深層学習（ディープラーニング）の登場以降、社会実装が進む人工知能（AI）。大量のデータから特徴を把握することで飛躍的に精度を高めることができるようになった。一方でマイコンなど、計算資源に制約があるデバイスではこの手法を使いづらいという欠点があった。

そこで注目されているのが、デバイスでデータ処理を行うエッジAIだ。数値制御など、一つのデータ量が少ない場面で強みを発揮する。クラウドコンピューターでデータ処理するのに比べ、通信遅滞が少なくなるのも特徴だ。

今回は機械制御などで、エッジAIを活用する際に知っておくべき検討項目を『エッジAI導入の手引き　生産設備/機器制御への組み込み』（日刊工業新聞社）より抜粋し、紹介する。

実製品にエッジAI/エンドポイントAIを実装するにあたり、必須となる3つの検討項目

実際にエッジAI/エンドポイントAIを実装するにあたり、いくつか必須となる項目があると我々は理解しています。
　その項目には、たとえば、
①AIアルゴリズムに精通していること
②機械制御に精通していること
③組み込みに精通していること
　などがあります（図1）。

①のAIアルゴリズムに精通していることは、既存のAIアルゴリズムがリソースや速度、精度の目標値を達成している場合には必ずしも必須とはなりませんが、一般的に機器にAIを搭載する場合の要件が厳しい場合が多いことから、必須となるケースが多いと考えています。

AIが使用できるメモリ容量は、使用するマイコンのような機器のメモリ容量に依存するため、その中に収めなければなりません。高速な制御が求められる課題では、制御周期に間に合わせることが必要です。さらに、これらを満たした場合、期待する精度を達成できるのかといったことや、長時間使用が前提となる場合には省電力性が高いかといったことが課題となります。

いずれかを満たしていない場合には満たすように調整することが必要ですが、このとき使用しているAIアルゴリズムの特徴を理解していなければ調整ができないため、中身を理解しておくことが大前提です。中身が理解できていれば、調整による改善内容と譲歩内容とのトレードオフが予想できるため、工数を減らしつつ重要な作業に焦点を当てられるようになります。あるいは、別のAIアルゴリズムの検討をするという可能性もあり得ます。異なるAIアルゴリズムを用いる場合は、特性が変わることがあるためあらかじめ結果が大雑把にでも想定できれば、そもそも使用自体が可能かどうかの判断もつけられるようになります。

②の機械制御に精通していることは、適用対象に対する理解のために不可欠な要素です。たとえば、工場のプレス機や切削加工機といった機械課題に対する解決を目的とする場合、情報工学だけに精通している、つまりAIに関して習熟しているだけでは十分な対処はできません。対象がどのような挙動をするかの概要を知っていること、つまりドメイン知識をある程度有する必要があります。とは言え、対象は多岐にわたることを考えると、実際にどのような挙動をするのかの説明を専門家からしてもらった際に、概要が理解できれば十分であるとも言えます。

AIであれば、 ドメイン知識なしでも賢く学習をしてくれそうな気もするかもしれませんが、実際は対象への理解が深いほどAIに賢く学ばせることができます。AIでは良い学習・予測をするためには良いデータが必要と言われますが、この良いデータとは、対象をうまく表現するデータを意味します。切削加工機を例にとると、切削時の機械の振動がデータとして含まれていれば有用であることが多いのですが、これだけでは機械のどの場所の振動の有効性が高いのかを判断することは困難です。こうしたときにドメイン知識を持った専門家がいると、おおよそどの部分の振動値がわかれば加工状況がわかるといったアドバイスを貰えるため、それを参考にすることができます。仮に専門家が、どの場所の振動の有効性が高いかの判断がつけられない場合でも、機械へ多くのセンサを取り付け、データを収集した後に各場所の有効性を判断して、必要となる場所を割り出すことが可能です。

また、AIモデルを作成する側も、課題を抱えている人が目標としている内容を理解できているほど、より良い成果を達成できるはずです。実際に顧客から依頼された内容について検討をしていったところ、実施する内容を変更した方がより良い成果が得られるような提案ができるケースもあります。たとえば、異常検知を行ってほしいと依頼をしてきた顧客がいたとします。詳細に話を伺って異常発生率が高い点が課題であることがわかった場合、異常検知を行うよりも異常発生率を下げる、つまり異常の原因となっている要素が何であるかを調べた方が効果が高い可能性を提案できます（図2）。

