DoT（Deep Learning of Things）は、IoT機器が集めた温度・振動・画像・音声などへ深層学習を適用する設計思想です。独立した通信規格や一つのアルゴリズム名ではありません。実際の製品や研究では「エッジAI」「組み込みAI」「TinyML」などの語が多く使われます。
大切なのは、「モノが自分で学ぶ」という比喩ではなく、どこで測り、どこで推論し、どこで学習するかを分けることです。端末は推論だけを行い、学習はクラウドや開発用コンピューターで行う構成も一般的です。この記事では、DoTの意味、IoT・エッジAIとの違い、通信量とモデル容量の計算、導入時の検証方法まで具体的に説明します。
DoTとは？IoTに深層学習を組み合わせる考え方
IoT（Internet of Things）は、機器をネットワークへ接続し、測定値を収集・共有・利用する仕組みです。温度が80 ℃を超えたら警報を出すような単純なルールでも、有用なIoTシステムになります。IoTが深層学習なしでは判断できない、というわけではありません。
深層学習が向くのは、画像・音声・複数センサーの時系列のように、単純なしきい値だけでは特徴を表しにくい課題です。例えば機械の振動波形から異常の兆候を探す、カメラ画像から部品の欠陥候補を見つける、といった用途です。ただし、異常を見つけることと、故障原因や残り寿命を正確に予測することは別の課題です。
「Deep Learning of Things」という表現は、ACCESSとLeapMindの2018年の共同発表でも、低消費電力のIoT機器へ深層学習を実装する意味で使われました。ただし、広く標準化された技術分類ではありません。名称よりも、処理場所・データ・モデル・制御の関係を確認する方が実務では重要です。
IoT・エッジAI・TinyMLとの違い
| 用語 | 中心となる考え方 | 注意点 |
|---|---|---|
| IoT | 機器を接続し、測定・通信・制御を行う | AIを使わない構成も含む |
| DoT | モノが得たデータへ深層学習を適用する | 標準規格名ではなく、説明的な呼称 |
| エッジAI | 端末または現場に近い計算機でAI処理を行う | 端末で学習するとは限らない |
| TinyML | マイクロコントローラーなど資源の小さい機器で機械学習を動かす | メモリー・電力・演算量の制約が厳しい |
DoTは「何へ深層学習を使うか」、エッジAIやTinyMLは「どこで、どの規模の計算資源を使うか」に重点があります。これらは重なりますが同義ではありません。例えば工場のセンサー値をクラウドへ送り、クラウドで深層学習モデルを実行する構成もDoTに含められますが、端末で推論しないためエッジAIとは呼びにくい構成です。
DoTの仕組み：測定・推論・学習を分ける
1. センサーで測定する
温度、振動、圧力、電流、画像、音声などを、時刻・機器ID・単位とともに記録します。センサーの取り付け位置、測定範囲、サンプリング周期が変われば、同じ設備でもデータ分布が変わります。モデル以前に、時刻ずれ、欠測、重複送信、単位の不一致を処理する必要があります。
2. 端末またはクラウドで推論する
学習済みモデルへ新しい測定値を入力し、分類、異常度、予測値などを出す処理が推論です。端末側で推論すれば通信量や往復遅延を減らせます。一方で、小さなCPUで重いモデルを動かすとクラウドより遅くなる場合があります。必要な応答時間を満たすかは、実機で測定します。
3. データを使って学習・再評価する
学習では、多数の例からモデルの重みを調整します。GoogleのLiteRT for Microcontrollers公式資料が示す基本的な流れも、モデルを別環境で学習・変換して端末へ載せ、端末では推論する構成です。同資料は端末上の学習をサポートしないことも明記しています。「AI搭載」と「機器が現場で学び続ける」は同義ではありません。
複数端末のデータを中央へ集めず、各端末で更新した情報を集約する連合学習もあります。2017年のMcMahanらの連合学習論文は、分散したデータを使う反復的な学習法を示しました。ただし、端末から生データを送らないだけでプライバシーが自動的に保証されるわけではありません。更新情報や運用ログの保護も必要です。
計算例1：振動センサーの通信量
3軸の振動を、各軸16ビット、毎秒1,000回測定する条件を考えます。通信ヘッダー、暗号化、圧縮、再送は除いた説明用の計算です。
| 記号 | 意味 | 値・単位 |
|---|---|---|
| a | 測定軸の数 | 3軸 |
| b | 1軸1回あたりのデータ量 | 16ビット＝2バイト |
| f | 1秒あたりの測定回数 | 1,000回/s |
| t | 1日の秒数 | 86,400 s |
