اكتشف كيف يتيح الذكاء الاصطناعي الطرفي معالجة الذكاء الاصطناعي في الوقت الفعلي والآمن والفعال على الأجهزة، مما يغير صناعات مثل الرعاية الصحية والمركبات ذاتية القيادة.
يشير مصطلح "الذكاء الاصطناعي الطرفي" إلى نشر خوارزميات ونماذج الذكاء الاصطناعي (AI) مباشرة على الأجهزة المحلية، مثل الهواتف الذكية وأجهزة استشعار إنترنت الأشياء والطائرات بدون طيار والمركبات المتصلة، بدلاً من الاعتماد على مراكز الحوسبة السحابية المركزية . يتيح هذا النهج اللامركزي معالجة البيانات في مصدر إنشائها، مما يقلل بشكل كبير من زمن الاستجابة المرتبط بإرسال المعلومات ذهابًا وإيابًا إلى الخوادم البعيدة. من خلال تنفيذ مهام التعلم الآلي (ML) محليًا، يمكن للأجهزة اتخاذ قرارات فورية، والعمل بشكل موثوق دون اتصال بالإنترنت، وتعزيز خصوصية البيانات من خلال الاحتفاظ بالمعلومات الحساسة على الجهاز نفسه.
يتمثل جوهر الذكاء الاصطناعي الحافي في تشغيل محرك استدلال على نظام مدمج. ونظرًا لأن الأجهزة الحافية عادةً ما تكون محدودة من حيث عمر البطارية والقدرة الحاسوبية مقارنةً بالخوادم السحابية، يجب أن تكون نماذج الذكاء الاصطناعي عالية الكفاءة. غالبًا ما يستخدم المطورون تقنيات مثل تكمية النموذج أو تقليم النموذج لضغط الشبكات العصبية الكبيرة دون التضحية بالدقة بشكل كبير.
غالبًا ما تُستخدم مسرعات الأجهزة المتخصصة للتعامل مع أحمال العمل هذه بكفاءة. ومن الأمثلة على ذلك منصة NVIDIA للروبوتات و Google Edge TPU للاستدلال منخفض الطاقة. كما تلعب أطر البرامج دورًا حيويًا؛ فهناك أدوات مثل TensorRT و TFLite تحسين النماذج خصيصًا لهذه البيئات المقيدة، مما يضمن استنتاجًا سريعًا في الوقت الفعلي.
على الرغم من أن المصطلحين غالبًا ما يستخدمان بالتبادل، إلا أنه من المفيد التمييز بينهما:
تقوم تقنية الذكاء الاصطناعي الطرفي بتحويل الصناعات من خلال تمكين اتخاذ القرارات المستقلة في السيناريوهات الحرجة:
عادةً ما يتضمن نشر نموذج على الحافة تدريب النموذج في بيئة عالية الحوسبة ثم تصديره إلى تنسيق متوافق مع أجهزة الحافة، مثل ONNX أو OpenVINO. تعمل Ultralytics على تبسيط سير العمل هذا، مما يتيح للمستخدمين تدريب وتصدير النماذج تلقائيًا لمختلف الأهداف الطرفية.
يوضح المثال التالي كيفية تصدير نموذج YOLO26 خفيف الوزن —مصمم خصيصًا لتحقيق الكفاءة—إلى تنسيق مناسب للنشر على الأجهزة المحمولة والأجهزة الطرفية.
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 المتقدمة على الحافة تقنيات الحاويات مثل Docker لتعبئة التطبيقات، مما يضمن تشغيلها بشكل متسق عبر بنى الأجهزة المختلفة، من وحدات Raspberry Pi إلى البوابات الصناعية.
