A: 一文で言えば、エッジAIが速く安定した処理を担い、クラウドAIが網羅的で深い処理を担い、両者は階層的なモデル配置と双方向のデータフローで連携します。工場では二者択一ではなく、それぞれが得意なことを担います。
1. モデルは2層で動き、学習と推論を分離する
クラウドは大規模な演算が可能で重い処理に適します。たとえば履歴の欠陥画像で外観検査モデルを学習する、全体のデータが必要な生産計画の最適化やエネルギー予測を実行するといった処理です。学習済みモデルは圧縮されてエッジへ配信され、現場のデバイスは推論だけを行います。モデルを使うのであって、学習はしません。これによりエッジに高価なGPUは不要で、応答も速くなります。ある電子部品工場はSMT実装部品の検査で、クラウドで学習しライン脇のエッジボックスで推論を行う構成にし、1枚の判定を数十ミリ秒に短縮し、外部ネットワークにも依存しなくなりました。
2. エッジがリアルタイム制御を担い、ネットワーク断にも耐える
工場が最も恐れるのはネットワークの揺らぎです。エッジAIは現場の産業用PC、エッジゲートウェイ、オールインワン端末に配置され、推論と判断をローカルで完結します。ロボットアームの把持と位置決め、コンベア上の異物除去、PLCと連動したライン停止は、いずれもミリ秒の応答が必要で、クラウドの往復では間に合いません。エッジにはローカルキャッシュとルールエンジンもあるため、外部ネットワークが切れても最新のモデルで動き続け、復旧後にデータを同期します。ある自動車部品メーカーがブレーキパッドの表面を検査する場合を想定すると、エッジが疑わしい部品を先に絞り込み、疑わしい画像とメタデータだけをクラウドへ送って確認するため、帯域の9割を節約できます。
3. クラウドが全体最適化とモデル改善を担う
エッジで毎日生成される推論結果、信頼度の低いサンプル、設備状態のデータは、方針に従ってクラウドへ戻されます。クラウドはこのデータを3つの用途に使います。第1に難しい事例の抽出で、エッジが判断に迷ったサンプルを選び出し、再ラベリングして学習セットに加えます。第2に連合学習的な更新で、複数拠点のエッジモデルの勾配をクラウドで集約し、全体モデルを更新して再配信します。第3にライン横断・拠点横断の相関分析で、たとえば射出成形のパラメータと後工程の組立不良率を関連づけてパターンを見つけます。このループにより、モデルは使うほど精度が上がり、稼働時に固まってしまうことがありません。
4. データパイプラインとスケジューリング層が連携の中枢
エッジとクラウドの間でデータが無秩序に流れるわけではありません。通常は軽量なメッセージキューとルールエンジンがあり、どのデータをローカルに残し、どれをどの頻度で送るかを決めます。たとえば振動センサーデータはエッジでFFT特徴を抽出し、特徴量だけを送って生波形はローカルに残します。スケジューリング層はモデルのバージョンも管理します。クラウドが新しいモデルを学習したら、まず少数のエッジノードへカナリアとして配信し、指標が劣化しないことを確認してから全体へ展開します。ベンダーがソリューションを構築する際、このパイプラインとスケジューリングの能力は、単点のモデル精度以上に導入成果を左右します。
5. 選定時は3つの適合を確認する
第1にシナリオのレイテンシ要件です。ライン制御はエッジ必須、品質分析はエッジ+クラウド確認、業務判断はクラウドで構いません。第2に現場の演算条件です。古いラインにサーバーを置く余裕がなければ、AIアクセラレータカードを載せたエッジボックスや産業用PCを選びます。第3にデータのコンプライアンスと帯域コストです。データを工場の外に出せないならエッジでループを閉じ、拠点間の比較が必要ならクラウドで集約します。現在3,200台以上の端末で稼働しているソリューションの多くは、エッジ推論+クラウド学習のハイブリッド構成で、120社以上、15以上の業種、主に電子、自動車部品、食品飲料の顧客を抱えています。
まとめ: エッジとクラウドを対立するものとして扱わないでください。まずどのタスクがローカルでミリ秒の応答を必要とするかを決め、それをエッジに置きます。次にどのモデルが継続的な改善と横断的な分析を必要とするかを決め、学習と全体最適化をクラウドに置きます。両者を軽量なデータパイプラインで結び、難しい事例が戻り、新しいモデルが配信できるようにします。この組み合わせにより、ラインのリアルタイム性を保ちながら、モデルが硬直しないようにできます。