昨今、人工知能（AI）が大流行しています。単純なパターン認識から天気予報などの複雑なタスクまで、さまざまなアプリケーションが人工知能の使用によって改善されると言われています。
人工AIの分野は数十年前に誕生しましたが、デジタルの普及とユビキタス コンピューティングにより、最近になってようやく広く認知されるようになりました。組織がクラウドとエッジ インフラストラクチャの複雑な世界を切り拓くにつれて、AIの重要性が高まっています。AIを使用して履歴データを活用し、将来のシステム動作を予測することが、最も求められているビジネス価値です。この記事では、AIの基本的な基盤、その意味、関連性、使用例について説明します。デバイスメーカーや製品組織がAIを利用できるようにするソリューションも説明されています。
まずいくつかの用語
AIの世界には、初心者にとっては圧倒されるような用語が溢れています。これらの用語自体は何十年も存在していますが、その意味や解釈は流動的であり、定義が必要になる場合があります。
- アルゴリズム – アルゴリズムは、プロセッサが実行できる命令のセットです。ほとんどのソフトウェア プログラミングでは、タスクを実行するための一連のアルゴリズムを考案する必要があります。アルゴリズムの複雑さは、実行する必要がある各ステップの複雑さと、ステップの数によって決まります。使用されるアルゴリズムのほとんどは単純であり (例: if-thenステートメント)、実行用に特定のルールベースのアクションが割り当てられています。
- 人工知能 (AI) – AIは、外部データを正しく解釈し、そのデータから学習し、その学習結果を使用して特定の目標を達成し、適応によってタスクを実行するシステムの能力として定義されることが多いです。たとえば、AIは過去のデータを活用して将来のデータを予測するモデルを開発できます。さらに、AIは新しいデータから学習し、モデルを適応させて将来のデータをより正確に予測することができます。学習して適応するために、AIは機械学習技術を採用します。
- 機械学習 (ML) – 機械学習には、コンピューターがデータから学習し、明示的にプログラムされなくてもタスクを実行できるようにする数学的アプローチが含まれます。利用可能なデータの種類と実行する必要があるタスクの複雑さに応じて、採用される学習アプローチは多数あります。
- 教師あり学習 では、まず既知の入力データセットと出力データセットを使用してアルゴリズムをトレーニングします。データは事前に分類およびソートされており、アルゴリズムによってそのデータを使用して、入力と出力を関連付ける一般的なルールを学習します。アルゴリズムが既知の入力を使用して、最小限のエラーで既知の出力を正常に予測すると、そのアルゴリズムはトレーニングされ、未知の入力による結果を予測するために使用できるようになります。
- 教師なし学習 は、基礎となるデータに事前に識別されたパターンや関係がない場合に使用されます。基本的にデータにはラベルが付けられておらず、システムが独自に入力間のパターンと関係を識別することになります。データ内の隠れたパターンを発見し、データ内の特徴を抽出することが、教師なし学習アプローチの主な目的です。
- 強化学習 は、アルゴリズムが特定の目標（例：チェスで勝つ、特定のタスクを実行する）に向けられる一種のトレーニングです。アルゴリズムは、特定の目標を達成する可能性を最大化することを目指し、フィードバックを使用して目的への最も効率的なパスを構築します。
- ディープラーニング は、人間の脳が採用している意思決定プロセス (ニューラル ネットワーク) を模倣した技術を採用しています。サンプルデータはアルゴリズムのトレーニングに使用されます。
ただし、学習は教師ありでも教師なしでも行うことができますが、生の入力データからより多くの特徴を抽出するために、常に複数レベルの学習が採用されます。ディープラーニングは人間の脳と同様の方法で情報を処理するため、人間が一般的に行うタスクに応用できます。これは自動運転車を支える重要な技術であり、自動運転車が一時停止の標識を認識したり、歩行者と街灯柱を区別したりすることを可能にします。
高度なAIには、機械学習だけでなく、自然言語処理、推論、計画などの典型的な人間の知能の他の要素も含まれることがよくあります。これらは、人間と対話するロボットや物理的な機械に特に関連しています。
図1: 人工知能、機械学習、ディープラーニングの関係
アプリケーションに必要なAIのレベルを決定する
AIは、さまざまなバリエーション、技術、アプリケーションを備えた広大な分野です。構造化データと非構造化データ入力を使用して既知および未知の状況でタスクを実行するには、さまざまなレベルのAIの洗練度が必要です。以下の表は、AIがより適切な一般的なシナリオをまとめたものです。適切なAIアプローチを使用することで、リソースと時間を最適化し、適切な結果を達成できます。
| AIの高度化/技術 | いつ使うか | 使用してはいけない場合 |
|---|---|---|
| シンプルなアルゴリズム |
• データ駆動型の学習を必要とせずにプログラムできる単純なルール、計算、または事前に決定された手順を使用して、目標値を決定します。 |
• 多くの要因が関係する大規模で非決定的な結果。 |
| 機械学習 |
• タスクは、単純な (決定論的な) ルールベースのソリューションでは適切に解決できません。 |
• 複雑度の低い問題を解決する |
| ディープラーニング |
• システムが自らをトレーニングできるように、数十万または数百万のデータ ポイントからなる大規模なトレーニング データ セットが利用可能です。 |
• 小さなデータセット。 |
| 人工知能 |
