッジデバイス上で直接実行することを指す。すべてのエッジAIはエッジコンピューティングの一形態ですが、すべてのエッジコンピューティングがAIを含むわけではありません。
  • クラウド・コンピューティングクラウド・コンピューティングは、強力な計算を実行し、膨大な量のデータを保存するために、大規模な集中型データセンターに依存している。エッジ・コンピューティングは分散型である。この2つは互いに排他的なものではなく、ハイブリッドモデルで併用されることも多い。エッジ・デバイスが最初のデータ処理とリアルタイムの推論を行う一方で、時間的な制約の少ないデータをクラウドに送信し、さらなる分析、モデルのトレーニング、または長期保存を行うこともある。
  • フォグ・コンピューティング:エッジコンピューティングと同じ意味で使われることが多いフォグコンピューティングは、「フォグノード」またはIoTゲートウェイがエッジデバイスとクラウドの間に位置する、少し異なるアーキテクチャを表している。OpenFog Consortiumが説明するように、中間層として機能し、クラウドに到達する前に複数のエッジデバイスからのデータを処理する。

エッジコンピューティングがAIに不可欠な理由

AI処理をエッジに移すことで、最新のアプリケーションに不可欠ないくつかの大きな利点が得られる:

  • 低レイテンシー: 自律走行車や ロボット工学のようなアプリケーションでは、ミリ秒単位で意思決定を行う必要がある。クラウドサーバーへのデータの往復を待つのは、多くの場合時間がかかりすぎます。エッジ・コンピューティングは、デバイス上での即時処理を可能にします。
  • 帯域幅の効率化:何千台もの監視カメラの高解像度ビデオをクラウドにストリーミングし続けると、膨大なネットワーク帯域幅を消費します。エッジでビデオを分析することで、重要なイベントやメタデータのみを送信すればよくなり、帯域幅の使用量とコストを大幅に削減できます。
  • プライバシーとセキュリティの強化:顔認識データや医療画像分析などの機密情報をローカルデバイスで処理することで、インターネット上での露出を最小限に抑え、データのプライバシーを向上させます。
  • 運用の信頼性:エッジデバイスは、常時接続のインターネットとは独立して動作することができます。これは、農業AIや海上石油掘削施設など、接続が不安定な遠隔地での産業用IoTに不可欠です。

実世界での応用

エッジコンピューティングは、より高速で信頼性の高いAIを実現することで、産業界を変革している。

  1. スマート・マニュファクチャリング工場では、Ultralytics YOLO11のようなコンピュータビジョンモデルを搭載したカメラが、組立ラインで直接リアルタイムの品質管理を行うことができます。エッジ・デバイスがビデオ・フィードを処理して欠陥を即座に検出し、クラウドへの映像送信の遅延なしに即時介入を可能にします。これは、最新のスマート製造ソリューションの中核をなす要素です。
  2. 自律システム: 自動運転車は、エッジコンピューティングの代表的な例です。NVIDIA Jetsonプラットフォームなどの強力なオンボード・コンピュータを搭載し、多数のセンサーからのデータをリアルタイムで処理して、ナビゲートし、障害物を回避し、道路状況の変化に対応する。このような重要な機能をクラウドに頼れば、生命を脅かす遅れが生じる。

エッジのためのハードウェアとソフトウェア

エッジコンピューティングを効果的に実装するには、特殊なハードウェアと最適化されたソフトウェアの組み合わせが必要だ。

  • ハードウェアエッジデバイスは、低消費電力のマイクロコントローラーから、より強力なシステムまで多岐にわたる。これには、Raspberry Piのようなシングルボードコンピュータ、モバイルデバイス、Google Edge TPUやその他のGPUのような特殊なAIアクセラレータが含まれます。
  • ソフトウェアエッジに配置されるAIモデルは非常に効率的でなければならない。これには、モデルの量子化やモデルの刈り込みなどの技術を使用して、モデルのサイズと計算要件を削減することがよくあります。TensorRTOpenVINOなどの最適化された推論エンジンやONNXのようなフォーマットのランタイムは、パフォーマンスを最大化するために使用される。さらに、Dockerのようなツールがコンテナ化に使用され、分散エッジデバイスのフリート全体へのモデルの展開と管理を簡素化します。

Ultralyticsコミュニティに参加する

AIの未来に参加しませんか。世界のイノベーターとつながり、協力し、成長する

今すぐ参加する
クリップボードにコピーされたリンク