Edge AI

يشير الذكاء الاصطناعي على الحافة (Edge AI) إلى نشر خوارزميات ونماذج الذكاء الاصطناعي (AI) مباشرة على الأجهزة المحلية—مثل الهواتف الذكية، ومستشعرات إنترنت الأشياء (IoT)، والطائرات بدون طيار، والمركبات المتصلة—بدلاً من الاعتماد على مراكز الحوسبة السحابية المركزية. يسمح هذا النهج اللامركزي بمعالجة البيانات عند مصدر إنشائها، مما يقلل بشكل كبير من زمن الانتقال المرتبط بإرسال المعلومات ذهاباً وإياباً إلى خوادم بعيدة. من خلال تنفيذ مهام تعلم الآلة (ML) محلياً، يمكن للأجهزة اتخاذ قرارات فورية، والعمل بشكل موثوق دون اتصال بالإنترنت، وتعزيز خصوصية البيانات من خلال إبقاء المعلومات الحساسة على الجهاز نفسه.

Link to this sectionكيف يعمل الذكاء الاصطناعي على الحافة#

يتضمن جوهر الذكاء الاصطناعي على الحافة تشغيل محرك استنتاج على نظام مضمن. ولأن أجهزة الحافة عادة ما يكون لديها عمر بطارية وقوة حوسبة محدودة مقارنة بخوادم السحابة، يجب أن تكون نماذج الذكاء الاصطناعي عالية الكفاءة. غالباً ما يستخدم المطورون تقنيات مثل تكميم النموذج أو تقليم النموذج لضغط الشبكات العصبية الكبيرة دون التضحية بدقة كبيرة.

تُستخدم مسرعات الأجهزة المتخصصة بشكل متكرر للتعامل مع أحمال العمل هذه بكفاءة. تشمل الأمثلة منصة NVIDIA Jetson للروبوتات وGoogle Coral Edge TPU للاستنتاج منخفض الطاقة. تلعب أطر البرمجيات أيضاً دوراً حيوياً؛ حيث تعمل أدوات مثل TensorRT وTFLite على تحسين النماذج خصيصاً لهذه البيئات المقيدة، مما يضمن استنتاجاً فورياً سريعاً.

Link to this sectionالذكاء الاصطناعي على الحافة مقابل الحوسبة على الحافة#

بينما غالباً ما تُستخدم المصطلحات بالتبادل، من المفيد التمييز بينهما:

• الحوسبة على الحافة: تصف هذه البنية التحتية المادية الأوسع وطوبولوجيا الشبكة حيث تحدث معالجة البيانات بالقرب من مصدر البيانات. إنها تمثل "أين" في المعادلة.
• الذكاء الاصطناعي على الحافة (Edge AI): يشير هذا تحديداً إلى التطبيقات الذكية التي تعمل على تلك البنية التحتية. إنه يمثل "ماذا". على سبيل المثال، تعمل كاميرا الأمن كجهاز حوسبة على الحافة، ولكن عندما تستخدم الرؤية الحاسوبية (CV) للتعرف على شخص معين، فهي تقوم بتنفيذ الذكاء الاصطناعي على الحافة.

Link to this sectionتطبيقات العالم الحقيقي#

يعمل الذكاء الاصطناعي على الحافة على تحويل الصناعات من خلال تمكين اتخاذ القرار المستقل في السيناريوهات الحرجة:

• المركبات ذاتية القيادة: تولد السيارات ذاتية القيادة تيرابايت من البيانات يومياً. لا يمكنها الاعتماد على السحابة لتحديد المشاة أو العوائق بسبب زمن انتقال الإشارة. بدلاً من ذلك، فهي تستخدم الذكاء الاصطناعي على الحافة الموجود على متن السيارة من أجل اكتشاف الأشياء الفوري لضمان سلامة الركاب.
• التصنيع الذكي: في إنترنت الأشياء الصناعي (IIoT)، تستخدم المستشعرات في أرضيات المصانع الذكاء الاصطناعي على الحافة للصيانة التنبؤية. من خلال تحليل بيانات الاهتزاز ودرجة الحرارة محلياً، يمكن للنظام اكتشاف الشذوذ والتنبؤ بفشل المعدات في الوقت الفعلي، مما يمنع التوقف المكلف عن العمل.
• الرعاية الصحية: يمكن للأجهزة الطبية المحمولة المجهزة بـ Vision AI تحليل الصور الطبية أو العلامات الحيوية للمريض مباشرة في نقطة الرعاية، مما يوفر دعماً تشخيصياً فورياً في المناطق النائية ذات الاتصال الضعيف.

Link to this sectionنشر النماذج إلى الطرف#

يتضمن نشر نموذج على الحافة عادةً تدريب نموذج في بيئة ذات حوسبة عالية ثم تصديره إلى تنسيق متوافق مع أجهزة الحافة، مثل ONNX أو OpenVINO. تبسط منصة Ultralytics سير العمل هذا، مما يسمح للمستخدمين بتدريب وتصدير النماذج تلقائياً لمختلف أهداف الحافة.

The following example demonstrates how to export a lightweight YOLO26 model—specifically designed for efficiency—to a format suitable for mobile and edge deployment.

from ultralytics import YOLO

# Load the YOLO26 Nano model, which is optimized for speed on edge devices
model = YOLO("yolo26n.pt")

# Export the model to TFLite format for deployment on Android or Raspberry Pi
# This creates a 'yolo26n.tflite' file ready for edge inference
model.export(format="tflite")

Advanced edge deployments often utilize containerization technologies like Docker to package applications, ensuring they run consistently across different device architectures, from Raspberry Pi units to industrial gateways.