エッジデバイス用のAIモデル作成の課題
エッジデバイスには高性能なAIモデルをそのままの状態で推論できるような高い演算能力はありません。エッジデバイスでAI処理をするためにはエッジデバイス用のAIモデルの作成が必要です。
エッジデバイス用のAIモデルの作成方法として、PC用の高性能なAIモデルを小型化する手法があります。この小型化手法には「枝刈り」や「蒸留」、「量子化」などがあります。これらの手法により小型かつ高性能なAIモデルを作成可能です。しかし、小型化にリソースを要することや小型化により性能が低下し、手戻りが発生する可能性があるなど課題もあります。
東京計器が採用した小型化技術「量子化前提トレーニング：QAT」
東京計器はエッジデバイス用のAIモデル作成の課題をQAT技術で解決します。QAT(Quantization Aware Training)はAIの学習と同時に小型化(量子化)を行う手法です。量子化による精度低下の原因となる誤差を修正しながら学習を行うため、AIの性能を最大限に引き出すことができます。また、QATされたAIは学習中に量子化されるため、学習後の小型化作業無しでエッジデバイスに実装可能です。
QATを簡単に活用していただくための東京計器の取り組み
QATを活用するためにはQATに対応したAIモデルやQATしたAIモデルをデバイスに実装するためのツールが必要です。しかし、QATは新しい技術であるため対応するAIモデルが少ないことや実装ツールが対応していない場合があるなどの課題があります。東京計器はQATを簡単に活用していただくために量子化AI学習環境を提供いたします。この学習環境で提供する画像認識AIモデルはDAPDNAで推論が行えることを確認済みです。また、この学習環境は東京計器の実際のアプリケーションで得られたデータでテストしているため、実際のアプリケーションでもAIが活かせることを確認しています。東京計器は現場で活用できるエッジAIの学習環境の提供を目指します。
