要約: AIoT を実現するテクノロジーは数多くありますが、今回は主にクラウド コンピューティングと分散クラウド、つまりリアルタイム パフォーマンスをもたらすエッジ クラウドについて説明します。
この記事は、Huawei Cloud Community「Future Edge Computing: Towards Distributed Intelligence」から共有されたもので、著者: Cao Jiannong/香港理工大学大学院長、IEEEフェロー、欧州科学アカデミー会員。
過去 10 年間で、クラウド コンピューティングは主流のテクノロジーとなり、多くの業界、政府、組織で IT サービスの運用モードを変化させ、ビジネス モデルやテクノロジーを含む多くの革新をもたらしました。ただし、現在および将来の IoT アプリケーションに直面すると、クラウド コンピューティングにはいくつかの欠点もあります。IoT は、RFID 技術が登場したばかりの 1999 年に誕生しました。スマート ホーム業界に従事する英国の科学者ケビン アシュトンは、RFID が家のすべての物体、またはすべての家具や電化製品に接続されれば、新しい時代が到来すると予見しました。のネットワークが形成されました。このようなネットワークは、当時登場したインターネットにたとえられるため、IoT と呼ばれています。
20年以上が経過した現在、IoTはスマートホームやスマートホームの用途をはるかに超え、物理世界とコンピュータ世界を統合した幅広い応用分野となっています。感知するだけでなく、計算や制御も行うことができ、産業用 IoT、自動運転、車両ネットワーク、大規模なビデオ監視など、スマート シティでの IoT アプリケーションがさらに増える可能性があります。メタバース。これらの新しいアプリケーションは、ネットワーク伝送、計算、制御を識別、認識、実行する方法などの新しい要件をもたらします。これらの要件は非常にインテリジェントな方法で実装する必要があり、従来の IoT テクノロジーでは対応できません。したがって、高度な IoT アプリケーションをサポートするには、新しい IoT テクノロジーが必要です。大量のデータを生成するIoTと、そのデータに基づいたAIの開発、この2つが自然に組み合わさって人工知能「モノのインターネット（AIoT）」が誕生します。大規模なモノのインターネット データにより、モノのインターネット分野における AI の応用が非常に活発になり、そのようなデータは IoT の応用に多くの新しい展開ももたらします。
では、AIはIoTのあらゆる分野に参入して何をもたらすのでしょうか？第一に、分散された IoT データは広く利用できること、第二に、これまで話した「モノのインターネット」の「モノ」はインテリジェントではありませんが、AIoT を使えばあらゆるモノのインターネットに組み込むことができます。 「モノ」を「スマート モノ」に変えることで、単純なデバイスではなく、コンピューティングとインテリジェンスが組み込まれたシステムとなり、ローカルでリアルタイムで賢明な意思決定を行うことが可能になります。では、AIoTはどのようにして発展したのでしょうか? AIoT を実現するテクノロジーは数多くありますが、今回は主にクラウド コンピューティングと分散クラウド、つまりリアルタイム パフォーマンスをもたらすエッジ クラウドについて説明します。同時に、Edgeクラウド上のAIアプリケーションもEdge AIとなり、インテリジェンスをもたらします。IoT デバイスはユーザーが直接アクセスできるため、ユーザーにインテリジェンスとコンピューティングをもたらし、エッジ コンピューティングはさまざまな業界が競争する戦場にもなっています。
ご存知のとおり、エッジ コンピューティングの主な機能は、インターネットに必要なデータとコンピューティングをクラウドからエッジ側に促進し、リアルタイムのデータ処理とインテリジェンスを可能にすることです。エッジ コンピューティングは、ネットワーク上の要件を軽減するだけでなく、計算や意思決定によって生じる遅延も軽減し、リアルタイムのフィードバックを向上させます。分散クラウドとも呼ばれるエッジ クラウドは、多くの利点があるため、主流のテクノロジーとなっています。Gartner は、2021 年にエッジ クラウドを技術トレンドのトップ 10 の 1 つと呼び、ファーウェイ、マイクロソフト、Google、Amazon などの主要なクラウド サービス ベンダーは、独自のプラットフォームや KubeEdge、Beatyl、OpenYurt などのオープン ソース ソフトウェアを含む分散クラウド テクノロジーを推進しています。 Kubernetes テクノロジーをクラウドからエッジまで統合し、クラウドからエッジまでシームレスにタスク実行を実装できます。
