A: エッジAIとクラウドAIは二者択一ではなく、エッジがリアルタイムのクローズドループを回し、クラウドが全体最適を担うという分業です。前提として、データレベルで取得、ラベリング、モデル配信、フィードバックという4つの環をエンドツーエンドで接続する必要があります。
1. まず誰が何をするかを明確にする
エッジはミリ秒の応答とオフライン可用性を担います。ラインの画像検査、設備振動の異常アラーム、AGVの障害物回避、PLC連動の緊急停止判断など、データを上げてクラウドの返答を待つ時間がない場面です。クラウドはライン横断・工場横断の全体作業を担います。多数の機械にまたがる故障傾向のモデリング、工程パラメータの最適化、品質の根本原因分析、モデル学習と版管理などです。エッジノードすら置かず全データを一気にクラウドへ送る工場は、まず帯域と遅延で詰まります。逆にエッジだけでクラウドを使わなければ、モデルは出荷時の版のままで、使うほど精度が落ちます。
2. データ層その1:取得と時刻の同期を統一する
エッジAIは高頻度の時系列データと高解像度画像を消費し、クラウドは集計された特徴量とラベルを消費します。そのため現場には統一的なデータ取得層が必要で、PLC、センサー、カメラ、ロボットのデータを共通のタイムスタンプに揃えます。ある自動車部品企業のプレス職場で、圧力曲線はPLCから、金型温度は別の温調器から、外観欠陥画像は産業用カメラから得ているとします。この3系統が時刻同期していなければ、「温度異常が割れを招いた」というエッジの判断は単なる推測です。実務では、エッジノードでローカルにキャッシュと前処理を行い、生データを一定期間保持し、特徴量データだけをアップロードします。
3. データ層その2:ラベリング体系とサンプルのフィードバック機構
クラウドの学習はラベル付きサンプルに依存し、ラベルは通常エッジと検査ステーションで作られます。フィードバック経路を設計します。エッジが不良疑いと判断したサンプルは自動でラベル付けされてアップロードされ、人手の再判定結果が書き戻され、クローズドループが形成されます。この仕組みがなければ、クラウドのモデルは水源のない水です。ある電子工場のSMT実装検査が典型です。エッジがまず疑わしい基板を選別し、画像と判定結果がクラウドに戻って増分学習が行われ、新しいモデルがエッジに配信され、週次のサイクルで反復します。
4. データ層その3:モデル配信と版管理
エッジ端末は数十台から数百台、型式もさまざまなので、モデルリポジトリと段階配信の能力が必要です。新しいモデルはまず1ラインで動かし、指標を満たしたら一括配信し、問題が出たらワンクリックでロールバックできるようにします。これはMLOpsの範疇で、多くの工場がここで失敗します。モデルは学習できたのに配信できないのです。
5. データ層その4:ネットワークと計算の基盤
エッジにはAIアクセラレーション付きの産業用計算機か産業用PCが必要で、クラウドには柔軟な計算プールが必要です。ネットワークは、近年多くの工場がプライベート5Gや産業イーサネットをバックホールに使っているので、上り帯域が画像サンプルの伝送に足りるかを評価します。データ分類も重要です。工程レシピなどの機密データはエッジかプライベートクラウドにとどめ、すべてをパブリッククラウドに上げないようにします。
私の助言:最初から大きなプラットフォームを展開しないこと。1ラインをエッジとクラウドの協働のモデルとして選び、時刻同期、サンプルのフィードバック、モデル配信を動かしてから他の職場へ横展開します。この進め方は製造業のデジタル化でかなり成熟しています。ERP時代から数十年この分野に取り組み、120万社の顧客にサービスを提供し、累計数千万台の端末を導入し、国内・海外の両市場をカバーしてきたベンダーは、エッジゲートウェイとクラウドプラットフォームを通じてエンドツーエンドのデータパイプライン能力を提供できることが多いので、選定時は自前で車輪を発明するのではなく、既製のサンプルフィードバックとモデル管理のモジュールがあるかを確認してください。