ディープラーニングではなくDBT。岩手大学発スタートアップ エイシングがエッジAIチップを発表

このエントリーをはてなブックマークに追加

AIのエッジ化が加速します。

岩手大学発のAIスタートアップ エイシングが、独自の機械学習アルゴリズム「ディープバイナリーツリー(DBT)」を用いたエッジAIチップを発表しました。

エッジへのAI組み込みには2つの課題があった

これまで、ディープラーニングをエッジデバイスへ組み込む際には、2つの課題があったとエイシング代表の出澤さんは話します。

――出澤
「1つはハイパーパラメータの調整が、AIエンジニアなどの専門家でないと困難だったことです。もう1つの課題は、膨大な学習計算コストが必要であるためGPUなどを用意しなければならなかったことです」

そこでエイシングが開発したのが、ディープバイナリーツリー(以下DBT)と呼ばれる機械学習アルゴリズムです。エッジへの組み込みを念頭に作られたアルゴリズムで、エッジ側の計算環境を高めるアプローチではなく、機械制御に特化して学習するデータを絞り、エッジ側での学習と予測を可能にしました。

DBTの特徴はこちらです。

  • パラメータ調整にエンジニアが不要
  • 現場によって千差万別の個体差に合わせた調整
  • エッジでの高速学習

これまで人の手で調整が必要だったハイパーパラメータの調整を自動で行い、個々のエッジデバイスに最適化された学習が高速に行われます。

出澤氏によれば、DBTは機械制御に特化しているため、ディープラーニングと比較すると画像処理が苦手。その分メンテナンスコストが低いことや、推論結果が説明可能なことが優位性です。

ユースケースとしては、スマホのバッテリーの経年劣化を学習し電池効率の最適化や、製造メーカーなどのライン制御に用いることを想定しています。リアルタイムで逐次学習を行うため、個々のデバイスに合わせた動的な制御が可能になります。

発表されたエッジAIチップ「AiiR」

このDBTは、3つの形で提供されます。

  • SDKの提供
  • Aiir チップの提供
  • ライセンス提供

従来、DBTを導入する際は、エイシングから提供されるSDKを使い、ユーザー側で開発する必要がありました。チップを発表したことで、ユーザー側で容易に実装できるようになります。

スタンドアローンで、リアルタイム学習と推論が完結する

しかし、チップ単体の販売予定はまだないとのこと。理由は、エイシングではすでに顧客から多くの問い合わせがあるためです。また社内リソースを鑑み、現時点での量産は難しいため。チップは、あくまでDBTのライセンスを検討している企業のためのトライアルとしてを提供されるようです。

エッジAIの必要性はリアルタイム性にある

そもそもエッジで動くAIが必要な理由は、技術の発展により、「学習 → 推論」のプロセスにリアルタイム性が求められるようになったことが挙げられます。

例えば、自動運転を考えてみると、デバイスからデータをクラウドに送り、推論した結果をデバイス側に返すプロセスの、コンマ何秒の遅延が命取り。それを機械側ですべてやってしまおうというのが、エッジコンピューティングの考え方です。

自動運転でなくとも、精密な電子制御が必要な製造機器なども同様に、精密な制御が求められます。エイシングはオムロンとの提携を2018年11月に発表しており、興味深い事例となっています。

オムロンの工場内で使われる巻き線機の中には、蛇行制御機構という装置が内蔵されており、巻き取られる材料が蛇行しないように制御しています。材料が巻き取られる速度は秒速2mとかなり早く、材料のつなぎ目で発生する蛇行によって、10秒間で20mの材料が不良品と判定されていました。

エイシングのDBTを導入した結果、DBTは数10ミリ秒先の状態を予測して蛇行を制御。7秒分の材料が無駄にならずに済むようになりました。

一見、極端にニッチに見えますが、スマートフォンのバッテリーの経年劣化により充電が早くなくなってしまうといった身近な問題も、DBTの機械制御によって緩和できるようになります。

すでにオムロン、デンソー、JR東日本といった企業と提携しているエイシング。ますます需要の高まるエッジAIをさらに加速していくでしょう。