エッジ AI がオンデバイスのインテリジェンスで産業を変革する方法

AI の普及が進む中、AI を効率的かつ費用対効果の高い方法で採用することに関する現実的な課題は解決されていません。エッジ AI は、人工知能の最も影響力のある適応の 1 つです。なぜなら、データ生成のソースや意思決定が行われるエンドポイントに、AI ワークフロー全体を近づける必要があるからです。エッジ・コンピューティングは、AI のパワーで支えられています。  

エッジ AI とは 

エッジ AI は、複雑な手術を完了するために分析を必要とするロボット手術機器から、質問に一瞬で応答するスマートフォンの音声アシスタントまで、あらゆるものに提案されています。エッジ AI は、データ収集、分析、意思決定をローカル（エッジ）で実行することを可能にします。データをクラウドに送受信する必要はなく、クラウドのコンピューティング・リソースも不要です。これにより、既存のコネクテッド・アプリケーションの高速化と応答性が向上し、ワイヤレス・ネットワークが脆弱な遠隔地など、より多くの設定に AI アプリケーションを配置できます。

エッジ AI は、AI の開発やインフラへの投資から具体的な成果を引き出すために必要な触媒となる可能性があります。エッジの AI は、リッチで機能的な低遅延のインテリジェンスをより多くのユースケースに導入し、AI をより効果的に価値の創出を可能にします。 

エッジ AI の仕組み

エッジ AI は、いくつかの実現技術の進化によって実現されています。 

• 機械学習の能力は、現実世界の問題を解決するカスタム・エッジの AI アプリケーションをより容易に開発・展開できるところまで進歩しました。
• GPU と並列処理の進歩により、エッジでの AI の実行に必要な強力な自己完結型コンピューティング・ハードウェアの導入が可能になりました。
• IoT は新しい技術ではありませんが、エッジで AI に不可欠なもう 1 つの原材料であるデータを提供します。コンピューティング・パワーが組み込まれているため、IoT デバイスをインターネットに接続しなくても、重要な機能を実行し、収集したデータに基づいて行動できます。 

エッジ AI とクラウド AI：完璧なパートナー

エッジ AI とクラウド AI は、どちらか一方を選択するものではありません。組織が独自の AI アプリケーションを最も効率的な方法で展開するための補完的なツールです。クラウドは、少なくとも無線ネットワークの範囲内にあるインスタンスに対して、エッジ AI をトレーニング、展開、管理するチャネルを提供し、高負荷やエッジ展開では処理できない計算のために追加のコンピューティングを提供することで、依然として重要な役割を果たしています。クラウドは、アプリケーションの継続的な最適化や、組織内の他の場所での使用のためにもデータを収集します。 

分散型 AI（DAI：Distributed AI）は、利用可能なリソースを全て活用して目標を達成することをめざすハイブリッド・アプローチです。エッジ AI は、クラウドの使用と比較して、タスクの達成に安価な方法ですが、これは、特定のユースケースや特定の条件下、例えば、サービス・プロバイダが使用量に応じて料金を請求する場合に限って当てはまります。DAI は、エッジ・デバイス、クラウド、ネットワークを利用して、処理能力、遅延、コスト、ネットワーク・トラフィック、セキュリティなどのパラメータに基づいて AI ワークロードを共有します。 

エッジ AI のメリット：ROI を見極める

エッジ AI の主なメリットは、クラウドに接続された AI と比較して低遅延であり、性能が高速であることです。さらに、ネットワークのない環境でも AI を展開できます。エッジ AI は、ネットワーク変数なしで、ミッションクリティカルなアプリケーションの可用性と信頼性を向上させます。また、機密データのプライバシーを強化し、サイバー犯罪者の攻撃対象範囲を限定する場合もあります。ネットワークの利用状況や関連コストの制御を求める組織にとって、エッジ AI は、特に DAI システムの一部として使用される場合に、効率的なソリューションです。 

ただし、全ての AI をエッジで実行する必要はありません。追加ハードウェアのコストは、提供できる価値と比較する必要があります。エッジ AI は、特に大規模な管理を試みる場合に、課題を増大させる可能性があります。このオプションが利用できる場合、クラウドに接続されたエッジ AI ノードの集中制御と管理は、自律型デバイスの性能向上よりも有利です。 

エッジ AI の課題

エッジ AI は有望ですが、データ・ストレージのインフラと管理において大きな課題に直面しており、ビジネスの成果、ROI、投資判断に直接影響を与えます。主な課題を 5 つご紹介します。

