カスタム生産におけるエッジノード向け軽量AIモデルの適応圧縮方法

科学分野:

• エッジコンピューティング
• 人工知能
• 製造システム

背景:

• エッジAIモデルは、カスタム生産における頻繁なタスク変更と限られたハードウェアに苦労しています。
• 従来の静的圧縮方法は、動的なエッジ環境に対する適応性と柔軟性に欠けています。

研究 の 目的:

• カスタム生産ラインのエッジノード向け適応型軽量AIモデル圧縮方法を開発すること。
• 現在のエッジAIアプリケーションにおける限定的な転移性と不十分な柔軟性の課題に対処すること。

主な方法:

• 精度、レイテンシ、消費電力に基づいたタスク要件分析モデルを構築しました。
• エッジノードのハードウェア情報を特徴付け、圧縮戦略候補プールを確立しました。
• アンサンブル強化学習（RL）とベイズ最適化（BO）を使用した適応型意思決定エンジンを、反復最適化とともに導入しました。

主要な成果:

• 生成された軽量モデルは、物体認識タスクにおいて高い精度を維持しながら推論効率を大幅に向上させました。
• 提案手法は、従来の固定圧縮戦略を上回りました。
• 適応能力とエッジ展開パフォーマンスにおける有効性を検証しました。

結論:

• 適応型軽量AIモデル圧縮方法は、動的な生産環境におけるエッジAIパフォーマンスを向上させます。
• このアプローチは、静的メソッドと比較して優れた適応性と展開効率を提供します。
• この方法は、カスタムのマルチタスク並列生産ラインでの安定した運用に不可欠です。