• 決断が遅いとコストは高くなります。 |
• トレーニング データセットが小さく、コンピューティング リソースが少ない。 |
IoTおよび組み込みインフラストラクチャにおけるAIアプリケーション
過去20年間、モノのインターネット (IoT) は急成長サイクルを経験してきました。現在、さまざまな分野で大小さまざまなデバイスがネットワークに接続されています。産業、商業、公共、住宅のあらゆる場所に、接続性によって駆動されるデバイスが存在します。この接続を支えているのは、クラウド インフラストラクチャ、通信ネットワーク、エッジ デバイスです。サーモスタット、防犯カメラ、センサーなどはすべて、洞察を得るために分析する必要がある膨大な量の構造化データと非構造化データを収集します。膨大な量のデータとその多様な性質により、洞察を導き出すためにAI技術を適用することが強く推奨されます。セキュリティのための顔認証、工場インフラの予測メンテナンスなどのアプリケーションでは、AIを活用して人間の生産性を高め、コストを節約します。最近まで、AI処理には大量のコンピューティング リソースが必要になるため、AI技術は主にクラウドで導入されていました。データはクラウドで収集およびアーカイブされ、AI分析はエンタープライズ アプライアンスまたは通信エッジ プロセッサで個別に実行されました。ネットワークのエッジにある従来のローカル デバイスには、AIコンピューティング アレイを収容する容量や電力がありませんでした。
新世代のエッジAIチップにより、エッジにAIが導入されるようになりました。AIチップは物理的に小型で、安価で、少ない電力で動作し、発生する熱もはるかに少なくなります。これらの特性を考慮し、現在ではスマートフォン、キオスク、ロボット、産業用機器などのエッジデバイスに統合されつつあります。エッジAIチップは、これらのデバイスがプロセッサ集約型のAI計算をローカルで実行できるようにすることで、大量のデータをクラウドに送信する必要性を減らすか、なくし、速度とデータ セキュリティを向上させます。
図2: エッジAI市場は2020年から2024年にかけて約21%のCAGRで成長すると予想されています。
（出典：MarketsandMarketsおよびDeloitte Insights）
一部のアプリケーションは、特にデバイスのエッジAIチップで処理するにはデータが多すぎる場合に、リモートAIアレイによって処理されるデータに依存しますが、多くのアプリケーションでは、デバイス上とクラウド処理を組み合わせたハイブリッド実装が有益です。生体認証、拡張現実と仮想現実、楽しい画像フィルター、音声認識、言語翻訳、音声アシスタンス、画像処理などは、AIを中核とするアプリケーションのほんの一例です。これらのアプリケーションは、エッジAIチップのないプロセッサやクラウドでも実行できますが、エッジAIチップで実行すると、はるかに優れた動作と高速な実行が可能になり、消費電力も少なくなります (そのため、バッテリー寿命が向上します)。
スタンドアロン エッジAIプロセッサは、比較的安価であることに加えて、フォーム ファクタが小さいという利点があります。Nvidia、Qualcomm、NXP、ST MicroelectronicsのエッジAIチップは、USBスティックほど小さいものからカード デッキほどの大きさまでさまざまで、消費電力は1 ～ 10ワットと低消費電力です。エッジAIを効果的に導入することで、数十万ドルの投資が必要となることが多い非常に高価なデータセンター クラスターの必要性を減らすことができます。Tiny機械学習 (Tiny ML) アプローチの登場により、エッジでのAI分析の推進にも役立ちます。TinyMLは、極めて低い電力でセンサー データのデバイス内分析を実行できる、機械学習テクノロジの優れたサブセットをカプセル化します。これは産業環境で非常に有用であり、エッジでのAIのさらなる普及を促進することが期待されています。
まとめ
AIはあらゆるところに存在し、人間の生産性を劇的に向上させています。データから洞察を得るには、さまざまなAI技術を適用する必要があります。これらの技術は主に機械学習に基づいています。機械学習には、コンピューターがデータ内のパターンを識別し、人間の監督なしにタスクを実行するのに役立つさまざまなアプローチが含まれます。大規模なデータセットと高度に非決定的な結果は、AIアプリケーションに最適です。IoTとネットワーク エッジでの組み込みコンピューティングは、そのようなアプリケーションの1つです。データを収集する何百万ものエッジ デバイスが、エッジでのAI分析情報のメリットを享受できるようになりました。AIチップ ハードウェアとTinyMLを組み合わせることで、ますます複雑化するディープラーニング モデルをエッジのマイクロコントローラー上で直接実行できる、コンピューティングの新しい時代が到来します。
このようなチップの開発により、エッジAIは、特にIoTアプリケーションにおいて、企業に多くの新たな可能性をもたらすことができます。エッジAIチップを使用すると、企業は接続されたデバイスからデータを収集するだけでなく、分析してその分析結果を行動に移す能力を大幅に向上させることができ、同時に大量のデータをクラウドに送信する際のコスト、複雑さ、セキュリティ上の課題を回避できます。Arrowのハードウェア、ソフトウェア、クラウド、サービスの幅広いエコシステムにより、顧客はエッジからクラウドまでAIアプリケーションを開発できます。
参考文献
- AIとアルゴリズム: 違いは何ですか?
- AI、ML、DL: これらを混同しない方法!
- AIをデバイスに導入: エッジAIチップが真価を発揮
- TinyMLが大きなチャンスである理由