1. 限られたストレージ容量とスケーラビリティ

通常、エッジ・デバイスはストレージ容量が限られており、大量のデータをローカルに保存して処理することが困難です。この制限は、AI アプリケーションを効果的に拡張する能力を妨げ、リアルタイムのデータ処理と意思決定のボトルネックにつながります。非効率的なデータ処理は知見が得られるまでに時間がかかり、タイムリーな意思決定に影響を与え、エッジ AI が約束する競争力を低下させる可能性があります。

2. データ管理の複雑さとリモート管理

エッジ AI は、リアルタイムで、しばしば不完全でノイズの多いデータを管理する必要があり、データの品質と信頼性を複雑にしています。正確な AI モデルの出力には、データの完全性を確保することが不可欠です。データ品質の低下は、知見の欠陥をもたらし、ビジネス上の意思決定に影響を与え、最終的には ROI に影響を与える可能性があります。高品質のデータ管理は、AI の価値を最大化するために不可欠です。また、エッジ・ロケーションではオンサイトの IT サポートが不足する傾向があり、リモート管理が容易なソリューションが必要です。

3. データのオーバーロードと冗長性

エッジで生成される膨大な量のデータは、データ集約や冗長性に非効率性をもたらす可能性があります。これにより、データ転送とストレージのコストが増大します。ストレージがスケーラブルで、相殺されるのに十分な性能でない限り、過剰なデータ処理コストは、エッジ AI による潜在的な ROI のメリットを損ないます。

4. 電力とリソースの制約

エッジ・デバイスは、電力やリソースの制約下で動作するため、AI モデルの性能を損なうことなく低消費電力に最適化する必要があります。リソースの非効率的な利用は、エッジ AI ソリューションの展開を制限し、リアルタイムの知見を提供する能力に影響を与え、全体的なビジネス効率に影響を与える可能性があります。

5. 統合と相互運用性の課題

ベンダー・エコシステムの断片化や、エッジ AI と既存のシステムとの統合の複雑さにより、シームレスなデータ管理や処理が妨げられる可能性があります。統合の課題は、エッジ AI への投資による ROI の実現を遅らせる可能性があります。多様な環境における AI ソリューションの展開とスケーリングが複雑になるためです。

これらの課題に対処することは、エッジ AI のメリットを最大化し、投資が具体的なビジネス成果をもたらすために不可欠です。堅牢なデータ管理戦略を開発し、ストレージ・インフラを最適化することで、組織はエッジ AI の可能性を最大限に引き出し、意思決定を強化し、ビジネスの成長を推進できます。

ユースケース

エッジ AI の最もエキサイティングなユースケースには、例えば、鉱山、農場、未開発エリア、宇宙空間など、ネットワーク圏外の遠隔地に自律的な意思決定をもたらすものがあります。また、自動運転車や軍用ハードウェアの地理的範囲やシステム性能にも対応します。 

さらに、エッジ AI は、既存の AI のユースケースの性能向上にも役立っています。例えば、医療環境や工場環境において、データをクラウドに送信して処理するロボット・デバイスは、より迅速に応答し、より正確に動作することができます。 

エッジ AI の成功を支える適切なデータ・ストレージ

エッジ AI アプリケーションの課題に対処するには、適切なデータ・ストレージ・ソリューションの選択が不可欠です。特に、エッジ・ロケーションの遠隔性やスペースに制約があることが多いためです。ピュア・ストレージは、エッジ AI データ・ストレージのインフラと管理における課題に、次の方法で対処します。

• データのオーバーロードと冗長性の管理：ピュア・ストレージの階層型アーキテクチャは、アクセス頻度の高いデータを高速ストレージに保存し、アクセス頻度の低いデータを費用対効果の高いストレージにアーカイブすることで、データのオーバーロード管理を支援します。このアプローチは、データ送信とストレージに関連するコストを削減します。
• 電力とリソースの制約を回避：ピュア・ストレージのプラットフォームは、他のオールフラッシュ・ストレージ・ベンダーと比較して最大 85% の消費電力を削減し、大規模な AI クラスタやパワー・キャップ・データセンターの電力制約に対処します。この効率性は、最適化されたリソース使用率をサポートします。FlashArray//RC20 は、低容量環境やエッジ展開のニーズに応えるように設計されています。
• 統合と相互運用性の課題を克服：ピュア・ストレージのソリューションは、GPU クラスタなどの既存のシステムとシームレスに統合できるように設計されています。多様な AI ワークロードのための統合プラットフォームを提供し、データ管理を簡素化し、さまざまな環境間での互換性を確保します。

FlashBlade//EXA の詳細と、要求の厳しい AI ワークロードに比類のない性能とスケーラビリティを提供する方法をご覧ください。