エッジ コンピューティングでは、当初は、クラウド上の限られたリソースを持つ IoT デバイスのコンピューティングを、主にコンピューティングのためにエッジ サーバーに置きます。AIoT を使用すると、エッジ サーバーはコンピューティングに加えて、AI のインテリジェントな意思決定とモデルも行うことができます。次のステップでは、 、エッジサーバーとノードが互いに協力する、つまり協調エッジコンピューティングになり、各協調エッジサーバー上のインテリジェンスが分散インテリジェンスになり、これがエッジコンピューティングのトレンドになります。測位を例に挙げると、これまで Wifi や Bluetooth などの無線測位はモデル駆動型でしたが、物理モデルには多くの制限がありました。最大の制限は干渉で、特に屋外環境では、人や物がたくさんある場合には非常に不正確になります。AI の台頭により、データ駆動型のアプローチが非常に一般的になってきましたが、このアプローチの利点は、AI モデルをエッジ ノードに配置して優れたリアルタイム パフォーマンスが得られることです。深層学習または深層ニューラル ネットワークに基づいて距離を推定することにより、信号強度と距離の間の非線形関係を推定できます。同時に、大量のデータのトレーニングにより、耐干渉能力が強化され、エラーが減少します。
食品安全の分野では、EdgeAI を通じて比較的高価な機器やテクノロジーを低コストのエッジ ノードに導入できます。たとえば、真偽の赤ワインの検出では、スピーカーやマイクなどの通常の音波技術を通じて、本物の液体と偽の液体の異なる深部インピーダンスの特性に基づいて、モデルの異常な偽の液体を検出します。この方法の精度は 92% ～ 95% に達します。もう1つの例は、食品の鮮度と真贋の比較で、携帯電話にある低価格の写真を高価な高周波スペクトル画像に送信することで、機械学習手法を使用して識別することができます。これらの技術は広く使われており、エッジコンピューティング分野におけるAIの応用は非常に重要な分野です。
では、AI を分散型エッジ AI に推進するにはどうすればよいでしょうか? 協調的なエッジ コンピューティングを通じて、つまり、エッジ ノードはデータとコンピューティング リソースを共有し、協力してタスクを完了します。このプロセスでは、ノードが協力して分散タスクを完了し、分散インテリジェンスを生成する必要があります。ここ数年、分散インテリジェンスの研究は主に 3 つの側面に焦点を当ててきました。1 つは分散タスクのスケジューリングとタスクの実行、もう 1 つは分散機械学習、つまり分散エッジ AI、そして 3 つ目はエッジ ノードとその構築方法です。分散型 IoT デバイスは、自律的に連携する場合に問題を解決するために分散型の方法を使用します。
分散タスクの実行は、分散インテリジェンスの最も基本的な研究分野です。つまり、異なるエッジ サーバーで実行されるタスクを、分散スケジューリングによってこれらのエッジ サーバー上でどのように共有するかということです。車両ネットワークなどの複雑なタスクは、交通の流れや道路状況を識別する必要があり、複数のサブタスクに分解して、異なるエッジ サーバーに展開するか、クラウドに展開して実行する必要があります。協調的なエッジ コンピューティング シナリオにおけるタスク スケジューリングは、タスク スケジューリング システムとアルゴリズムのスケーラビリティに新たな課題をもたらします。まず、従来の並列および分散コンピューティングと比較して、エッジ コンピューティングのタスクは端末デバイスと Upward によって送信され、タスクの実行中に生成されるデータも同様です。エッジノードによって生成された分散データ、第二に、エッジネットワークはさまざまなノードで構成されており、不安定で帯域幅が限られているため、タスク実行の観点からの通信とコンピューティングリソースも結合されています。
2つ目は、今みんなが研究している分散機械学習です。誰もが知っているように、分散機械学習は実際には新しい分野ではありません。では、分散学習をエッジ ネットワークに促進するにはどうすればよいでしょうか? これには、各エッジ ノードに散在するローカル データとリソースを使用して、主にモデル トレーニングとモデル推論に分かれる機械学習プロセスを共同で完了する必要があります。モデル トレーニングとは、ローカル データを使用して AI モデルを共同でトレーニングする複数のエッジ ノードを指し、その後、これらのエッジ ノードのモデル パラメーターを集約することを指します。モデル推論は、単一または複数のエッジ ノードによる AI モデルの実行を指します。リアルタイム エッジ シナリオにおけるトレーニングと推論のパフォーマンス、速度、精度をどのように確保するかは、実際には多くの課題に直面します。次の図は、クラウドおよびデータ センターでの分散学習とエッジ ネットワークでの分散学習の比較です。
