JP7216501B2 - エッジサーバおよびエッジサーバにおけるａｉ学習モデル生成・運用方法 - Google Patents

Description

本発明は、エッジ（edge）側に設置されるエッジサーバに関し、さらに詳しくは、クラウド（cloud）側にて、エッジ側の学習対象機器に取り付けられたセンサのセンサデータをＡＩ（artificial intelligence：人口知能）技術を利用して、例えば、機械学習(Machine Learning)した学習モデルをクラウド側からダウンロードしてエッジ側にフィードバックし、エッジ側の学習対象機器の制御に適用する機能を有するエッジサーバおよびエッジサーバにおけるＡＩ学習モデル生成・運用方法に関する。

従来技術として、上位にあるクラウド側にて、下位にあるエッジ側、例えば、工場やビルなどに設置された学習対象機器の温度、振動、スピード、電力などの状態を検知する各種センサのセンサデータを、ネットワークを介して直接吸い上げ、クラウド側のサーバ（コンピュータ）における人口知能装置（以下、ＡＩ装置と称する）にてエッジ側の各種センサのデータ（学習する入力データ）を元に機械（＝関数）学習し、当該機械学習して得た学習モデル（出力データ）を、ネットワークを介して直接学習対象機器にフィードバックし、当該学習モデルに基づいて学習対象機器を自動制御する方法、所謂、クラウド・コンピューティングを活用したＡＩ学習なる技術が提案されている。

また、教師データを用いた機械学習器として、特開２０１７－２２０１１１号公報（特許文献１）に記載の技術がある。この文献には、「工作機械２０における異常負荷検出の閾値を学習する機械学習器３であって、前記工作機械の工具の情報、主軸回転数およびクーラント量、ワークの材質、並びに、前記工具の進行方向、切削速度および切り込み量の少なくとも１つに基づいて得られる状態変数Ｄin，Ｄin'を観測する状態観測部３１と、前記状態観測部の出力および前記工作機械における異常負荷検出に関連するデータから作成される訓練データ、並びに、教師データＤtに基づいて、前記異常負荷検出の閾値を学習する学習部３２と、を備える機械学習機器」との記載がある（要約書参照）。

特開２０１７－２２０１１１号公報

上述した従来技術によれば、学習対象機器の異常による予期しないダウンタイムの短縮、運用コストの低減、などの効果を期待することができる。
その反面、学習対象機器に取り付けた各種センサのセンサデータを直接クラウド側に集めて分析し、クラウド側から学習対象機器にて必要とする分析結果を取得するまでに通信の遅延が起こり、学習対象機器の不調に即応できないという課題がある。
一般的に学習対象機器で何かアクションを起こしてからその結果を得るまでに、例えば、数百ミリ秒、多い場合は数秒が必要とされている。複雑な処理が必要なサービスであっても、そうした遅延が許されないケースもあり得る。

係る技術課題に鑑み、所謂、エッジコンピューティングなる技術が提案されている。
すなわち、クラウドよりもっと、学習対象機器に近い場所（工場やビルなど）にサーバなどのコンピュータ（エッジサーバ）を配置し、必要な処理を施し、その場で制御を学習対象機器にフィードバックし、処理後のデータはクラウド側の上位のシステムに渡して、長期分析にかけ、上述した遅延の課題を是正する技術である。
しかし、クラウドなどを通じて機械学習した学習結果に基づく学習モデルの新バージョンをダウンロードした場合、当該ダウンロードした学習モデルの新バージョンが、必ずしも工場やビルなどに設置された学習対象機器にとって最も適したものとは言い切れない。その理由は、工場やビルなどの環境の違いにある。つまり、工場やビルなどは、それぞれ、特有な環境があり、環境の異なる工場やビルなどに設置される学習対象機器も、その環境に応じた学習モデルに沿った適切な制御が望ましい。

従来は、ダウンロードした学習モデルの新バージョンを工場やビルなどに設置した学習対象機器に適用するに際して、その適用が工場やビルなどの環境に適しているか否かの検証までは考慮されていない。また、ある工場の学習対象機器のセンサデータを元に機械学習して得た学習モデルを工場のエッジ側にて再度ＡＩ学習すること、他の工場やビルの学習対象機器に対して適用し、学習モデルを有効に活用することも考慮されていない。

