Edge AI

يشير الذكاء الاصطناعي الطرفي إلى نشر خوارزميات ونماذج الذكاء الاصطناعي (AI) مباشرةً على أجهزة محلية، مثل الهواتف الذكية ومستشعرات إنترنت الأشياء والطائرات المسيّرة والمركبات المتصلة، بدلًا من الاعتماد على مراكز الحوسبة السحابية المركزية. ويتيح هذا النهج اللامركزي معالجة البيانات عند مصدر إنشائها، ما يقلل بدرجة كبيرة زمن الاستجابة الناجم عن إرسال المعلومات ذهابًا وإيابًا إلى الخوادم البعيدة. ومن خلال تنفيذ مهام التعلم الآلي (ML) محليًا، تستطيع الأجهزة اتخاذ قرارات فورية والعمل بموثوقية من دون اتصال بالإنترنت، وتعزيز خصوصية البيانات بإبقاء المعلومات الحساسة على الجهاز نفسه.

كيف يعمل الذكاء الاصطناعي الطرفي#

يكمن جوهر الذكاء الاصطناعي الطرفي في تشغيل محرك استدلال على نظام مضمن. ونظرًا إلى محدودية عمر البطارية والقدرة الحاسوبية للأجهزة الطرفية عادةً مقارنةً بالخوادم السحابية، يجب أن تكون نماذج الذكاء الاصطناعي عالية الكفاءة. وغالبًا ما يستخدم المطورون تقنيات مثل تكميم النماذج أو تقليم النماذج لضغط الشبكات العصبية الكبيرة من دون التضحية بقدر كبير من الدقة.

كثيرًا ما تُستخدم مسرّعات أجهزة متخصصة للتعامل مع أعباء العمل هذه بكفاءة. ومن أمثلتها منصة NVIDIA Jetson للروبوتات وGoogle Coral Edge TPU للاستدلال منخفض الطاقة. وتؤدي أطر البرمجيات دورًا حيويًا أيضًا؛ إذ تعمل أدوات مثل TensorRT وTFLite على تحسين النماذج خصيصًا لهذه البيئات محدودة الموارد، بما يضمن استدلالًا آنيًا سريعًا.

الذكاء الاصطناعي الطرفي مقارنةً بالحوسبة الطرفية#

رغم استخدام المصطلحين بالتبادل في كثير من الأحيان، من المفيد التمييز بينهما:

• الحوسبة الطرفية: تصف البنية التحتية المادية الأوسع وطوبولوجيا الشبكة التي تجري فيها معالجة البيانات بالقرب من مصدرها. وهي تجيب عن سؤال «أين» في هذه المعادلة.
• الذكاء الاصطناعي الطرفي: يشير هذا المصطلح تحديدًا إلى التطبيقات الذكية التي تعمل على تلك البنية التحتية. وهو يجيب عن سؤال «ماذا». فعلى سبيل المثال، تعمل كاميرا المراقبة جهازًا للحوسبة الطرفية، ولكن عندما تستخدم الرؤية الحاسوبية (CV) للتعرف على شخص بعينه، فإنها تنفذ الذكاء الاصطناعي الطرفي.

تطبيقات عملية#

يُحدث الذكاء الاصطناعي الطرفي تحولًا في القطاعات من خلال تمكين اتخاذ القرارات المستقلة في السيناريوهات الحرجة:

• المركبات المستقلة: تولّد السيارات ذاتية القيادة تيرابايتات من البيانات يوميًا. ولا يمكنها الاعتماد على السحابة للتعرف على المشاة أو العوائق بسبب زمن استجابة الإشارة. وبدلًا من ذلك، تستخدم الذكاء الاصطناعي الطرفي على متنها لتنفيذ اكتشاف الكائنات فورًا وضمان سلامة الركاب.
• التصنيع الذكي: في إنترنت الأشياء الصناعي (IIoT)، تستخدم المستشعرات في أرضيات المصانع الذكاء الاصطناعي الطرفي للصيانة التنبؤية. ومن خلال تحليل بيانات الاهتزاز ودرجة الحرارة محليًا، يستطيع النظام اكتشاف الحالات الشاذة والتنبؤ بتعطل المعدات في الزمن الحقيقي، ما يمنع فترات التوقف المكلفة.
• الرعاية الصحية: تستطيع الأجهزة الطبية المحمولة المزودة بـالذكاء الاصطناعي البصري تحليل الصور الطبية أو المؤشرات الحيوية للمريض مباشرةً في موقع تقديم الرعاية، وتوفير دعم تشخيصي فوري في المناطق النائية ضعيفة الاتصال.

نشر النماذج على الأجهزة الطرفية#

يتضمن نشر نموذج على الأجهزة الطرفية عادةً تدريبه في بيئة ذات قدرة حاسوبية عالية، ثم تصديره إلى تنسيق متوافق مع الأجهزة الطرفية، مثل ONNX أو OpenVINO. وتبسّط منصة Ultralytics سير العمل هذا، إذ تتيح للمستخدمين تدريب النماذج وتصديرها تلقائيًا لاستهداف أنواع مختلفة من الأجهزة الطرفية.

يوضح المثال الآتي كيفية تصدير نموذج YOLO26 خفيف الوزن، مصمم خصيصًا لتحقيق الكفاءة، إلى تنسيق مناسب للنشر على الأجهزة المحمولة والطرفية.

from ultralytics import YOLO

# ⁨تحميل نموذج YOLO26 Nano، المحسّن للسرعة على الأجهزة الطرفية⁩
model = YOLO("yolo26n.pt")

# ⁨تصدير النموذج بتنسيق TFLite لنشره على Android أو Raspberry Pi⁩
# ⁨ينشئ هذا ملف 'yolo26n.tflite' جاهزًا للاستدلال الطرفي⁩
model.export(format="tflite")

غالبًا ما تستخدم عمليات النشر الطرفية المتقدمة تقنيات الحاويات مثل Docker لتجميع التطبيقات، بما يضمن تشغيلها باتساق عبر بُنى الأجهزة المختلفة، بدءًا من وحدات Raspberry Pi وصولًا إلى البوابات الصناعية.