結論：判定はエッジ、学習と横断分析はクラウド
製造業のAIでは、「その場で判定を返す推論」と「データを集めて考える処理」で、置き場所の最適解が違います。
- タクト内に判定結果を設備やPLCへ返す必要がある推論（外観検査の排出、異常時の停止）は、エッジに置く
- 複数ライン・複数工場のデータを集めて行う分析、モデルの再学習、長期の傾向監視は、クラウドまたは社内データセンターに置く
- 数分〜数時間単位で結果を出せばよい推論（翌シフトの保全計画、日次の品質傾向）は、どちらでもよく、費用と運用体制で決める
この役割分担を前提に、個々のユースケースを3つの軸で判定します。エッジを選ぶ一般的な理由（遅延・帯域・可用性・機密性）はエッジAIとはで整理しています。
3軸の判断フロー
軸1：タクトと応答時間
判定結果を、排出機構・停止信号・作業者への指示として設備側に返す必要があるかを最初に確認します。タクトが数秒以下で、判定が次のワークに間に合わなければならない用途は、ネットワーク越しの往復と、その時間のばらつきを許容できません。外観検査のインライン判定はほぼこれに当たります。参考として、異常検知モデルの推論時間は、EfficientAD-Sが2.2ミリ秒、PatchCoreが32ミリ秒（いずれもRTX A6000での論文値）とモデルによって1桁以上違います。モデルの選び方で、エッジに必要な機器の性能も変わります。
軸2：データの大きさと頻度
高解像度の画像や、数kHzでサンプリングした振動波形は、1件のデータが大きく、全量をクラウドに送ると回線と転送・保存の費用が膨らみます。この場合でも推論をクラウドで行いたいなら、エッジで特徴量（振動の周波数帯ごとの強さ、画像の判定スコアなど）に変換してから送る構成にします。生データは、異常と判定されたものや境界付近のものだけを送ります。高頻度データの保存設計は振動・画像など高頻度データの扱いで扱います。
軸3：台数と機密性
同じモデルを多数のラインで動かす場合、エッジ機の台数分だけ配布・監視・故障対応が発生します。応答時間とデータ量の制約がなければ、推論を集中させた方が運用は楽です。一方、製品画像やレシピを社外のクラウドに出せない社内規程や顧客契約がある場合は、社内データセンターやオンプレミスのGPUサーバで集中推論する選択肢になります。
ハイブリッド構成の役割分担
実際には、1つのユースケースの中でもエッジとクラウドを組み合わせます。外観検査を例にすると、役割は次のように分かれます。
| 処理 | 置き場所 | 理由 |
|---|---|---|
| 撮像・前処理・推論・排出信号 | エッジ | タクト内の応答と可用性 |
| 判定結果と判定スコアの記録 | エッジ→MES | ロット・シリアルとの紐付け |
| 境界付近の画像の保存 | エッジ→クラウド／データセンター | 再学習と人の再判定に使う |
| ライン横断の不良傾向分析 | クラウド／データセンター | 全ラインのデータが集まる |
| 再学習・検証 | クラウド／データセンター | GPU資源と版管理を集中 |
| 新しいモデルの配布 | クラウド→エッジ | 承認済みの版だけを配る |
費用比較で見落としやすい項目
エッジとクラウドを費用で比べるときは、機器代と月額料金だけでなく、次の項目を年間費用として並べます。
- エッジ側：機器の故障交換と予備機、現地での設置・更新作業、OSとセキュリティパッチの適用、台数分の管理ツール費用
- クラウド側：データ転送量とストレージ、推論のための常時稼働の計算資源、回線の冗長化（回線障害でラインを止めないため）
- 共通：モデルの再学習と検証の人件費、監視とアラート対応の体制
ライン数が少ないうちはクラウドの方が安く見え、台数が増えるとエッジの1台あたりの費用が下がる、という逆転はよくあります。3年程度の期間で、横展開する台数を置いた試算を作って比べてください。
よくある質問
予知保全はエッジとクラウドのどちらが向いていますか？
多くの場合はハイブリッドです。振動などの高頻度データはエッジで特徴量に変換し、特徴量の傾向監視と異常検知はクラウドやデータセンターで行います。異常時に即座に設備を止める必要がある場合だけ、判定をエッジに置きます。
生成AIもエッジで動かせますか？
小型の言語モデル（SLM）をエッジで動かす取り組みは始まっています。Rockwell AutomationはNVIDIA Nemotron-Nano-9B-v2ベースのモデルを産業エッジに載せる取り組みを2025年に紹介しました。ただし、大きなモデルを使う用途や社内文書検索は、データセンターやクラウドで動かす方が現実的です。
クラウドとオンプレミスのどちらに学習基盤を置くべきですか？
データの機密性、既存のIT基盤、運用できる人員で決まります。判断の軸は製造業のデータ基盤はクラウドかオンプレかで整理しています。
この記事に出てくる用語
AIは「データ基盤」で決まる
PoCは成功したのに本番で止まる。原因の多くはモデルではなく、MESと設備データの側にある 全130本
- MESとAIの関係：ロット・作業指示・品質判定がAIの精度を決める理由
- 製造業AIが本番で止まる7つの理由：PoCは成功したのにラインに載らない構造
- 製造業のAI-OCR：紙の検査記録・点検表・ミルシートをデータ化する手順
- データ基盤の段階的導入ロードマップ：ユースケースから逆算する8ステップ
この記事を書いた人
DELMIA Apriso を中核とした MES / 製造DX の導入・運用・人材育成と、製造業向けAIの調査・開発・教育を手がけるITコンサルティング企業。ISO 9001:2015 / ISO 27001:2022 認証取得。 日本・中国・米国で製造業のMES・データ基盤・AI導入を手がけた実務者が、欧米・中国の一次情報にあたって書いています。