また、特許文献１も同様に学習モデルが学習対象機器に適するか否かの検証まで想定されていない。そのため、「異常な負荷トルクであると判断するのに適した閾値を求めることができる」という効果に留まる。

そこで、本発明では、クラウド・コンピューティングやエッジコンピューティング、の特長を活かし、かつ、上述した課題を是正する技術を提供することを目的とする。
例えば、クラウド側のＡＩ装置とエッジ側の学習対象機器との間における通信の遅延問題が解消できるとともに、学習対象機器のダウンタイムを短縮でき、効率的な保守管理が可能となり、運用コストの低減が図れる技術を提供することを目的とする。
上記した以外の課題、構成および効果は、以下の実施形態の説明により明らかにされる。

上記課題を解決するために、代表的な本発明のエッジサーバおよびエッジサーバにおけるＡＩ学習モデル生成・運用方法の一つは、クラウドを通じて機械学習を実行して得られた学習モデルの新バージョンを、ネットワークを介してダウンロードしたとき、ダウンロードした新バージョンを自動的に採用するのではなく、ダウンロードした新バージョンを旧バージョンとともに一定期間稼働運用してＡＩ学習し、新バージョンの新しい学習モデルを教師データと比較・検証した上でエッジ側の学習対象機器に適した学習モデルのバージョン、つまり、新バージョンを採用するか、それ以前に学習した旧バージョンを採用するかを決定するものである。

例えば、エッジ側の学習対象機器に取り付けられたセンサのセンサデータをＡＩ学習した学習モデルをクラウド側からダウンロードして前記エッジ側にフィードバックし、前記学習モデルを前記学習対象機器に適用する機能を有するエッジサーバにおいて、
インターフェース装置、記憶装置、演算装置を備え、
前記インターフェース装置は、ネットワークを介して前記クラウド側との間で通信を行う装置であって、前記クラウド側からダウンロードした所望の学習モデルの新バージョンを受信する学習モデル受信部を含み、
前記記憶装置は、
前記クラウド側からダウンロードした学習モデルの新バージョンと比較する教師データを記憶する教師データ記憶部を含み、
前記演算装置は、
前記クラウド側から前記学習モデルの新バージョンをダウンロードしたとき、一定期間、前記学習モデルの新バージョンを旧バージョンと並行稼働する学習モデル稼働制御部、
前記新バージョンと前記旧バージョンにて前記センサデータをそれぞれＡＩ学習し、新旧学習データを生成するＡＩ学習部、
前記クラウド側からダウンロードした学習モデルにおける新バージョンに基づく新学習データおよび旧バージョンに基づく旧学習データと前記教師データ記憶部に記憶した前記教師データを比較・検証する比較部、
前記比較部により比較検証した結果に基づき、前記学習対象機器に適した新旧バージョンの一方を決定するバージョン決定部、
を含み、
前記バージョン決定部にて決定された前記学習モデルの新バージョン、または旧バージョンの何れか一方を前記学習対象機器に適用する
ことを特徴とする。

本発明によれば、クラウドとエッジとの間における通信の遅延問題が解消できるとともに、エッジ側の学習対象機器のダウンタイムを短縮でき、効率的な保守管理が可能となり、運用コストの低減が可能である。

また、例えば、特定の工場やビルなどに配置された学習対象機器のセンサデータを元にクラウド側において機械学習して得られた学習モデルを他の工場やビルなどに配置された学習対象機器に対しても適用することが可能となり、学習モデル生成の効率化を図ることができる。
上記した以外の課題、構成および効果は、以下の実施形態の説明により明らかにされる。

本発明のエッジサーバとクラウドおよびエッジとの関係を示すネットワークシステム図。 本発明のエッジサーバの一構成例を示すブロック図。 本発明のエッジサーバの動作を説明するフローチャート。 クラウド側およびエッジ側におけるＡＩ機能を説明する模式図。

以下、本発明の実施例について図面を参照して説明する。

図１は、本発明のエッジサーバ１１とクラウド２、エッジ１である工場やビルの学習対象機器１２との関係を示すネットワークシステム図である。

クラウド２は、ＡＩ機能を有するサーバ（コンピュータ）を有し、エッジ１側の学習対象機器１２に取り付けられた各種センサのセンサデータを収集し、当該センサデータを学習するデータとして入力し、当該センサデータを繰り返し機械学習し、学習したデータを元に学習モデルを出力する周知のＡＩ装置を有する。

