اكتشف كيف يُمكِّن الذكاء الاصطناعي المتطور من معالجة الذكاء الاصطناعي على الأجهزة في الوقت الفعلي وبشكل آمن وفعال، مما يُحدث تحولاً في صناعات مثل الرعاية الصحية والمركبات ذاتية القيادة.
يشير مصطلح "الذكاء الاصطناعي المتطور" إلى ممارسة تشغيل خوارزميات الذكاء الاصطناعي (AI) مباشرةً على الأجهزة المحلية، المعروفة باسم الأجهزة المتطورة، مثل الهواتف الذكية أو الكاميرات أو أجهزة الاستشعار أو الأنظمة المدمجة. فبدلاً من إرسال البيانات إلى خوادم الحوسبة السحابية البعيدة للمعالجة، يتيح الذكاء الاصطناعي الحدي إمكانية تحليل البيانات واتخاذ القرارات بالقرب من المصدر الذي يتم فيه إنشاء البيانات. يستفيد هذا النهج من التطورات في الأجهزة، مثل رقائق الذكاء الاصطناعي المتخصصة، ونماذج التعلم الآلي الفعالة (ML) لجلب الذكاء إلى حافة الشبكة. وهو يسمح للأجهزة بأداء مهام مثل التعرف على الصور ومعالجة اللغة الطبيعية (NLP) واكتشاف الشذوذ محلياً.
تتضمن العملية عادةً تدريب نموذج ذكاء اصطناعي، وغالبًا ما يتم ذلك باستخدام موارد سحابية قوية أو خوادم محلية. وبمجرد تدريب النموذج، يخضع النموذج لتقنيات التحسين مثل تكميم النموذج أو تشذيب النموذج لتقليل حجمه ومتطلباته الحاسوبية. يعد هذا التحسين أمرًا بالغ الأهمية لتشغيل النماذج بكفاءة على الأجهزة الطرفية المحدودة الموارد، والتي غالبًا ما تكون لديها طاقة معالجة محدودة (CPU/GPU) والذاكرة وعمر البطارية المحدود. يتم بعد ذلك نشر النموذج المُحسَّن على جهاز الحافة باستخدام أطر عمل مثل TensorFlow Lite أو PyTorch Mobile أو ONNX Runtime أو حزم SDK المتخصصة مثل OpenVINO منIntel. يمكن للجهاز بعد ذلك إجراء استدلال في الوقت الفعلي باستخدام مستشعراته المحلية (مثل الكاميرات والميكروفونات) لمعالجة البيانات وتوليد رؤى أو إجراءات دون الحاجة إلى اتصال دائم بالإنترنت. يمكن تبسيط إدارة عمليات النشر هذه باستخدام منصات مثل Ultralytics HUB.
يكمن الاختلاف الأساسي في مكان إجراء حوسبة الذكاء الاصطناعي. فالذكاء الاصطناعي السحابي يعالج البيانات على خوادم مركزية، مما يوفر موارد حاسوبية هائلة مناسبة للنماذج المعقدة وبيانات التدريب واسعة النطاق. ومع ذلك، فإنها تقدم وقت استجابة بسبب نقل البيانات وتتطلب اتصالاً موثوقاً بالإنترنت. وعلى العكس من ذلك، يعالج الذكاء الاصطناعي الحافي البيانات محليًا على الجهاز. وهذا يقلل من زمن الاستجابة، ويعزز خصوصية البيانات حيث لا تحتاج المعلومات الحساسة إلى مغادرة الجهاز، ويتيح التشغيل في بيئات غير متصلة بالإنترنت أو في بيئات ذات نطاق ترددي منخفض. تتمثل المفاضلة في أن أجهزة الحافة لها موارد محدودة، مما يحد من تعقيد النماذج القابلة للنشر. اقرأ المزيد عن الذكاء الاصطناعي الحافي مقابل الذكاء الاصطناعي السحابي.
الذكاء الاصطناعي الحافي هو تطبيق محدد ضمن المجال الأوسع للحوسبة الطرفية. تشير حوسبة الحافة إلى النموذج العام لتحويل المهام الحاسوبية بعيدًا عن مراكز البيانات المركزية نحو "حافة" الشبكة، بالقرب من المستخدمين ومصادر البيانات. تطبق حوسبة الحافة على وجه التحديد هذا المفهوم على أعباء عمل الذكاء الاصطناعي والتعلم الآلي، مما يتيح المعالجة الذكية مباشرة على الأجهزة المتطورة. في حين أن حوسبة الحافة يمكن أن تتضمن أنواعاً مختلفة من المعالجة، إلا أن الذكاء الاصطناعي الحدي يركز على نشر نماذج الذكاء الاصطناعي وتشغيلها محلياً. يمكنك معرفة المزيد عن حوسبة الحافة هنا.
يُحدث الذكاء الاصطناعي المتطور تحولاً في العديد من الصناعات، لا سيما في مجال الرؤية الحاسوبية (CV). ينعكس الطلب المتزايد في تزايد حجم سوق الذكاء الاصطناعي المتطور.
على الرغم من فوائده، يواجه الذكاء الاصطناعي المتطور تحديات تشمل الموارد الحسابية المحدودة(تأثير طاقة الحوسبة) للأجهزة المتطورة، والحاجة إلى نماذج محسّنة للغاية(مثل كفاءة YOLOv9)، وإدارة نشر النموذج والتحديثات عبر العديد من الأجهزة الموزعة (غالباً باستخدام أدوات مثل Docker)، وضمان أداء النموذج في ظل ظروف العالم الحقيقي المتغيرة. وتساعد الأجهزة المتخصصة مثل Google Edge TPU وأجهزة الاستشعار مثل Sony IMX500 في معالجة بعض هذه القيود على الأجهزة. أطر عمل مثل NVIDIA TensorRT تساعد أيضًا في التحسين.
يمثل الذكاء الاصطناعي الحافي تحولاً كبيراً في كيفية تقديم قدرات الذكاء الاصطناعي، حيث ينقل الذكاء من السحابة المركزية إلى الأجهزة المحلية. يتيح ذلك جيلًا جديدًا من تطبيقات الذكاء الاصطناعي المتجاوبة والخاصة والموثوقة التي يمكن أن تعمل بفعالية على حافة الشبكة، مما يؤثر على كل شيء بدءًا من الإلكترونيات الاستهلاكية إلى الأنظمة الصناعية الحيوية.
