エッジAI技術への取り組み

クラウドAIシステム

クラウドAIを使って、サーモカメラを使った体温測定器システムを実現する場合、システムは以下の順に動作します。

1. エッジ端末のカメラでユーザを撮影
2. 撮影したサーモ画像をクラウドサーバに送信
3. クラウドサーバでAI技術を使った顔認識処理を行い、体温を測定するための顔の位置を判定
4. エッジ端末に体温測定結果を返し、ユーザに通知

この場合、リソースが豊富なデータセンターなどで処理を行うため、AI処理に必要な計算リソースの心配はありませんが、クラウドに送信する画像データの通信コストが膨らんでしまう問題や、クラウドとの通信で、体温測定結果を返すまでに時間がかかるといった問題が発生します。また、画像データの通信による情報漏洩のリスクも大きくなります。

エッジAIシステム

エッジAIを使って、サーモカメラを使った体温測定器システムを実現する場合、システムは以下の順に動作します。

1. エッジ端末のカメラでユーザを撮影
2. エッジ端末でAI技術を使った顔認識処理を行い、体温を測定する顔の位置を判定
3. エッジ端末で体温の測定結果を表示

エッジ端末にAI処理専用のハードウェアを搭載していればリアルタイムにAI処理を行うことができ、即座に体温測定結果を出すことができます。また、クラウドにカメラ撮影画像を送信する必要が無いため、通信コストを大きく削減でき、画像データが漏洩してしまうリスクも低減できます。

AIモデルの構築

先ほど例に挙げた体温測定システムのように、AI技術を用いることで、カメラに映った人物や顔の位置を判別することができます。この技術は物体検出技術を呼ばれており、多方面で実用化されています。

物体検出システムを動作させるためにはAIに検出対象（体温測定システムの例では人の顔）を学習させて構築したAIモデルが必要になります。このAIモデル構築は、次のような開発工程となります。

モデル設計

AIシステムの要件分析後、要件を満たすAIモデルの設計が必要になります。自前でモデル設計を行うことで目的に応じたAIモデルを構築できますが、設計・開発コストは大きくなります。目的に応じてオープンソースで公開されているAIモデルを選定し活用することモデル設計作業の効率化になることもあります。

データ作成

検出対象をAIに学習させるため、まず学習用の画像を大量に収集する必要があります。AI学習用の画像は、世の中で公開されているオープンなデータセットもあり、これらを活用できる場合は容易に画像データを集めることができます。データセットが存在しない場合やデータのライセンス条項に合わない場合（商用利用不可など）、学習用の画像データを自前で撮影するなどして収集しなければなりません。

学習

集めた画像をAIに学習させるためには画像を繰り返し解析させる必要があり、膨大な計算リソースが必要になります。多くの場合AIモデルの学習ではGPUなどのAI学習に特化したハードウェアを搭載したマシンを長期間動作させる必要があり、大きなコストがかかります。

デバイス実装・推論・評価

学習したモデルをエッジAI端末に移植し、推論動作と評価を行います。評価の結果、要件を満たす性能が実現できていなければ、再度モデル設計、データ作成工程に戻り、AIモデルの性能改善に取り組む必要があります。

エッジAIシステムの端末選定

エッジAIシステムを構築するためには、現地でAI処理を行うエッジAI端末が必要になります。エッジAI端末を選定する上で大きく次の２つのポイントを検討する必要があります。

• システム機能要件を満たすためのハードウェア性能
• システムに求められる耐久性・信頼性

エッジAIシステムのカメラ選定

エッジAIで物体検出を実現する場合には端末にカメラを接続する必要があります。エッジAIで用いるカメラを選定する際は、カメラスペックについては特に画角（視野角）・解像度・照度に留意する必要があります。