エッジサーバ１１は、工場やビルのエッジ１側に設置され、演算装置（ＣＰＵ）１１４を備え、学習対象機器１２のセンサデータを機械学習するＡＩ学習機能、クラウド側２の学習モデルをダウンロードする機能、ダウンロードしたバージョンを機械学習し、学習モデルを生成するＡＩ学習機能、学習モデルのデータを教師データと比較・検証する機能、学習モデルを決定する機能、などを有する。
そして、エッジサーバ１１は、ネットワーク３（ブラウザ）を通じてクラウド２側にアクセスし、クラウド２側において学習した学習モデルをダウンロードし、ダウンロードした学習モデルを利用して、工場やビルなどのエッジ１側に設置された学習対象機器１２における、例えば、リレー回路の代替装置として開発された制御装置であるＰＬＣ（プログラマブルロジックコントローラ: programmable logic controller）を制御する。ＰＬＣは、工場などの自動機械の制御に使われるほか、エレベータ、空調機、画像解析機など、身近な機械の制御にも使用されている。

教師データとは、各工場やビルなどのエッジ１側の環境に応じた学習対象機器１２の性能として「こうあるべき」とするデータである。そして、この教師データは、エッジ１側の管理者により設定、定義されるデータである。例えば、複数の条件を示すファクタがあり、スピードを優先とするファクタの場合や安全性を優先とするファクタに応じた教師データを用意する。

図２は、本発明のエッジサーバ１１の一構成例を示すブロック図である。

エッジサーバ１１は、ＩＦ装置１１１、記憶装置１１２、演算装置（ＣＰＵ）１１４、を有する。

ＩＦ装置１１１は、クラウド２側のサーバ（コンピュータ）および学習対象機器１２との間で通信を行う通信装置であり、クラウド２側に対して、学習モデルなどのダウンロードを要求し、クラウド２側からダウンロード要求に応じた学習モデルを受信する学習モデル受信部１１１１を有する。

記憶装置１１２は、例えばデータベース（ＤＢ）からなり、学習モデル記憶部１１２１、教師データ記憶部１１２２を有する。

学習モデル記憶部１１２１は、クラウド２側からダウンロードした学習モデルの新旧バージョンを記憶する。クラウド２から新たにダウンロードした学習モデルが新バージョンとなり、その他の学習モデルは１つ以上の旧バージョンとなる。

教師データ記憶部１１２２は、ダウンロードした新バージョンおよび旧バージョンを学習した学習モデルデータと比較する教師データを記憶する。

演算装置１１４は、ＣＰＵを含むコンピュータからなり、学習モデル稼働制御部１１４１、学習モデル比較部１１４２、学習モデル決定部１１４３、ＡＩ学習部１１４４、を有する。そして、内部に格納されたプログラムに従って、各部の動作を制御する。

学習モデル稼働制御部１１４１は、学習モデルの新バージョンをダウンロードしたとき、外部から指定される期間パラメータに基づく、一定期間、例えば、数週間や数か月の間、ダウンロードした新バージョンを稼働する機能を有する。また、このとき、学習モデル稼働制御部１１４１は、旧バージョンも並行して稼働する。

学習モデル比較部１１４２は、ダウンロードした新旧バージョンの学習モデルＡ’の比較対象データと記憶装置１１２の教師データ記憶部１１２２の教師データと比較、検証し、教師データに近いバージョン（新バージョン、旧バージョンの何れか一方）のデータを学習対象機器１２の制御用として出力する機能を有する。

新バージョンを稼働している間は、旧バージョンを制御用の「正」として維持する。つまり、旧バージョンも並行稼働し、旧バージョンをしばらく「正」とし、旧バージョンにてエッジサーバ１側の学習対象機器１２を制御する。
学習モデルの新バージョンの比較対象データは、条件パラメータ、例えば、スピードを優先するパラメータに応じて変わる。