1秒の生データ量は、a×b×f＝3×2バイト×1,000回/s＝6,000バイト/sです。1日では6,000×86,400＝518,400,000バイト、十進表記で約518 MBになります。
端末が1秒ごとに異常度など16バイトだけを送るなら、16×86,400＝1,382,400バイト、約1.38 MB/日です。生データの518.4 MBを1.3824 MBで割ると375なので、通信データ本体は375分の1になります。ただし異常時の元波形を送れば量は増えます。データを捨てすぎると、誤警報の原因を後から検証できません。
計算例2：モデルの重みが占める容量
重みが100万個あるモデルについて、重みだけの保存容量を比べます。実行時には中間出力、入出力バッファ、プログラム領域も必要です。
| 記号 | 意味 | 値・単位 |
|---|---|---|
| N | 重みの個数 | 1,000,000個 |
| s | 重み1個の保存量 | float32：4バイト、int8：1バイト |
| M | 重みの総容量 | M＝N×s |
float32なら1,000,000×4＝4,000,000バイト、約4 MBです。int8へ量子化すると1,000,000×1＝1,000,000バイト、約1 MBです。重みだけなら4分の1ですが、量子化によって認識精度が変わる可能性があります。モデルファイルが保存領域へ収まることと、必要なRAM内で実行できることも別です。
DoTの応用例と、検証すべきこと
| 分野 | 入力と推論の例 | 検証上の注意 |
|---|---|---|
| 製造 | 振動・温度・電流から異常候補を検出 | 異常検出と故障原因・残り寿命の予測を混同しない |
| 医療・健康 | ウェアラブルの波形から変化を通知 | 体動や装着ずれを区別し、健康通知と診断を分ける |
| 農業 | 土壌水分・気象・画像から生育や給水を補助 | 品種、光、圃場の違いによる性能低下を確認 |
| 交通・施設 | 通過量や混雑を推定し設備運用を補助 | 顔識別や映像の長期保存が本当に必要かを絞る |
| 小売 | 棚画像から欠品候補を通知 | 包装変更や似た商品での誤認を在庫データと照合 |
画像を使う構成は、画像認識AIとCNNの仕組み、モデルが数値から学ぶ基本は機械学習と線形回帰の計算例も参照してください。
DoTを導入する4段階
1. 目的と合格条件を決める
「AIを入れる」ではなく、「見逃し率を何％以下にする」「警報から停止判断まで何秒以内」と定義します。単純なしきい値や統計で十分なら、説明しやすく保守しやすい方法を選びます。
2. 現場データを設計する
正常時だけでなく、季節、機種、設置位置、故障状態の違いを記録します。故障後にしか分からない情報を予測入力へ混ぜると、試験だけ高精度で運用時に使えない「データ漏洩」が起こります。
3. 処理場所を比較する
端末、現場サーバー、クラウドの候補ごとに、精度、遅延、通信量、消費電力、RAM、更新方法を測ります。端末処理は送信量を減らせますが、認証、暗号化、署名付き更新、アクセス権限は別途必要です。
4. 通知から始め、現場結果で再評価する
最初から自動停止や自動投薬のような重大な制御へ直結させず、まず通知と人の確認を組み合わせます。誤警報・見逃し・処理時間を記録し、モデル更新前後を同じ評価データで比較します。問題が起きたときに旧版へ戻せるよう、モデルの版、適用日、対象機器を残します。
DoTの課題：精度だけでは運用できない
- 分布の変化：センサーの経年変化、照明、季節、製造条件が学習時と変わると性能が落ちます。
- 資源制約：モデル容量だけでなくRAM、処理時間、電力、発熱を実機で測ります。
- セキュリティ：機器認証、通信保護、安全な更新、ログ、停止時の代替動作を設計します。
- プライバシー：端末処理で送信量を減らしても、保存データや更新情報から漏れる可能性は残ります。
- 説明責任：「AIが判断した」で終わらせず、測定値、モデル版、警報後の操作へ戻れるようにします。
マイクロコントローラー上の機械学習については、ReddiらのTinyMLの教育・実装に関する論文が、低価格で自己完結した応用を作れる利点とともに、データ設計や倫理まで含む学習過程を説明しています。小型化だけでなく、システム全体を検証する視点が必要です。
まとめ：DoTは「モノが考える」魔法ではない
DoTとは、IoT機器のデータへ深層学習を適用する考え方です。センサーが測定し、学習済みモデルが推論し、システムが通知や制御へ利用します。端末で推論することと、端末で学習することは分けて考えます。
独自の価値が生まれるのは、名称や将来像を並べるだけでなく、通信量、メモリー、遅延、見逃し・誤警報、更新手順まで条件を置いて確かめるときです。DoTを導入するときは、深層学習が本当に必要な課題か、どこで処理するか、失敗時にどう戻すかを先に決めることが重要です。
