株式会社羽石産業知能研究所（HIII）の船橋です。

製造業のAI導入について私たちHIIIにご相談をいただく中で、技術の話よりも先に、必ずと言っていいほど出てくる確認事項があります。

「このデータ、外部のクラウドに送ることになりますか？」

図面、製造条件、検査画像、製造業のデータは、それ自体が競争力の源泉です。社外のサーバーに出すことへの抵抗感は、単なる心理的なものではなく、情報管理規程や取引先との秘密保持契約に根ざした、合理的な制約であることがほとんどです。

加えて、現場には物理的な制約もあります。1秒間に何個も製品が流れるラインで、画像をクラウドに送って判定結果が返ってくるのを待つ余裕はありません。工場によっては、そもそも生産設備のネットワークを外部に接続していないこともあります。

こうした制約の中でAIを現場で動かすための選択肢が、エッジAIです。本記事では、エッジAIとは何かという基礎から、クラウドAIとの使い分け、製造現場での活用場面、導入時の落とし穴までを整理します。

エッジAIとは、データが発生する現場（エッジ）に置いた機器の上で、AIの処理を完結させる仕組みのことです。

ここでの「エッジ」は、ネットワークの末端、つまりカメラ、センサー、製造設備のそばを指します。検査画像をクラウドのサーバーに送って判定してもらうのではなく、ラインの脇に設置した小型のコンピュータやAI搭載カメラが、その場で判定まで行います。

対になる概念がクラウドAIです。データをインターネット経由でクラウド上のサーバーに送り、強力な計算資源で処理して結果を返す方式で、ChatGPTをはじめ、私たちが日常的に触れるAIサービスの多くはこちらに該当します。

重要なのは、エッジAIとクラウドAIは「どちらが優れているか」を競う関係ではないということです。両者は「AIをどこで動かすか」という設計上の選択肢であり、処理の性質によって適材適所が決まります。

両者の特性を整理すると、次のようになります。

表の最後の行が、使い分けの本質です。AIの処理は、大量のデータからパターンを学ぶ「学習」と、学習済みモデルを使って目の前のデータを判定する「推論」に分かれます。学習はクラウドや開発環境で行い、推論だけを現場のエッジ機器で動かすこれがエッジAIの典型的な構成です。

理由1：タクトタイムが通信の遅延を許さない

製造ラインには、1個あたりの処理時間（タクトタイム）という絶対的な制約があります。たとえば1秒に2個流れるラインで全数検査をするなら、撮影から判定までを0.5秒以内に終えなければなりません。

クラウドとの通信には、どれだけ回線が良くても往復で数百ミリ秒の遅延が発生し、回線状況によっては数秒待たされることもあります。判定が間に合わなければ、ラインを遅くするか、検査を抜き取りに妥協するかの二択になってしまう。処理を現場で完結させるエッジAIなら、この遅延そのものが存在しません。

理由2：データを工場の外に出せない

冒頭で触れたとおり、製造業のデータには持ち出し制約がつきものです。検査画像には製品の形状や工法が写り込み、製造条件データには品質を支えるノウハウが含まれます。取引先との契約で「データの外部送信禁止」が明記されているケースも珍しくありません。

エッジAIは、データが設備のそばで処理されて完結するため、そもそも「外部に送る」という工程が発生しません。セキュリティ審査やデータガバナンスの観点で、導入のハードルが一段下がります。

理由3：通信が止まっても、生産は止められない

クラウドAIは、ネットワーク障害がそのまま機能停止につながります。検査をクラウドAIに依存していた場合、回線トラブルの間は検査ができず、ラインを止めるしかありません。

また、全数検査の画像をクラウドに送り続けると、通信量は膨大になります。1日数十万枚の画像を送信し続ける通信コストとインフラ負荷は、運用が長期化するほど無視できなくなります。エッジ処理なら、現場で判定を完結させ、異常があったデータや統計情報だけを選んで上位システムに送るという効率的な構成が組めます。

共通するのは、「速さ」か「データの重さ」のどちらかが、クラウド処理を現実的でなくしていることです。逆に、月次の品質傾向分析や需要予測のように、即時性が不要で大きな計算力が要る処理は、クラウド側が適しています。