ＡＩ学習部１１４４は、新旧バージョンを稼働している間、バージョンを機械学習し、新たな学習モデルＡ’を生成する。

学習モデル決定部１１４３は、学習モデル比較部１１４２による比較検証結果、工場やビルなどに設置された学習対象機器に適したバージョン、つまり、新バージョン、旧バージョンの何れか一方を決定し、決定したバージョンを学習対象機器１２に適用する機能を有する。学習対象機器１２は、適用されたバージョンの学習モデルにもとづいて制御される。

図４は、クラウド２側におけるニューラルネットワーク（neural network）の学習（ＡＩ：ディープラーニング／機械学習）機能およびエッジ１側における学習機能を説明する模式図である。

ニューラルネットワークとは、周知のとおり、人間の脳神経系のニューロンを数理モデル化したものの組合せであり、ニューラルネットワークにおいて、学習とは、入力データを受け取る入力層（ノード）から学習内容に応じてネットワークのつながり方を変える隠れ層（ノード）を経由して最終データを出力する出力層（ノード）で人間が望む結果（学習対象機器にとって正しい制御の答え、つまり、正解がでるよう、パラメータ（重みとバイアス）を調整する作業を指す。以下、学習（ＡＩ：ディープラーニング；Deep Learning／機械学習；Machine Learning）機能の概略について説明する。

エッジ１側は、現場における複数のセンサデータの中から所望の一部のセンサデータｘ_１（フィールドデータＦｘ_１）を、ネットワーク３を介してサンプリングデータとしてクラウド側２に送信する。センサデータｘ_１は、例えば、製品の品質精度（傷など）を確認する画像データ、などである。

一部のセンサデータをサンプリングデータとして送信する理由は、現場における複数のセンサデータは、膨大なデータ量であり、この膨大のデータ量をネットワーク３上に送信すると、送信のための時間およびコストがかかることを是正するためである。

クラウド２側は、エッジ１側から送信されるサンプリングデータｘ（Ｆｘ）を収集し、当該サンプリングデータを元に数１で、例えば、入力層、中間層、出力層の３層からなるパーセプトロン層でそれぞれの層が持つ重み（ｗ１，ｗ２，ｗ３…）のｘへの乗算とａ（環境バイアス値）の加味、さらに誤差（α）の逆伝播法による重みの改善を１００万回繰り返して学習し、最終出力ｙ（フィールドデータ結果Ｆｙ）を求める。

〔数１〕
ｙ＝（（ｘ×ｗ１）×ｗ２）×ｗ３）＋ａ＋α…
但し、aは、センサデータに重み（ｗ１，ｗ２，ｗ３…）とは別に影響する環境要因（バイアス）
αは、誤差を最小化するための重み（ｗ１，ｗ２，ｗ３…）の影響度を調整する誤差伝播値

この学習モデルを生成するＡＩとして例えば、既存のニューラルネットワークにおいて、ディープラーニング／機械学習などを利用する。

エッジ側１は、クラウド側２にて生成した学習モデル（新学習モデル／新バージョン、旧学習モデル／旧バージョン）をＩＦ装置１１１の学習モデル受信部１１１１を介してダウンロードし、記憶装置１１２の学習モデル記憶部１１２１に記憶する。

学習モデルは、先に学習したモデルを旧バージョンとし、新たに学習したモデルを新バージョンとする。本例では、２つの学習モデルを例としているが、学習モデルは、エッジ１側の環境により２つ以上の学習モデルを記憶してもよい。

学習モデルをダウンロードしたエッジ１側は、学習モデル稼働制御部１１４１にて、演算装置１１４のＡＩ学習部１１４４を制御し、ＡＩ学習部１１４４にて、現場における膨大なセンサデータＦｘを元に新学習モデル（新バージョン）と旧学習モデル（旧バージョン）とで一定期間、並行稼働する。

そして、学習モデル比較部１１４２にて、各学習モデルによる運用結果（新・旧）を教師データ記憶部１１２２における目標データとなる教師データＦ_ＴＢと比較し、学習モデル決定部１１４３にて、制御に適した一方の学習モデル（新バージョンまたは旧バージョン）をエッジ１側への制御信号（制御学習モデル）として出力する。

