- AI
- Clea
デプロイの先へ:Edge AIモデルを現場で学習し続けさせる方法
Edge AIは、真に変革的なレベルのリアルタイム意思決定を可能にします。しかし、Edge AIの真価が発揮されるのは、モデルが時間とともに学習し、改善できる場合に限られます。

AIモデルを継続的に改善することは、動的な環境への適応、モデルのドリフトや誤りへの対処、新しいサービスや機能の実現、より深いパーソナライズのために不可欠です。この継続的な学習により、AIソリューションはデプロイされてからも長期にわたって有用で効果的であり続けます。
エッジ環境の課題
デプロイ後のトレーニングは、いくつかの理由からエッジでは特に困難で、中でもリソースが最大の制約です。モデルのトレーニングはリソースを大量に消費する作業として知られていますが、エッジでは性能を損なわずに組込みシステム上で実行しなければなりません。サイズの制約から、組込みハードウェアは演算能力、電力、メモリが限られていることが多く、ここに本質的な難しさがあります。
リソースの制限に加えて、データのプライバシーとセキュリティも大きな障壁です。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うと、特に機密情報や個人を特定できる情報が含まれる場合に、法規制上の厄介な問題を招くおそれがあります。
さらに、エッジ環境では信頼できる帯域幅が常に確保されているとは限りません。モデルがトレーニングにインターネットを必要とする場合、接続が途切れるたびに機能が妨げられ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、トレーニング手法、テクノロジースタックを採用すれば克服できます。
Edge AIはどのように学習するのか
大きく分けると、エッジでのデプロイ後トレーニングは、デバイス上、クラウド上、または共有学習エコシステムを通じた、3つの方法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手法と組み合わせることで、組織はデプロイ後もAIが学習を続けられるようにできます。
オンデバイス学習:オンデバイス学習では、AIモデルをエッジハードウェア上で直接トレーニングまたは更新します。モデルは、自身のセンサーやユーザーとのやり取りから収集したデータを前処理して取り込み、そのデータを使って微調整されます。
この方法は、動的でリアルタイムなパーソナライズに適しており、データを送信も共有もしないため、ユーザーのプライバシーを守れます。ただし主な欠点は過学習のリスクです。ローカルのデータセットは小さいため、モデルが一般的なパターンを学習する代わりにデータを"記憶"してしまい、新しいデータに汎化できなくなる可能性があります。
連合学習:純粋なオンデバイス学習に代わる方法として、連合学習では中央サーバーを導入し、複数のデバイスにわたるトレーニングを調整します。このモデルでは、中央サーバーがAIモデルをエッジデバイスのフリートに共有します。各デバイスは自身のローカルデータセットでモデルをトレーニングし、生データではなくトレーニングの結果をサーバーに送り返します。サーバーはこれらの結果を集約し、統合したモデルの更新をすべてのデバイスに配信します。
送信されるのはモデルの更新だけなので、この方法は帯域幅の効率が良く、安全でもあります。ただし、多様な種類のエッジデバイス間でこれらの更新を同期するには、専用のソフトウェアが必要になることが多いという点が重要な課題です。
クラウドベースの再トレーニング:3つ目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近い方法です。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てクラウドに送信し、集中管理された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り返されます。
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に対応できますが、接続に大きく依存し、レイテンシーの影響を受ける可能性があります。さらに、生データを送信するため、適切な暗号化がなければ機密情報が漏えいするおそれがあり、プライバシー上の懸念があります。
現場でのモデル適応の実践的な手法
エッジ環境特有の制約に対処するため、上記の学習方法に、いくつかの適応手法を組み合わせることができます。
- インクリメンタル学習:インクリメンタル学習では、モデルが新しい情報を届くたびに取り込みます。このデータは主に、モデルの微調整、ドリフトの管理、新しいデータパターンへの適応に使われ、モデルは本来の機能に焦点を保ち続けます。身近な例は、装着者に関する新しいデータで更新されるウェアラブルのフィットネストラッカーです。
- 転移学習:インクリメンタル学習がモデルを微調整するのに対し、転移学習はモデルを別の用途に転用します。この手法では、大規模で汎用的なデータセットで事前トレーニングされたモデルを、はるかに小さなローカルのデータセットを使って特定のタスクに適応させます。これにより、モデルのトレーニングに必要な演算、メモリ、エネルギーが劇的に削減され、より高度なAIをエッジにデプロイできるようになります。たとえば、自動運転システムは転移学習を使って、物体検出モデルを新しい環境に合わせてトレーニングすることがあります。
- 継続学習:継続学習は適応をさらに一歩進め、モデルが時間とともにまったく新しい機能を学習できるようにします。ここでは、モデルが絶え間なく流れるデータを取り込み、新しいタスクの学習や新しい機能への適応に役立てます。本来のタスクに焦点を当てるインクリメンタル学習とは異なり、継続学習はモデルの領域を広げ、エコシステムの大きな変化により適切に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、継続学習を使って、新しく設置されたスマートエアコンと連携できるようになります。
実際には、オンデバイストレーニングに継続学習と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、複数の手法を活用するハイブリッドアプローチが最も効果的であることが少なくありません。
適切なAIスタックを見つけることの重要性
こうした高度な学習・適応手法は強力ですが、モデルの更新を実際に行えるようにするには、十分に練られたハードウェアとソフトウェアのスタックが欠かせません。そのためには何よりも、モデルのリソース要求に対応できるハードウェアと、最小限の入力でトレーニングの更新を管理、調整、スケジューリング、保護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々のコンポーネントとしてではなく、統合された一体のものとして機能しなければならないという点です。適切に統合されたインフラがなければ、モデルはデプロイ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、重大なボトルネックに直面するおそれがあります。
これを解決するため、SECOは最も複雑なEdge AIのデプロイにも対応できるよう設計された、統合されたハードウェア、ソフトウェア、ツールのフルスタックを提供しています。当社のエッジデバイスの多くは、負荷の高いワークロードを処理する専用のNeural Processing Unit(NPU)やAIアクセラレーターを搭載しており、Axeleraの人工知能処理ユニット(AIPU)のようなハードウェアベースのアクセラレーターなど、サードパーティ製のオプションにも対応しています。
この強力なハードウェアを結びつけるのが、当社のモジュラー型ソフトウェアフレームワークCleaで、デプロイ後の学習に必要なエコシステムを一式提供します。ドラッグアンドドロップ操作のClea AI StudioでまずAIモデルを開発し、1台または複数のエッジデバイスにデプロイして、そのモデルが動作するエッジデバイスを問わず学習を続けられるようにするまで、必要なものをすべて提供します。
むすび
デプロイ後の学習は、Edge AIの導入を成功させるうえで不可欠です。モデルがより優れたパーソナライズを実現し、動的な環境に適応し、お客様のビジネスや顧客のニーズとともに進化できるからです。モデルの精度と有効性を維持するには適切な学習手法の選択が重要ですが、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、成功に必要な統合スタックを提供します。
適応性が高く動的なEdge AIの構築をどのように支援できるか、ぜひお問い合わせください。
SECO ニュースレターを受け取る。
seco.com でメールアドレスを登録してください。



