الذكاء الاصطناعي الطرفي (Edge AI)

ينشئ الذكاء الاصطناعي المتطور بيئة حوسبة لا مركزية حيث الذكاء الاصطناعي (AI) و والتعلم الآلي (ML) خوارزميات تتم معالجتها مباشرةً على جهاز محلي، بدلاً من الاعتماد على خوادم بعيدة. من خلال إجراء معالجة البيانات بالقرب من المصدر - مثل مثل أجهزة الاستشعار أو الكاميرات أو بوابات إنترنت الأشياء، يقلل الذكاء الاصطناعي الحافة بشكل كبير من زمن الاستجابة واستخدام النطاق الترددي. هذا النهج ضروري للتطبيقات التي تتطلب الاستدلال في الوقت الحقيقي حيث تكون الأجزاء من الثانية مهمة, أو في البيئات ذات الاتصال غير المستقر بالإنترنت. إن التحول من المعالجة المركزية إلى الحافة يُمكِّن الأجهزة من اتخاذ قرارات مستقلة، مما يعزز خصوصية البيانات من خلال الاحتفاظ بالمعلومات الحساسة على الأجهزة المحلية.

كيف يعمل الذكاء الاصطناعي الحدي (Edge AI)؟

في سير عمل الذكاء الاصطناعي النموذجي للذكاء الاصطناعي المتطور (Edge)، يقوم جهاز مادي بجمع البيانات من خلال مستشعرات الإدخال. بدلاً من نقل البيانات الخام إلى مركز الحوسبة السحابية، يستخدم الجهاز معالجًا دقيقًا مدمجًا أو مسرعًا متخصصًا - مثل وحدة وحدة NVIDIA Jetson أو وحدة Google Coral Edge TPUغيل نماذج تعلّم الآلة محلياً.

للعمل بفعالية على الأجهزة محدودة الموارد، غالبًا ما تخضع النماذج لعمليات تحسين. تقنيات مثل تكميم النماذج و وتقليم النماذج يقلل من حجم الملف والتعقيد الحسابي للشبكات العصبية دون التضحية بالدقة بشكل كبير. الأطر المحسّنة, مثل TensorRT و Intel OpenVINOيعملان كمحرك محرك الاستدلال لتسريع هذه النماذج على على بنيات أجهزة محددة.

الذكاء الاصطناعي الطرفي مقابل الحوسبة الطرفية

وعلى الرغم من استخدامهما معًا بشكل متكرر، إلا أنه من المفيد التمييز بين هذين المفهومين المرتبطين:

• حوسبة الحافة: يشير هذا إلى البنية التحتية والبنية التحتية المادية الأوسع نطاقًا التي تجعل قوة الحوسبة وتخزين البيانات أقرب إلى الموقع الذي يحتاج إليها. وهي تشمل الأجهزة وطوبولوجيا الشبكة.
• الذكاء الاصطناعي المتطور: هذا تطبيق محدد للحوسبة المتطورة. يتضمن تشغيل خوارزميات ذكية خوارزميات ذكية، مثل الرؤية الحاسوبية (CV) أو التحليلات التنبؤية، فوق تلك البنية التحتية المتطورة.

تطبيقات واقعية

يؤدي نشر الذكاء الاصطناعي المتطور إلى تحويل الصناعات من خلال تمكين العمليات المستقلة والتحليلات الأكثر ذكاءً.

• الأنظمة ذاتية القيادة: تستخدم السيارات ذاتية القيادة الذكاء الاصطناعي Edge لمعالجة المدخلات من الليدار والرادار والكاميرات على الفور. يجب عليها detect المشاة، وقراءة إشارات المرور، والتنقل في الحارات في الوقت الفعلي. سيؤدي الاعتماد على السحابة إلى زمن انتقال خطير؛ ولذلك، فإن يحدث اكتشاف الأجسام بالكامل داخل الكمبيوتر الموجود على متن السيارة.
• التصنيع الذكي: في الأتمتة الصناعية، تعمل الأتمتة الصناعية على تشغيل أنظمة الفحص البصري على خطوط التجميع. الكاميرات المجهزة بنماذج مثل Ultralytics YOLO11 تحديد عيوب المنتج أو مخاطر السلامة المخاطر على الفور. تتيح هذه المعالجة المحلية إمكانية الكشف السريع عن الشذوذ والتكامل مع لإزالة العناصر المعيبة دون إيقاف الإنتاج.
• المدن الذكية: البلديات تنشر الذكاء الاصطناعي المتطور من أجل الإدارة الذكية لحركة المرور. يمكن لإشارات المرور ضبط التوقيت بشكل ديناميكي استناداً إلى تحليل تدفق المركبات الذي يتم إجراؤه محلياً عند التقاطعات، مما يقلل من الازدحام ويحسّن التنقل في المناطق الحضرية.

نشر النماذج على الحافة

غالبًا ما يتضمن نشر نموذج على جهاز متطور تصدير نموذج مُدرَّب إلى تنسيق لا يعتمد على الأجهزة. إن ONNX (تبادل الشبكة العصبية المفتوحة) هو معيار يسمح بتشغيل النماذج عبر منصات مختلفة.

يوضح المثال التالي كيفية تصدير نموذج YOLO11 خفيف الوزن، وهو مثالي للنشر على الحافة بسبب سرعته وكفاءته:

from ultralytics import YOLO

# Load a lightweight YOLO11 nano model
model = YOLO("yolo11n.pt")

# Export the model to ONNX format for edge deployment
# The 'dynamic' argument allows for variable input sizes
model.export(format="onnx", dynamic=True)

التحديات والاتجاهات المستقبلية

ينطوي تطبيق الذكاء الاصطناعي المتطور على تحديات، تتعلق في المقام الأول بمحدودية موارد الطاقة والذاكرة للأجهزة المتطورة مقارنةً بمراكز البيانات الضخمة. يجب على المطورين تحقيق التوازن بين أداء النموذج واستهلاك الطاقة، وغالبًا ما يستخدمون تصميمات النظام على الرقاقة (SoC) من شركات مثل كوالكوم أو أمباريلا.

بالنظر إلى المستقبل، سيؤدي تكامل شبكات الجيل الخامس 5G إلى زيادة تعزيز تقنية Edge الذكاء الاصطناعي من خلال توفير الاتصال عالي السرعة اللازم لتنسيق الأجهزة، والمعروف باسم ذكاء السرب. بالإضافة إلى ذلك تسمح تقنيات مثل التعلم الموحد للأجهزة المتطورة بتحسين النماذج العالمية بشكل تعاوني مع الحفاظ على لامركزية البيانات الأولية وخصوصيتها.