このように、ＣＰＵパワーが無限大であるクラウド２側とＣＰＵパワーが有限であるエッジ１側とに分散してＡＩ学習を実行し、クラウド２側でのＡＩ学習は、コストや費用を考慮して最小限に留め、エッジ１側において、クラウド２側にて生成した学習モデルを最大限に活用し、エッジ１側の環境に応じて、つまり、現場における膨大なセンサデータを有効活用することにより、コスト的にまた、エッジ１側の環境実態に合った制御を可能とすることができるという効果を奏する。
すなわち、クラウド側の学習のみにあっては、製造現場では設備や製造工程に関するさまざまな情報が混在する現場の環境実態にあった十分な制御とは言えない。クラウド側の学習に加え、エッジ側において、多様な情報が混在した現場データを学習することにより、多様な情報が混在した製造現場における早期の品質改善や生産性向上に貢献することができる。

図３は、本発明のエッジサーバ１１を、ネットワーク３を介してクラウド２に接続し、クラウド２側から所望の学習モデルをダウンロードした場合の処理手順の実施形態を示すフローチャートである。

図３のフローチャートに基づく動作は以下のとおりである。
ステップＳ３０：エッジサーバ１１は、処理を開始する。

ステップＳ３１：エッジサーバ１１は、ＩＦ装置１１１にて、クラウド２側から学習モデルの新バージョンをダウンロードしたとき、新バージョンを受信する。

ステップＳ３２：エッジサーバ１１は、学習モデル稼働制御部１１４１にて、一定期間、ダウンロードした学習モデルＡの新バージョンを稼働し、新バージョンと旧バージョンの多重化（２系統化）を構築する。一定期間、ダウンロードしたアプリケーションの新旧バージョンを並行して稼働するに際して、旧バージョンを「正」とし、対象機器の制御用とする。新バージョンは「副」とする。一定期間は、外部からの期間指定パラメータにより設定する。

ステップＳ３３：エッジサーバ１１は、新バージョンと旧バージョンを並行稼働し、ＡＩ学習部１１４４の機械学習機能により、新バージョンの新たな学習モデルＡ’を生成する。エッジサーバ１１は、演算装置１１４の学習モデル稼働制御部１１４１にて、一定期間、ダウンロードしたアプリケーションの新旧バージョンを並行して稼働している間、旧バージョンを「正」とし、新バージョンを「副」とする。すなわち、新バージョンを稼働し、ＡＩ学習を繰り返している間は、旧バージョンを学習対象機器１２に適用する。

ステップＳ３４：エッジサーバ１１は、外部からの期間を指定するパラメータを受信し、該パラメータにより指定された期間、新バージョンをダウンロードしてから一定期間、例えば、１週間を計測する。一定期間を経過していない場合は、ステップＳ３２に戻り、一定期間経過した場合は、ステップＳ３５に進む。

ステップＳ３５：エッジサーバ１１は、一定期間、経過後、学習モデル比較部１１４２にて、ダウンロードし、一定期間稼働して得た新バージョンの学習モデルＡ’におけるデータとあらかじめ教師データ記憶部１１２１に記憶した教師データを比較し、新バージョンを検証する。

ステップＳ３６：エッジサーバ１１は、一定期間、経過後、学習モデル比較部１１４２にて、ダウンロードした新バージョンにおける学習モデルのデータとあらかじめ教師データ記憶部１１２１に記憶した教師データ（現場において、正解となる目標データ）を比較し、新バージョンを検証した結果、教師データに近いバージョン、つまり、工場やビルなどに設置された学習対象機器に適した新バージョン、旧バージョンの何れか一方を学習対象機器の制御用として決定する。

ステップＳ３７：エッジサーバ１１は、処理を終了する。

以上述べたように、エッジサーバにて学習モデルをダウンロードしたとき、一定期間、ＡＩ学習することによって、エッジ側の学習対象機器に適したバージョン、つまり、新バージョンを採用するか、旧バージョンを採用するかを決定することができ、かつ、クラウドと学習対象機器との間における通信の遅延問題が解消できるとともに、学習対象機器のダウンタイムを短縮でき、効率的な保守管理が可能となり、運用コストの低減が可能である。

また、特定の工場やビルなどに配置された学習対象機器のセンサデータを元にクラウド側において機械学習して得られた学習モデルを他の工場やビルなどに配置された学習対象機器に対しても適用することが可能となり、学習モデル生成の効率化を図ることができる。

