A: エッジ AI とクラウド AI は二者択一ではなく、両者を対立する選択肢として扱うのがよくある誤りである。工場で実際にうまく回る構成は、エッジがリアルタイムの閉ループを担い、クラウドが学習とライン横断の調整を担い、両者がモデル配信とデータ返送を通じて一つのループを形成する形である。以下、シナリオ別に整理する。
ある自動車部品メーカーのプレス工場に、外観欠陥の検出のために検査ステーションへ産業用カメラが設置されているとする。最初の計画では全画像をクラウドに送って推論したが、ラインは毎分 60 個を流れ、ネットワークの往復と待ち行列による遅延がしばしば 2 秒を超えた。不良品はアラームが鳴る前に次のステーションへ到達しており、遮断は行われなかった。これが第一の落とし穴である。遅延が重要な推論をクラウドに置いてしまうことだ。正しい方法は、推論モデルをエッジの産業用 PC やエッジボックスに配置し、単一フレームの推論を数十ミリ秒以内に収め、検出結果をラインの PLC に直接連携して排除動作を行わせ、クラウドは難しいサンプルを定期的に収集し、モデルを再学習して配信し直す役割に限定することである。ここで重要なパラメータはエンドツーエンドの遅延であり、生産ラインの閉ループ制御では一般にエッジ側で 100 ミリ秒以内の応答が求められ、クラウドの往復では安定して満たせないことが多い。
第二の落とし穴は、エッジにクラウドは不要だと考えることである。モデルを一度エッジ機器に書き込んだきりで作業が完了したと考える工場もあるが、半年後には照明の変化や新材料のロットによって誤検知率が上がり、誰も見ていないという事態になる。エッジ機器の演算資源は限られ、大規模モデルの学習はできないため、モデルの反復にはクラウドに頼らざるを得ない。妥当な分担は、クラウドがデータのラベリング、モデル学習、バージョン管理を担い、エッジが推論と軽量な逐次更新を担い、新しいモデルを数十台のエッジ機器へ無線で配信する形である。ここで問題になるのがモデルのバージョン整合性の管理である。工場には数十本のラインと数百のエッジノードがあることが多く、バージョンが混在すると原因調査のコストが膨らむ。
第三の落とし穴は、すべてのデータをクラウドへ送ることである。工場では大量の画像や振動の時系列データが発生し、1 本のラインで 1 日に数十ギガバイトになることもある。全量を送ると帯域を消費し、保管コストも増える。実際には、エッジでデータを選別して特徴量を抽出し、異常サンプル、信頼度の低いサンプル、統計特徴量だけをクラウドへ返し、生データはエッジ側で数日分を順次上書きで保持する。これによりモデルの反復に必要な情報を確保しつつ、ネットワークとストレージの負荷を抑えられる。
補足 1:エッジの演算能力はどう見積もるか。推論タスクによる。単純な分類や検出は低消費電力のエッジボックスで動く。複数の高精細映像ストリームを同時に推論するなら、GPU や NPU を搭載したエッジサーバーが必要になる。TOPS とメモリ帯域に注目すべきで、ピーク性能だけで判断してはならない。実際のラインでは、持続的な安定動作と熱設計のほうが重要である。
補足 2:クラウドの学習とエッジの推論の整合性はどう保つか。モデルのバージョン番号とカナリア配信の仕組みを整える。新しいモデルはまず 1 本のラインで動かし、指標を満たしてから一括配信し、エッジ機器が前のバージョンへ切り戻せるようにする。そうすれば、一度の更新で工場全体が誤検知に陥る事態を避けられる。
補足 3:ネットワークが切れたらどうなるのか。エッジはオフラインで独立して動作できなければならず、推論と排除のロジックがクラウドに依存してはならない。クラウドは非リアルタイムのタスクのみを担い、エッジは通信断の間データをキャッシュし、復旧後にまとめて送信する。
向いている場面と向かない場面:ラインやステーションが多く、リアルタイムの遮断が求められるシナリオに適する。外観検査、設備振動の異常予兆、AGV の運行指示などが該当する。向かないのは、エッジをシンクライアントのように扱い、すべてのロジックをクラウドに依存させる構成や、エッジ機器がごく少数でモデルが変わらない試験的なプロジェクトである。その場合はクラウドへ直接つなぐほうが単純だ。判断の基準は一つである。閉ループにミリ秒から百ミリ秒級の応答が必要かどうか。必要ならエッジ、不要ならクラウドを第一選択にしてよい。