ナレッジセンター
目次

Q: 工場ではエッジAIとクラウドAIをどう連携させるべきか、投資対効果はどう確実に算出すべきか

A: 工場においてエッジAIとクラウドAIは二者択一の関係ではなく、エッジがリアルタイム制御を、クラウドがモデル学習と全体最適を担う分業の関係にあります。投資対効果は各側で個別に算出したうえで、合算した総額として評価しなければなりません。片側だけを見ていると、数字は必ず偏ります。

第一に、工場で各側が何を担うのかを明確にすること

エッジAIはライン脇の産業用PC、エッジボックス、オールインワン端末上で動作し、ミリ秒レベルの処理を担います。外観品質の判定、設備振動の異常アラーム、AGVの障害物回避、PLCと連動したリアルタイムの判断などです。クラウドAIは重い処理を担います。膨大な履歴データによるモデル学習、複数工場のデータを集約した工程パラメータの最適化、モデル版の管理と配信などです。外観欠陥検査に取り組んだある電子工場では、タクトタイムに追いつくためエッジ推論の遅延を数十ミリ秒まで下げる必要があり、一方で欠陥サンプルのラベリングとモデル反復はクラウドで行いました。どちらか片方だけでは成立しません。一文で言えば、エッジが即時性を、クラウドが進化を保証するのです。

第二に、ROIを3つの帳簿に分けること

1つ目はエッジ側です。エッジサーバー、カメラ、ゲートウェイといったハードウェア、ラインの改造、運用要員の配置が費用となり、見逃し率の低下、手作業再検査ポジションの削減、停止時間の短縮が効果となります。2つ目はクラウド側です。借用または自前構築の演算資源、データ回線、アルゴリズムチームへの投資が費用となり、モデル反復の高速化による歩留まり立ち上げ、工場間展開による開発コスト削減が効果となります。3つ目は連携の帳簿です。クラウドからエッジへのモデル配信までのサイクルがどれだけ短縮され、新ラインの立ち上げが数か月から数週間に短縮されるかです。この部分は最も計上漏れが起きやすいものの、効果への寄与が最大であることも少なくありません。3つを分けて並べて初めて、エッジの即時効果でクラウドの学習コストを補填するといった錯覚を避けられます。

第三に、推測ではなく検証可能な指標で算出すること

算出は、単一ライン、単一工場、複数工場の3つの階層で行います。単一ラインの階層では、製品1個あたりの検査コスト、設備総合効率(OEE)の変化、誤報率を見ます。単一工場の階層では、モデル反復サイクルと運用要員の比率を見ます。複数工場の階層では、ある一套のAIアプリケーションを新しい拠点に複製するのに何日かかるかを見ます。業界からのフィードバックでは一般に、エッジ推論によって応答時間が秒からミリ秒に短縮された後、検査工程の要員を目に見えて最適化できるものの、その幅は工程によって異なるため、自社ラインのデータでベースラインを取る必要があります。15以上の業種、120社以上、3,200台以上の端末にサービスを提供してきたベンダーもありますが、そうした規模のデータは参考レンジとして扱うべきで、そのままコピーする数値ではありません。要するに、指標は割合だけでなくラインの台帳まで遡れるものでなければならないということです。

第四に、実践的な助言です。まず小さなループを閉じ、隠れたコストも計上すること

まず1本の生産ラインでエッジとクラウドを組み合わせたループを完成させ、3〜6か月運用して実際のベースラインデータを取得してから、拡大のペースを決めます。注視すべき隠れたコストは3つです。データのラベリングへの継続投資、エッジ端末の現場運用と保守、そしてモデルドリフト後の再学習の頻度です。ある自動車部品メーカーが外観検査を立ち上げた場合、初年度は効果が控えめで、モデルが安定しライン展開が進む2年目以降に徐々に効果が現れるのが通例ですから、評価期間は少なくとも2年取るべきです。加えて、クラウドの学習演算とエッジの推論演算の比率は規模に応じて動的に調整すべきで、予算を一度決めたら固定してしまうのは避けます。

最後に。エッジとクラウドの連携の価値は、速さとコスト削減のバランスにあります。ROIを3つの帳簿に分けて算出し、2年の期間で評価すれば、短期を過大評価することも長期を過小評価することもなくなります。

分野: AI-FAQ