１ エッジサーバ
１１ 学習対象機器
１１１ ＩＦ装置
１１１１ 学習モデル受信部
１１２ 記憶装置
１１２１ 学習モデル記憶部
１１２２ 教師データ記憶部
１１４ 演算装置（ＣＰＵ）
１１４１ 学習モデル稼働制御部
１１４２ 学習モデル比較部
１１４３ 学習モデル決定部
２ クラウド
３ ネットワーク

Claims (6)

1. エッジ側の学習対象機器に取り付けられたセンサのセンサデータをＡＩ学習した学習モデルをクラウド側からダウンロードして前記エッジ側にフィードバックし、前記学習モデルを前記学習対象機器に適用する機能を有するエッジサーバにおいて、
   インターフェース装置、記憶装置、演算装置を備え、
   前記インターフェース装置は、ネットワークを介して前記クラウド側との間で通信を行う装置であって、前記クラウド側からダウンロードした所望の学習モデルの新バージョンを受信する学習モデル受信部を含み、
   前記記憶装置は、
   前記クラウド側からダウンロードした学習モデルの新バージョンと比較する教師データを記憶する教師データ記憶部を含み、
   前記演算装置は、
   前記クラウド側から前記学習モデルの新バージョンをダウンロードしたとき、一定期間、前記学習モデルの新バージョンを旧バージョンと並行稼働する学習モデル稼働制御部、
   前記新バージョンと前記旧バージョンにて前記センサデータをそれぞれＡＩ学習し、新旧学習データを生成するＡＩ学習部、
   前記クラウド側からダウンロードした学習モデルにおける新バージョンに基づく新学習データおよび旧バージョンに基づく旧学習データと前記教師データ記憶部に記憶した前記教師データを比較・検証する比較部、
   前記比較部により比較検証した結果に基づき、前記学習対象機器に適した新旧バージョンの一方を決定するバージョン決定部、
   を含み、
   前記バージョン決定部にて決定された前記学習モデルの新バージョン、または旧バージョンの何れか一方を前記学習対象機器に適用する
   ことを特徴とするエッジサーバ。
2. エッジ側の学習対象機器に取り付けられセンサデータから前記学習対象機器の状態を示す変数を用いて、前記学習対象機器を制御する学習モデルを生成するクラウドから前記学習モデルをダウンロードし、
   学習対象機器を備えたエッジ側に配置され、前記学習対象機器の状態を示すセンサデータを機械学習して生成した学習モデルをクラウド側からダウンロードし、前記学習モデルにて前記エッジ側の学習対象機器を制御するエッジサーバにおいて、
   新バージョンと旧バージョンにて前記センサデータをそれぞれ並行してＡＩ学習し、新学習データと旧学習データを生成するＡＩ学習部、
   前記ＡＩ学習部における新バージョンに基づく新学習データと教師データ記憶部に記憶した教師データ、また前記ＡＩ学習部における旧バージョンに基づく旧学習データと前記教師データ記憶部に記憶した前記教師データを比較・検証する比較・検証部、
   前記比較・検証部における比較・検証した結果に基づき、前記学習対象機器に適した新旧バージョンの一方の学習モデルを決定する学習モデル決定部、
   を含む演算装置を設け、
   前記学習モデル決定部にて決定された前記学習モデルの新バージョン、旧バージョンの何れか一方を前記学習対象機器の学習モデルとして適用する
   ことを特徴とするエッジサーバ。
3. エッジ側の学習対象機器におけるセンサデータを元にＡＩ学習した学習モデルをクラウド側からダウンロードするインターフェース装置、前記学習モデルを記憶する記憶装置および演算装置を備えたエッジサーバにおいて、
   前記演算装置は、
   新バージョンと旧バージョンにて前記センサデータをそれぞれ並行してＡＩ学習し、新学習データと旧学習データを生成するＡＩ学習部を含み、
   前記ＡＩ学習部における新バージョンに基づく新学習データと教師データ記憶部に記憶した教師データを比較・検証し、また前記ＡＩ学習部における旧バージョンに基づく旧学習データと前記教師データ記憶部に記憶した前記教師データを比較・検証し、
   前記比較・検証した結果に基づき、前記学習対象機器に適した新旧バージョンの一方の学習モデルを決定し、
