Edge AI

يشير الذكاء الاصطناعي على الحافة إلى نشر خوارزميات وننماذج الذكاء الاصطناعي (AI) مباشرة على الأجهزة العتادية المحلية — مثل الهواتف الذكية، ومستشعرات 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 الوصول المرتبط بإرسال المعلومات ذهاباً وإياباً إلى الخوادم البعيدة. ومن خلال تنفيذ مهام تعلم الآلة (ML) محلياً، يمكن للأجهزة اتخاذ قرارات فورية، والعمل بشكل موثوق دون اتصال بالإنترنت، وتعزيز خصوصية البيانات من خلال الاحتفاظ بالمعلومات الحساسة على الجهاز نفسه.

كيف يعمل الذكاء الاصطناعي على الحافة#

يتضمن جوهر الذكاء الاصطناعي على الحافة تشغيل محرك استدلال على نظام مدمج. ون نظراً لأن أجهزة الحافة عادةً ما تتمتع بعمر بطارية وقوة حوسبية محدودة مقارنة بخوادم السحابة، يجب أن تكون نماذج الذكاء الاصطناعي عالية الكفاءة. وغالباً ما يستعين المطورون بتقنيات مثل تكميم النماذج أو تقليم النماذج لضغط الشبكات العصبية الكبيرة دون التضحية بالدقة بشكل ملحوظ.

Specialized hardware accelerators are frequently used to handle these workloads efficiently. Examples include the NVIDIA Jetson platform for robotics and the Google Coral Edge TPU for low-power inference. Software frameworks also play a vital role; tools like TensorRT and TFLite optimize models specifically for these constrained environments, ensuring fast real-time inference.

الذكاء الاصطناعي على الحافة مقابل الحوسبة على الحافة#

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

• حوسبة الحافة: يصف هذا البنية التحتية الفيزيائية الأوسع نطاقاً وتوبولوجيا الشبكة حيث تتم معالجة البيانات بالقرب من مصدر البيانات. إنه يمثل جانب "أين" في المعادلة.
• الذكاء الاصطناعي على الحافة: يشير هذا خصيصاً إلى التطبيقات الذكية التي تعمل على تلك البنية التحتية. إنه يمثل "ماذا". على سبيل المثال، تعمل كاميرا الأمان كجهاز حوسبة حافة، ولكن عندما تستخدم رؤية الكمبيوتر (CV) للتعرف على شخص معين، فإنها تؤدي الذكاء الاصطناعي على الحافة.

تطبيقات العالم الحقيقي#

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

• المركبات ذاتية القيادة: تنتج السيارات ذاتية القيادة تيرابايتات من البيانات يومياً. ولا يمكنها الاعتماد على السحابة لتحديد المشاة أو العوائق نظراً لزمن وصول الإشارة. وبلاً من ذلك، فإنها تستخدم الذكاء الاصطناعي على الحافة على متن المركبة لاكتشاف الكائنات الفوري لضمان سلامة الركاب.
• التصنيع الذكي: في مجال إنترنت الأشياء الصناعي (IIoT)، تستخدم المستشعرات الموجودة في أرضيات المصانع الذكاء الاصطناعي على الحافة للصيانة التنبؤية. ومن خلال تحليل بيانات الاهتزاز ودرجة الحرارة محلياً، يمكن للنظام اكتشاف الحالات الشاذة والتنبؤ بفشل المعدات في الوقت الفعلي، مما يمنع تعطل العمل المكلف.
• الرعاية الصحية: يمكن للأجهزة الطبية المحمولة المزودة بتقنية Vision AI تحليل الصور الطبية أو العلامات الحيوية للمرضى مباشرة في نقطة الرعاية، مما يوفر دعم تشخيصي فوري في المناطق النائية ذات الاتصال الضعيف.

نشر النماذج إلى الطرف#

يتضمن نشر نموذج على الحافة عادةً تدريب نموذج في بيئة عالية الحوسبة ثم تصديره إلى تنسيق متوافق مع أجهزة الحافة، مثل ONNX أو OpenVINO. تعمل منصة Ultralytics على تبسيط سير العمل هذا، مما يتيح للمستخدمين تدريب وتصدير النماذج تلقائياً لمختلف أهداف الحافة.

يوضح المثال التالي كيفية تصدير نموذج YOLO26 خفيف الوزن — مصمم خصيصاً للكفاءة — إلى تنسيق مناسب للنشر على الأجهزة المحمولة والحافة.

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")

غالباً ما تستخدم عمليات نشر الحافة المتقدمة تقنيات الحاويات مثل Docker لتعبئة التطبيقات، مما يضمن تشغيلها بشكل متسق عبر بنيات الأجهزة المختلفة، بدءاً من وحدات Raspberry Pi وصولاً إلى البوابات الصناعية.