Edge AI
استكشف الذكاء الاصطناعي الطرفي وتعلّم كيفية نشر Ultralytics YOLO26 على الأجهزة المحلية للاستدلال في الوقت الفعلي، وتقليل زمن الاستجابة، وتعزيز خصوصية البيانات على الحافة.
يشير الذكاء الاصطناعي الطرفي إلى نشر خوارزميات ونماذج الذكاء الاصطناعي (AI) مباشرةً على أجهزة الأجهزة المحلية—مثل الهواتف الذكية، ومستشعرات إنترنت الأشياء، والطائرات المسيّرة، والمركبات المتصلة—بدلًا من الاعتماد على مراكز الحوسبة السحابية المركزية. يتيح هذا النهج اللامركزي معالجة البيانات عند مصدر إنشائها، مما يقلل بدرجة كبيرة زمن الاستجابة المرتبط بإرسال المعلومات ذهابًا وإيابًا إلى الخوادم البعيدة. ومن خلال تنفيذ مهام تعلّم الآلة (ML) محليًا، تستطيع الأجهزة اتخاذ قرارات فورية، والعمل بموثوقية دون اتصال بالإنترنت، وتعزيز خصوصية البيانات عبر إبقاء المعلومات الحساسة على الجهاز نفسه.
كيفية عمل الذكاء الاصطناعي الطرفي#
يكمن جوهر الذكاء الاصطناعي الطرفي في تشغيل محرك استدلال على نظام مضمن. ونظرًا إلى أن الأجهزة الطرفية تتمتع عادةً بعمر بطارية وقدرة حوسبية محدودين مقارنةً بخوادم السحابة، يجب أن تكون نماذج الذكاء الاصطناعي عالية الكفاءة. وغالبًا ما يستخدم المطورون تقنيات مثل تكميم النماذج أو تشذيب النماذج لضغط الشبكات العصبية الكبيرة دون التضحية بدقة كبيرة.
تُستخدم مسرّعات أجهزة متخصصة بكثرة للتعامل مع أعباء العمل هذه بكفاءة. ومن أمثلتها منصة NVIDIA Jetson المستخدمة في الروبوتات، وGoogle Coral Edge TPU للاستدلال منخفض استهلاك الطاقة. وتؤدي أطر البرمجيات أيضًا دورًا حيويًا؛ إذ تعمل أدوات مثل TensorRT وTFLite على تحسين النماذج خصيصًا لهذه البيئات محدودة الموارد، بما يضمن استدلالًا آنيًا سريعًا.
الذكاء الاصطناعي الطرفي مقابل الحوسبة الطرفية#
مع أن المصطلحين يُستخدمان غالبًا بالتبادل، فمن المفيد التمييز بينهما:
- الحوسبة الطرفية: يصف هذا المصطلح البنية التحتية المادية الأوسع وطوبولوجيا الشبكة التي تتم فيها معالجة البيانات بالقرب من مصدرها. إنه يحدد «المكان» في المعادلة.
- الذكاء الاصطناعي الطرفي: يشير هذا المصطلح تحديدًا إلى التطبيقات الذكية التي تعمل على تلك البنية التحتية. إنه يحدد «ماهيّة» المعادلة. فعلى سبيل المثال، تعمل كاميرا المراقبة جهازَ حوسبة طرفية، ولكن عندما تستخدم الرؤية الحاسوبية (CV) للتعرف على شخص معين، فإنها تنفذ الذكاء الاصطناعي الطرفي.
التطبيقات الواقعية#
يُحدث الذكاء الاصطناعي الطرفي تحولًا في الصناعات من خلال تمكين اتخاذ القرارات الذاتية في السيناريوهات الحرجة:
- المركبات ذاتية القيادة: 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 المدمج لإجراء اكتشاف الأجسام الفوري، بما يضمن سلامة الركاب.
- التصنيع الذكي: في إنترنت الأشياء الصناعي (IIoT)، تستخدم المستشعرات الموجودة 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 الوقت الفعلي، مما يمنع فترات التوقف المكلفة.
- الرعاية الصحية: تستطيع الأجهزة الطبية المحمولة المجهزة بـالذكاء الاصطناعي البصري (Vision AI) تحليل الصور الطبية أو المؤشرات الحيوية للمرضى مباشرةً في نقطة تقديم الرعاية، مما يوفر دعمًا تشخيصيًا فوريًا في المناطق النائية ذات الاتصال الضعيف.
نشر النماذج على الطرفية#
يتضمن نشر نموذج على الحافة عادةً تدريب نموذج في بيئة ذات قدرة حوسبية 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 لمختلف الأهداف الطرفية.
يوضح المثال التالي كيفية تصدير نموذج YOLO26 خفيف الوزن—مصمم خصيصًا لتحقيق الكفاءة—إلى تنسيق مناسب للنشر على الأجهزة المحمولة والطرفية.
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")غالبًا ما تستخدم عمليات النشر الطرفية المتقدمة تقنيات حاويات البرمجيات مثل Docker لتغليف التطبيقات، بما يضمن تشغيلها باستمرار عبر بنيات الأجهزة المختلفة، بدءًا من وحدات Raspberry Pi ووصولًا إلى البوابات الصناعية.
