エッジAIは、真に変革的なリアルタイムの意思決定を可能にします。しかし、エッジAIの真の力は、モデルが時間とともに学習し改善できるときにのみ実現されます。
AIモデルの継続的な改善は、動的な環境に適応し、モデルのドリフトやエラーに対処し、新しいサービス、機能、より深いパーソナライズを可能にするために重要です。この継続的な学習により、AIソリューションは展開後も長期間にわたって関連性と効果を維持します。
エッジ環境の問題
展開後のトレーニングは、いくつかの理由でエッジで特有の課題を抱えていますが、リソースが主な制約です。モデルのトレーニングはリソースを大量に消費することで知られていますが、パフォーマンスを損なうことなく組み込みシステムで実行する必要があります。サイズの制約のため、組み込みハードウェアはしばしば計算能力、電力、メモリが限られているという事実に内在する困難があります。
リソースの制限を超えて、データのプライバシーとセキュリティは重大な障害を呈します。適切に匿名化または暗号化されていないデータをトレーニングに使用すると、特に機密情報や個人を特定できる情報が関与する場合、法的および規制上の地雷原を作り出す可能性があります。
さらに、エッジ環境は常に信頼性のある帯域幅を持っているわけではありません。モデルがトレーニングのためにインターネットに依存している場合、接続の中断はその機能を妨げる可能性があります。
これらの課題は技術的に複雑ですが、適切な学習方法、トレーニング技術、技術スタックを採用することで克服できます。
エッジAIの学習方法
一般的に、エッジでの展開後のトレーニングは、デバイス自体、クラウド、または共有学習エコシステムのいずれかで行われます。これらの方法を適切なモデル適応技術と組み合わせることで、組織はAIが展開後も学習を続けることを保証できます。
オンデバイス学習 – オンデバイス学習では、AIモデルがエッジハードウェア上で直接トレーニングまたは更新されます。モデルは、自身のセンサーやユーザーとのインタラクションから収集したデータを使用して微調整され、その後、前処理して取り込みます。
このアプローチは動的でリアルタイムのパーソナライズに適しており、データを送信または共有しないことでユーザープライバシーを保護します。しかし、主な欠点は過学習のリスクです。ローカルデータセットが小さいため、モデルがデータを「記憶」してしまい、一般的なパターンを学習できず、新しいデータに一般化できなくなる可能性があります。
フェデレーテッドラーニング – 純粋なオンデバイス学習の代替として、フェデレーテッドラーニングは複数のデバイス間でトレーニングを調整するために中央サーバーを導入します。このモデルでは、中央サーバーがエッジデバイスのフリートにAIモデルを共有します。各デバイスはそのローカルデータセットでモデルをトレーニングし、そのトレーニング結果（生データではなく）をサーバーに送信します。サーバーはこれらの結果を集約し、すべてのデバイスに統合されたモデル更新をリリースします。
モデル更新のみが送信されるため、この方法は帯域幅効率が高く、安全です。しかし、これらの更新を多様なタイプのエッジデバイス間で同期するには、しばしば専門的なソフトウェアが必要です。
クラウドベースの再トレーニング – 第三のアプローチであるクラウドベースの再トレーニングは、従来のモデルトレーニングに最も似ています。この方法では、クラウドプラットフォームがエッジデバイスからデータを収集し、クラウドに送信して中央AIモデルを再トレーニングします。トレーニングが完了すると、更新されたモデルが各デバイスに送信されます。
このアプローチは、より複雑な再トレーニングタスクや包括的なモデル更新をサポートできますが、接続性に大きく依存しており、遅延の影響を受ける可能性があります。さらに、生データの送信はプライバシーの懸念を引き起こし、適切な暗号化がなければ機密情報が露出する可能性があります。
現場でのモデル適応の実践的技術
エッジ環境の特定の制限に対処するために、上記の学習方法と組み合わせることができるいくつかの適応技術があります。
- インクリメンタルラーニング: インクリメンタルラーニングでは、モデルが新しい情報を受け取るたびにそれを取り入れます。このデータは主にモデルを微調整し、ドリフトを管理し、新しいデータパターンに適応するために使用されますが、モデルは元の機能に焦点を当て続けます。一般的な例としては、ウェアラブルフィットネストラッカーが着用者に関する新しいデータで更新されることがあります。
- トランスファーラーニング: インクリメンタルラーニングがモデルを微調整するのに対し、トランスファーラーニングはそれを再利用します。この技術では、大規模で一般的なデータセットで事前にトレーニングされたモデルが、特定のタスクに対してはるかに小さなローカルデータセットを使用して適応されます。これにより、モデルトレーニングに必要な計算、メモリ、エネルギーが大幅に削減され、エッジでより高度なAIの展開が可能になります。たとえば、自動運転システムは、新しい環境に対する物体検出モデルをトレーニングするためにトランスファーラーニングを使用することがあります。
- 継続的学習: 継続的学習は適応をさらに一歩進め、モデルが時間とともに完全に新しい機能を学習できるようにします。ここでは、モデルが新しいタスクを学習したり、新しい能力に適応したりするために、データの絶え間ない流れを取り込みます。インクリメンタルラーニングが元のタスクに焦点を当てるのに対し、継続的学習はモデルのドメインを拡張し、そのエコシステムの重要な変化により適応できるようにします。たとえば、スマートサーモスタットは、新しく設置されたスマートエアコンと統合するために継続的学習を使用することがあります。
実際には、オンデバイストレーニングと継続的学習、定期的なクラウドベースの再トレーニングを組み合わせるなど、複数の技術を活用するハイブリッドアプローチを採用することが最も効果的です。
適切なAIスタックを見つけることの重要性
これらの高度な学習および適応技術は強力ですが、モデルの更新が実際に行われるためには、よく考えられたハードウェアおよびソフトウェアスタックに依存しています。これには、まず第一に、モデルのリソース要求をサポートできるハードウェアと、最小限の入力でトレーニング更新を管理、調整、スケジュール、およびセキュリティを確保できるソフトウェアが必要です。
重要なのは、ハードウェアとソフトウェアが個別のコンポーネントとしてではなく、統一された全体として機能する必要があることです。適切な統合インフラストラクチャがなければ、モデルは展開後に効果的に学習できず、リソース不足からハードウェアの完全な故障に至るまでの重大なボトルネックに直面する可能性があります。
これを解決するために、SECOは最も複雑なエッジAI展開にも対応できる統合ハードウェア、ソフトウェア、およびツールのフルスタックを提供しています。多くのエッジデバイスには、Axeleraの人工知能処理ユニット（AIPU）ハードウェアベースのアクセラレータなどのサードパーティオプションをサポートする専用のニューラルプロセッシングユニット（NPU）およびAIアクセラレータが搭載されています。
この強力なハードウェアを結びつけるのがCleaであり、モジュラーソフトウェアフレームワークであり、展開後の学習のための完全なエコシステムを提供します。Clea AI Studioのドラッグアンドドロップを使用してAIモデルを最初に開発し、それを1つ以上のエッジデバイスに展開し、その後、エッジデバイス上で実行されるモデルが学習を続けることを保証するために必要なすべてを提供します。
最終的な考え
展開後の学習は、モデルがより良いパーソナライズを提供し、動的な環境に適応し、ビジネスや顧客のニーズに応じて進化することを可能にするため、成功するエッジAI実装に不可欠です。モデルの精度と効果を維持するために適切な学習技術を選択することは重要ですが、基盤となるソリューションスタックも同様に重要です。SECOは成功するために必要な統合スタックを提供します。
適応可能で動的なエッジAIを構築する方法について、ぜひお問い合わせください。