分散型および協調型ビデオ監視の例を挙げると、今日の AI 対応ビデオ アプリケーションはより複雑であることが多く、オブジェクトの定義と位置確認の方法、追跡、再識別の方法など、パイプラインを形成するために多くのモデルのトレーニングと展開が必要です。 、可塑的に識別、動作認識など。そのため、複数の Web サーバー間の連携が必要になります。下の図は協調型ビデオ監視フレームワークで、その下には複数のエッジサーバーがあり、サーバー上のリソースを均一に使用して、統一されたリソースライブラリを形成できます。リソース管理とタスク スケジューリングを通じて、リソースが合理的かつ効果的に使用されるため、ビデオ アプリケーションの AI モデルの開発とパフォーマンスが最適化されます。プラットフォーム層は機械学習サービス、データ サービス、視覚化サービスを提供でき、アプリケーション層はビデオやモニタリングなどのアプリケーションのスケジューリングを実装できます。上記のフレームワークをキャンパスシーンに導入すると、キャンパス内の人の流れや消費電力を監視できると同時に、リソースを意識した分散Egdeを実行し、エッジリソースをより有効に活用して遅延を削減し、保護することもできます。プライバシーとデータ分析。
3 番目の側面は自律的な協力です。つまり、エッジ ノード (ロボットや自動車など) は、動的な環境で独立して意思決定を行い、独自のタスクを実行できますが、統一された方法で協力することもできます。過去の研究では、エッジノードは集中制御、つまり、命令を発行した後、統一されたアクションを実行し、その状態を認識して報告することに限定されていました。分散制御シナリオでは、集中制御はなく、各エッジ ノードは自律しており、その認識は環境に作用し、環境は共有され、環境の変化もエッジ ノードにフィードバックされ、エッジ ノードはさらに実装します。フィードバックに基づく制御、学習と展開。現時点でやらなければならないのは主に分散強化学習です。人間の学習と同じように、強化学習を通じて、車やロボットは周囲の環境を観察し、この環境や状態を他のロボットと共有して協調戦略を学習することができます。具体的には、分散強化学習は主に分散トレーニングと分散実行に分かれます。私たちは完全分散を使用していますが、強化学習自体はすでに非常に難しく、次元削減と学習戦略が必要となるため、分散強化学習を実行することはさらに困難になります。環境自体との相互作用を考慮する必要があるだけでなく、この環境内のロボット間の相互作用も考慮する必要があるからです。インタラクションは学習に多くの課題ももたらします: ロボット戦略の変更は環境の不安定性をもたらします。ロボットの分散トレーニングには個別の報酬フィードバックが必要です。環境によって与えられるフィードバックを 1 台のロボットへのフィードバックに分解する方法や、それを定量化する 各ロボットのチームワークへの貢献; ロボットの数が増えると、学習プロセスに次元の問題が発生します。
私たちはマルチロボットのコラボレーションについて多くの研究と取り組みを行ってきました。強化学習を使用して、単一のロボットがさまざまな通常の車線標識に従うようにトレーニングします。さまざまな色を使用して車線の境界線を描画し、機械学習アルゴリズムを使用して画像から特徴を抽出し、強化学習を使用してこれらの特徴に基づいた軌道に従ってロボットが歩行するように制御します。マルチロボット協力シナリオでは、階層型強化学習を使用して、協調的な車線変更の問題を解決します。まず、ロボットの戦略学習は上位層と下位層に分かれており、上位層は他のロボットの行動を予測するなど、ロボットとロボット間の協調戦略をどのように学習するかというものです。一度決定を学習すると、下位層は主に 1 台のロボットの動作 (ロボットの特定の速度や方向など) を通じて実行されます。従来の強化学習と比較して、このような階層化された強化領域はトレーニング速度が速く、分散型マルチロボットコラボレーションにより適しています。
将来のエッジ コンピューティングでは、分散型インテリジェンスは協調的なエッジ コンピューティングに依存することになります。協調エッジ コンピューティングの現在の 3 つの研究方向は、タスク スケジューリング、分散機械学習、分散自律学習です。具体的には、信頼性の高い機械学習、信頼性の高いタスク スケジューリング、さらにはリアルタイムでのフォールト トレランスを実現する方法、さまざまなロボット、さまざまな車両、物体をパーソナライズし、データのプライバシーを保護する方法、意思決定を改善する方法を研究します。エッジ ノードの速度を向上させ、オフライン コンピューティングとオフライン インテリジェンス研究を通じてクラウドまたは集中制御に対するエッジ ノードの依存を軽減します。
クリックしてフォローして、Huawei Cloudの最新テクノロジーについて初めて学びましょう~