エッジとIoTの活用

エッジコンピューティングは、センサーやIoT端末の近くに演算処理の資源を配置し、データを発生源の近くで処理する考え方である。エネルギーハーベスティングは、周囲の環境にある微小なエネルギーを電力に変換して機器へ供給する技術である。IoTを支えるこの二つの技術は名称が似ていても対象が異なるため、仕組みを正確に区別することが求められる。

間欠動作と平均電流の計算

IoTのセンサーノードは、値をゲートウェイへ送るときだけ動作し、それ以外は待機させる間欠動作をとることで消費電力を抑える。動作時の電流が大きくても、動作時間が短く待機時間が長ければ、時間で平均した電流は小さくなる。平均電流は、動作時の電流と動作時間の積に、待機時の電流と待機時間の積を加えた値を、全体の時間で割って求める。

動作時間が10ミリ秒で、動作中は平均10mAの電流が流れ、待機中は0.1μAが流れるセンサーノードを例にとる。平均電流を1μA以下にするための待機時間は、最も短いもので約111.1秒であることが示されている。 この値は、全体のうち動作の占める割合が約0.009%であることに対応する。待機電流が動作電流に比べてきわめて小さいため、待機時間を長くするほど平均電流が下がるという関係が成り立つ。計算では、待機電流の寄与と動作の割合を分けて考えると、式の立て方を誤りにくくなる。

エッジコンピューティングの原理と効果

エッジコンピューティングでは、すべてのデータを遠方のクラウドへ送って処理するのではなく、端末に近い場所で処理する。遠方へ送るデータ量を減らせるため、アプリケーション処理の応答遅延を抑え、通信トラフィックを最適化できる。この効果が、エッジコンピューティングの説明として繰り返し問われている。 演算資源をエッジサーバーやゲートウェイなどに置く構成も、同じ原理に基づく。 試験の表現としては、演算資源をデータ発生源に近い場所に置くという点が要点になる。

エッジAIにおける学習と推論

機械学習を用いたエッジAIでは、学習と推論を役割に応じて分けて配置する。学習はデータの特徴から識別モデルを作る処理であり、クラウドで学習を行い、できあがったモデルをエッジデバイスへ配備する構成がとられる。推論は、学習済みのモデルに新しいデータを入力して識別結果などを得る処理であり、エッジデバイスで行われる。