エッジAIには、クラウドにはない制約があります。ここを甘く見ると、PoCは動いたのに本番で行き詰まる、という典型的な失敗につながります。

落とし穴1：計算資源の制約を設計に織り込んでいない

エッジ機器の計算能力は、クラウドのサーバーとは桁が違います。開発環境の高性能GPUで動いていたモデルが、現場の産業用PCではタクトタイムに収まらない、これは非常によくあるつまずきです。

エッジで動かす前提なら、最初からモデルの軽量化を設計に含める必要があります。モデルの圧縮（量子化・蒸留と呼ばれる技術）や、エッジ向けに設計された軽量アルゴリズムの採用は、後から付け足すものではなく、機器選定とセットで最初に決める事項です。

落とし穴2：モデル更新の運用が考えられていない

AIモデルは、製品の型替えや設備の経年変化に合わせて更新し続ける必要があります。クラウドならサーバー上のモデルを差し替えるだけですが、エッジの場合、工場内に散在する何十台もの機器のモデルを、誰が、どうやって、安全に更新するのかという運用設計が必要になります。

ラインを止めずに更新できるか。更新に失敗した機器をどう検知し、どう切り戻すか。この仕組みを導入時に作っておかないと、「古いモデルのまま放置された機器」が品質リスクとして残り続けます。

落とし穴3：「全部エッジ」か「全部クラウド」かの二択で考えてしまう

実際の現場で機能するのは、ほとんど場合ハイブリッド構成です。即時判定はエッジで行い、判定結果や異常データだけをクラウドに集約して、傾向分析やモデルの再学習に使う。「処理ごとに置き場所を選ぶ」のが正しい設計であって、思想としてどちらかに寄せる必要はありません。

導入検討の際は、対象の処理ごとに次の3つを確認することをおすすめします。

１． その判定は、何ミリ秒以内に必要か 、タクトタイムや安全要件から逆算して、通信遅延が許されないならエッジ一択です

２． そのデータは、社外に送ってよいものか 、契約・規程上の制約があるなら、エッジ処理が前提になります

３． その処理は、どれだけの計算力を要するか 、エッジ機器に収まらない重い処理は、クラウドか、即時性の要件自体の見直しが必要です

3つの問いに答えていくと、「この工程はエッジ、この分析はクラウド」という構成が自然に固まっていきます。

私たちがエッジAIを重視する理由は一つです。製造現場のAIは、現場で動き続けて初めて価値になるからです。

本ブログの過去記事でも、エッジデバイス上で高速に動作する軽量な異常検知アルゴリズムに触れていますが、私たちがアルゴリズム選定で速度と軽さにこだわるのは、まさにこの理由によります。研究環境で最高精度を出すモデルよりも、現場の機器で、現場のタクトタイムで、通信が切れても動き続けるモデル。その制約の中で精度を最大化することが、産業AIの設計だと考えています。

そしてもう一つ。エッジAIは「データを外に出さずにAIを使う」という、製造業がずっと必要としていた答えでもあります。データの持ち出しという入口の不安が解消されれば、AI活用の検討は一気に現実味を帯びます。「うちのデータは外に出せないから、AIは無理だ」その前提を変えるのが、エッジAIです。

エッジAIとは、データが生まれる現場でAIの処理を完結させる仕組みです。クラウドAIとの優劣ではなく「AIをどこで動かすか」の設計選択であり、通信遅延が許されない即時判定、外部に送れないデータ、通信断でも止められない処理、この3つの条件が揃う製造現場と、極めて相性の良い技術です。

一方で、エッジには計算資源の制約とモデル更新の運用という固有の難しさがあり、「小さなクラウド」のつもりで設計すると本番で行き詰まります。即時判定はエッジ、重い分析はクラウドという処理単位の使い分けを、機器選定の前に設計しておくことが成功の前提です。

「この工程はエッジで動くのか」「うちの機器構成で何ができるのか」そうした具体的な問いの段階から、HIIIはお手伝いできます。

---

関連記事

▸ HIII Tech Blog / 「不良品、見逃してませんか？」— 外観検査AIが製造現場を変える理由

▸ HIII Tech Blog / 予知保全AIとは何か｜「壊れてから直す」製造現場を変える設備管理の新常識【2026年版】

---

無料相談・資料請求はこちら