エッジコンピューティングとIoT

エッジコンピューティングは、センサーや IoT 端末などデータの発生源の近くに演算資源を置いて処理する方式である。すべてのデータを遠方のクラウドへ送って処理する方式と比べると、応答の遅延を抑えられ、ネットワークを流れる通信量も減らせる。IoT の応用では、この方式に、学習済みモデルによる推論や、仮想空間に現実を再現するデジタルツインが組み合わされることが多い。

エッジコンピューティングの原理

演算処理をセンサー端末の近くに置くと、データを遠方へ往復させる時間が省かれるため、アプリケーション処理の低遅延化が図れる。加えて、端末側で必要なデータを選んで扱えば、通信トラフィックの最適化にもつながる。 同じ考え方は、データの発生源に近い場所で処理するという点で一貫しており、過去にも同じ趣旨の問題が出題されている。

エッジAIの学習と推論

クラウドで大量のデータから学習させたモデルを、エッジデバイスに配置して判断に使う方式をエッジAIという。エッジデバイスが行うのは、学習済みモデルにデータを入力して識別結果などを得る推論処理であり、モデルを作る学習の処理とは役割が異なる。 正解ラベル付きデータからモデルを作る教師あり学習、正解ラベルなしのデータから構造を見つける教師なし学習、試行錯誤と報酬で行動を学ぶ強化学習は、いずれも学習段階に属する。

デジタルツインとCPS

デジタルツインは、現実の機器や現象を仮想空間にモデルとして再現し、IoT で得た実機のデータを反映させて分析やシミュレーションに活用する考え方である。航空機のエンジンのデータを仮想空間のモデルに反映させ、各パーツの消耗状況や交換時期を予測する用途が典型例である。 同じ趣旨は別の年の出題にも見られ、現実世界の物理的現象をリアルタイムに忠実に再現する点が問われている。

CPS（サイバーフィジカルシステム）は、現実世界のデータで仮想世界を構築し、その分析結果を現実世界の判断に返す仕組みである。都市の構造や活動状況を仮想空間に写し、災害の進行や時間の流れを変えてシミュレーションするような応用が典型である。