車載エッジの潜在能力を引き出すAI

クラウドAI は膨大な計算能力を提供しますが、自動車への適用においては、ネットワークの遅延、接続の不安定さ、高いデータ通信コストなど、重大な制約に直面しています。対照的に、エッジAI にはいくつかの明確な利点があります：
- リアルタイムの応答性：データをローカルで処理することで、エッジAI は超低遅延の意思決定を可能にし、これは車両がインターネット接続を失った場合でも、安全性と性能に不可欠です。
- コスト効率：ローカルでの実行により、処理のために大量のデータをクラウドへ継続的にアップロードすることに伴う運用コストを大幅に削減します。
- プライバシーとセキュリティ：機密性の高いユーザーデータや車両データを車載機器内に保持することで、プライバシーが強化され、自動車メーカーが新たに制定されるデータ主権に関する規制を順守するのに役立ちます。

エッジAI を導入するには、動的なワークロードに対応できるソフトウェア定義車両（SDV）アーキテクチャへの根本的な転換が必要です。その3つの重要な柱は以下の通りです：
- 高性能ネットワーク：車両は、静的なCANバスから、高帯域幅のイーサネットおよびソフトウェア定義ネットワーク（SDN）へと移行する必要があります。これにより、データフローの動的な構成が可能となり、タイムセンシティブネットワーキング（TSN）を活用して、重要なAI タスクの帯域幅を保証します。
- 構成可能なコンピューティング：自動車メーカーは、専用ECUを汎用的なハイパフォーマンス・コンピューティング（HPC）ECUに統合しつつある。これらはコンテナ化と仮想化を利用してAI のワークロードを分離し、複数のアプリケーションが干渉することなく共有ハードウェア上で安全に実行できるようにする。
- インテリジェントなデータ管理：車両信号を正規化し、データ生成者と消費者を分離して、AI モデルが必要な特定のデータを容易に取得できるようにするためには、サービス指向アーキテクチャ（SOA）と標準化されたデータモデル（COVESA VSSなど）が必要です。

標準的なMLツールチェーンは、通常、豊富なクラウドリソースと柔軟なハードウェアを前提としていますが、これらは制約の多い自動車環境の現実とは一致しません。独自の課題に対処するためには、自動車専用のツールチェーンが必要です：
- 効率的なデータ収集：クラウドとは異なり、トレーニングデータは車内から生成されます。ストレージや転送コストを最小限に抑えるため、ツールは特定のトリガーに基づいて、最も関連性の高いデータのみを選択的に取得できる必要があります。
- リソースを意識した最適化：モデルは、厳格な電力および熱的制約の中で良好な性能を発揮できるよう、量子化やプルーニングなどの手法を用いて、コスト効率の高いECU向けに最適化されなければなりません。
- ローカルでの前処理：データの準備をクラウドで行うことはできないため、デプロイメント・ツールチェーンは、生の車両信号を利用可能な入力に変換するために、必要なすべての前処理ロジックをモデルに直接組み込む必要があります。