エッジ・クラウドネットワークにおけるマルチタイムスケール潜在アクションDRLを用いた統合最適化

最近のAI技術は、私たちのスマートフォンやスマートスピーカーのような、手元にある「エッジ」と呼ばれる小さなコンピューターと、遠くにある巨大なコンピューター群「クラウド」を連携させて動いています。例えば、音声認識や画像処理など、高度な計算が必要な処理はクラウドに任せ、手元ではその結果を受け取るだけ、といった具合です。

しかし、このエッジとクラウドの連携には、大きな課題があります。それは、たくさんの情報（タスク）が次々と送られてくると、エッジやクラウドの処理能力を超えてしまい、情報が渋滞してしまうことです。これを「レイテンシ性能の低下」と呼びます。渋滞すると、私たちがAIに話しかけても、返事が返ってくるまでに時間がかかってしまいますよね。さらに、リソース（コンピューターの処理能力や電力など）も無駄に使われてしまうという問題も起きています。

この問題を解決するために、今回の研究では「サービス配置（どのタスクをどこで処理するか）」「計算委任（タスクの一部をクラウドに送るか）」「電力制御（どれくらいの電力を使うか）」という3つの要素を、まとめて最適化する新しい方法を提案しています。この問題は、単純な計算では解けないほど複雑で、コンピューター科学の世界では「NP困難」と呼ばれる難しい問題に分類されます。

そこで研究者たちは、この複雑な問題を、時間軸の異なる2つのステップに分けて考えることにしました。一つは、システム全体の長期的な構成を決める「長期的なサブ問題」。もう一つは、個々のタスクにどう対応するかを決める「短期的なサブ問題」です。このように問題を分解することで、より現実的で、かつ安定したシステム運用が可能になります。

そして、この2段階の考え方に基づき、「2タイムスケール・マルチレイヤー深層強化学習フレームワーク（2T-MDRL-LA）」という、AIを使った新しい学習手法を開発しました。これは、AIが自分で試行錯誤しながら、サービス配置、ユーザーとの連携、計算の委任、タスクの送り方、そしてユーザーの通信電力まで、あらゆる要素を総合的に最適化していくものです。まるで、経験豊富なオペレーターが、複雑なネットワーク全体をリアルタイムで最適に管理しているようなイメージです。

この新しい手法によって、エッジとクラウドの連携がよりスムーズになり、私たちの使うAIサービスが、もっと速く、もっと効率的に動くようになることが期待されます。例えば、自動運転やリアルタイムでの映像解析など、遅延が許されない分野での応用も考えられます。