   決定された前記学習モデルの新バージョン、または旧バージョンの何れか一方を前記学習対象機器の学習モデルとして適用する
   ことを特徴とするエッジサーバ。
4. 学習対象機器を備えたエッジ側に配置され、前記学習対象機器の状態を示すセンサデータを機械学習して生成した学習モデルをクラウド側からダウンロードし、前記学習モデルにて前記学習対象機器を制御するエッジサーバにおいて、
   新バージョンと旧バージョンにて前記センサデータをそれぞれ並行してＡＩ学習し、新学習データと旧学習データを生成するＡＩ学習部、
   前記ＡＩ学習部における新バージョンに基づく新学習データと教師データ記憶部に記憶した教師データ、また前記ＡＩ学習部における旧バージョンに基づく旧学習データと前記教師データ記憶部に記憶した前記教師データを比較・検証する比較・検証部、
   前記比較・検証部における比較・検証した結果に基づき、前記学習対象機器に適した新旧バージョンの一方の学習モデルを決定する学習モデル決定部、
   を含む演算装置を備え、
   前記学習モデル決定部にて決定された前記学習モデルの新バージョン、旧バージョンの何れか一方を前記学習対象機器の学習モデルとして適用する
   ことを特徴とするエッジサーバ。
5. エッジ側の学習対象機器に取り付けられたセンサのセンサデータをＡＩ学習した学習モデルをクラウド側からダウンロードして前記エッジ側にフィードバックし、前記学習対象機器に適用する機能を有するエッジサーバにおけるＡＩ学習モデル生成方法において、
   前記エッジサーバは、
   インターフェース装置、記憶装置、演算装置を備え、
   前記インターフェース装置は、ネットワークを介して前記クラウド側との間で通信を行う装置であって、前記クラウド側からダウンロードした所望の学習モデルの新バージョンを受信する学習モデル受信部を含み、
   前記記憶装置は、
   前記クラウド側からダウンロードした学習モデルの新バージョンと比較する教師データを記憶する教師データ記憶部を含み、
   前記演算装置は、
   前記クラウド側から前記学習モデルの新バージョンをダウンロードしたとき、一定期間、前記学習モデルの新バージョンを旧バージョンと並行稼働する学習モデル稼働制御ステップ、
   前記新バージョンと前記旧バージョンにて前記センサデータをそれぞれＡＩ学習し、新旧学習データを生成するＡＩ学習ステップ、
   前記クラウド側からダウンロードした学習モデルにおける新バージョンに基づく新学習データおよび旧バージョンに基づく旧学習データと前記教師データ記憶部に記憶した教師データを比較・検証する比較ステップ、
   前記比較ステップにより比較検証した結果に基づき、前記学習対象機器に適した新旧バージョンの一方を決定するバージョン決定ステップ、
   を含み、
   前記バージョン決定ステップにて決定された前記学習モデルの新バージョン、または旧バージョンの何れか一方を前記学習対象機器に適用する
   ことを特徴とするエッジサーバにおけるＡＩ学習モデル生成・運用方法。
6. エッジ側の学習対象機器におけるセンサデータを元にＡＩ学習した学習モデルをクラウド側からダウンロードするインターフェース装置、前記学習モデルを記憶する記憶装置および演算装置を備えたエッジサーバにおけるＡＩ学習モデル生成方法において、
   前記演算装置は、
   新バージョンと旧バージョンにて前記センサデータをそれぞれ並行してＡＩ学習し、新学習データと旧学習データを生成するＡＩ学習ステップ、
   前記ＡＩ学習ステップにおける新バージョンに基づく新学習データと教師データ記憶部に記憶した教師データを比較・検証し、また前記ＡＩ学習ステップにおける旧バージョンに基づく旧学習データと前記教師データ記憶部に記憶した前記教師データを比較・検証する比較ステップ、
   前記比較ステップにより比較検証した結果に基づき、前記学習対象機器に適した新旧バージョンの一方の学習モデルを決定するバージョン決定ステップ、
   を含み、
   前記バージョン決定ステップにて決定された前記学習モデルの新バージョン、または旧バージョンの何れか一方を前記学習対象機器の学習モデルとして適用する
   ことを特徴とするエッジサーバにおけるＡＩ学習モデル生成・運用方法。

Images