IoT時代、ディープラーニングの主用途は制御か：PFN、同社のAI事業を説明（2/2 ページ）

Preferred Networks（PFN）は、IoT（モノのインターネット）にディープラーニングを活用する意義について、自社の応用例を挙げて説明した。また、IoTの普及でデータ量がどの程度増加するかを取り上げた上で、ディープラーニングの処理性能向上に向けた自社の取り組みについて語った。

[辻村祐揮，EE Times Japan]

データ量1.6ZB時代に必要な処理性能

　PFNはディープラーニングのIoTへの応用だけでなく、IoTの加速により大量のデータが溢れ返る時代に向け、ディープラーニングの処理能力向上にも取り組んでいる。西川氏によると、2015年に200エクサバイト（EB）程度だったデータ量が、2020年にはその8倍の1.6ゼタバイト（ZB）くらいになるという。そうなると、相応の処理性能がディープラーニングに求められる。

IoT普及に伴うデータ増加量の予測 出典：PFN（クリックで拡大）

　副社長の岡野原大輔氏は、「IoTが普及し機械が生成するデータ量が増加すると、ディープラーニングに必要な計算リソースも加速度的に上昇していく。現時点では、数ぺタFLOPS程度（GPU300個分）で済んでいるが、2019年くらいには1エクサFLOPS相当の計算リソースが必要となる。その後、10エクサFLOPS、100エクサFLOPSと、必要な計算リソースは膨れ上がっていく」と説明する。

データ量増加に伴う計算リソース増加量の予測 出典：PFN（クリックで拡大）

　ディープラーニングは学習データが多いほど高精度になるため、いかに大量のデータを学習させるかが重要だ。その手段の1つとして、PFNはスーパーコンピューティング（並列計算）の活用に注目している。同社は既に、ResNet-50というタスクを128個のGPUで並列処理する実験に成功。従来の100倍に近い速度で達成した。

Chainer MNと他のフレームとの比較 出典：PFN（クリックで拡大）

　実験では､複数のコンピュータで分散学習する機能を同社のディープラーニングフレームワーク「Chainer」に搭載させるための追加パッケージ「Chainer MN（Multi Node）」を活用した。PFNの齋藤俊太氏によると、MXNet、CNTK、TensorFlowといった他のディープラーニングフレームワークに比べ、Cainer MNは学習完了に必要な時間が短いという。

　PFNが注目するもう1つの手段が、同社がエッジヘビーコンピューティングと呼ぶ分散コンピューティングだ。全てのデータをクラウドで一元処理するのではなく、デバイスに近いエッジの部分で分散的にデータを処理する手法である。西川氏は「データ量が爆発的に増加すると、デバイスに近いところ、エッジで処理する必要がある。そうすれば、重要なデータだけをクラウドに上げられるし、全てのデータを対象にできる」と語った。