このように対象のドメイン知識を保有することで、単純に依頼された内容を実施するにとどまらず、より相手に対して効果の高いコンサルティング要素を含めた提案が可能となります。③の組み込みに精通していることとは、最終的に使用する機器のリソースを考慮して精度の検証を行うべきことを意味しています。

一般的にAIをシステムや製品に搭載する場合、まずはPCなどの扱いやすい機器で精度について検証を行い、目標の精度を達成した後に最終的に使用する機器での検証に移っていく場合が多くなります。ここで注意しなければならないこととして、仮に最終製品が家電のように販売数が多い場合、なるべく一つひとつの機器コストを抑える必要があるため、搭載している計算機器のリソースも少なくすることが挙げられます。こうした事実を無視してメモリが多量に使用できるPCで検証を行った場合、最終的に製品では検証で使用した学習モデルが使えないため、再度AIアルゴリズムとして何を使用するべきかといった検討からやり直さなければならなくなる場合が出てきます。

ところで、現在AIの検証を行う際には、Pythonのscikit-learnをはじめとしたオープンソースがよく用いられています。オープンソースを用いることにより様々なAIを短時間で簡便に試行できるため、AIの選定を行う開発時において作業効率化の観点で優れています。しかし、最終的に製品にAIを載せる場合にもPythonを用いるのか、あるいは用いることができるのかはあらかじめ検討しておかなければなりません。Pythonは便利ですが、スクリプト言語であるため実行速度が遅く、またメモリ管理を厳密に行うことは困難です。そのため、従来はC言語のような組み込みに適した言語を用いて、高速性、メモリ管理が行われてきました。従来通りにC言語を用いる場合であったとしても、使用するAIが決まった後、C言語での実装が必要であることを理解しておかなければなりません（図3）。これらを解決した上でようやく実際の機器を用いて開発、および検証を行うこととなりますが、ここに至るまででも多くの作業が必要であることがわかると思います。

（「エッジAI導入の手引き 生産設備/機器制御への組み込み」p.100-103より抜粋）

＜書籍紹介＞
クラウドAIのデメリットを解消するエッジAIの定義や特徴を披露し、生産性や品質向上に必要な課題の洗い出しと、AI実装法をわかりやすく体系化。生産設備/制御機器にエッジAIを組み込み、最適化を図る進め方を説く。適切なアルゴリズムの選定からデータの加工、ハードウェア選定まで指南する。
書名：エッジAI導入の手引き　生産設備/機器制御への組み込み
編著者名：出澤純一、菅原志門
判型：A5判
総頁数：160頁
税込み価格：1,980円

＜販売サイト＞
Amazon
Rakuten ブックス
日刊工業新聞ブックストア

＜編著者＞
出澤純一（いでさわ　じゅんいち） 株式会社エイシング　創業者　代表取締役　CEO
2007年に大学院修士課程1年時に早稲田大学発ベンチャーとして起業。大学院修了後、ソフトウェア開発、総合卸売、AI研究開発、医療機器研究開発などの事業を行ってきた。2016年に日本総合研究所主催のアクセラレータプログラム「未来2017」に参加し、二次審査通過後に株式会社エイシングを設立。2017年3月の最終審査において「日本総研賞」受賞。2018年には大学発ベンチャー表彰にて経済産業大臣賞を受賞。同年、起業家万博において総務大臣賞を受賞。

菅原志門（すがわら　しもん）
株式会社エイシング　執行役員　CTO
2010年3月、早稲田大学理工学部機械工学科　卒業。2012年3月、早稲田大学大学院創造理工学研究科　修士課程（総合機械工学）修了。2012年4月、日本オラクル株式会社入社。2017年7月、株式会社エイシング入社

＜目次＞
第1章　生産技術者が身につけたいAI活用の視点
第2章　AIプロジェクトの進め方
第3章　機械学習におけるデータ前処理とモデル評価手法
第4章　エッジAI/エンドポイントAIが求められる背景と特徴
第5章　実製品にAIを搭載することを可能にする方法
第6章　既存制御の限界を突破し、生産性を飛躍的に向上〜オムロンでの実践
第7章　導入実績から見えた導入方法の5パターン
第8章　AIの実装やコモディティ化を進めていくために