Edge Computing

الحوسبة الطرفية هي تشغيل الحوسبة وتخزين البيانات بالقرب من مكان إنتاجها أو استخدامها، على الأجهزة أو الخوادم والبوابات المحلية أو مراكز البيانات الصغيرة عند أطراف شبكات الاتصالات، بدلًا من إرسال كل شيء إلى منطقة سحابية بعيدة. تقلّل المعالجة قرب المصدر زمن الاستجابة، وتخفض النطاق الترددي اللازم لنقل البيانات الخام، وتحفظ البيانات الحساسة في الموقع، وتتيح للأنظمة مواصلة العمل عند انقطاع الشبكة. نشأت الفكرة من شبكات توصيل المحتوى التي خزّنت صفحات الويب مؤقتًا قرب المستخدمين في أواخر التسعينيات؛ واقترح باحثون بقيادة Mahadev Satyanarayanan «سُحُبًا مصغّرة» للأجهزة المحمولة في 2009، وأدخلت Cisco مصطلح الحوسبة الضبابية في 2012، وبدأت هيئة المعايير الأوروبية ETSI وضع معايير الحوسبة الطرفية متعددة الوصول لشبكات الهاتف المحمول في 2014. ويُسمى تشغيل نماذج التعلّم الآلي على هذه البنية التحتية ذكاءً اصطناعيًا طرفيًا.

طبقات الحوسبة الطرفية#

يشمل «الطرف» عدة طبقات بين المستشعر والسحابة:

• طرف الجهاز: كاميرات وهواتف وطائرات مسيّرة وروبوتات ومركبات تعالج البيانات على معالجاتها الخاصة، وغالبًا ما تضم مسرّعات مدمجة.
• الطرف المحلي: بوابات وخوادم صغيرة داخل مصنع أو متجر أو مستشفى أو مزرعة، تجمع البيانات من أجهزة كثيرة، مثل صندوق GPU واحد يحلل تدفقات عشرات الكاميرات.
• طرف الشبكة: خوادم في محطات الاتصالات الأساسية أو نقاط التواجد الإقليمية، على بُعد بضعة ميلي ثوانٍ من مستخدمي الهاتف المحمول، وتشغّل أحمال العمل للأجهزة الأصغر من أن تنفذها محليًا.
• السحابة: مناطق مركزية لتدريب النماذج وتخزين البيانات على المدى الطويل وإدارة أسطول الأجهزة الطرفية.

لماذا تُعالج البيانات عند الطرف#

زمن الاستجابة هو السبب الأول. ينتقل الضوء في الألياف الضوئية بسرعة تقارب 200 كيلومتر لكل ميلي ثانية، لذا يضيف مركز بيانات يبعد 1,000 km ما لا يقل عن 10 ms من التأخير ذهابًا وإيابًا قبل احتساب التوجيه أو الانتظار أو المعالجة، وتنفّذ المركبات ذاتية القيادة والروبوتات التي يجب أن تستجيب خلال ميلي ثوانٍ استدلالًا آنيًا على متنها. أما السبب الثاني فهو النطاق الترددي: يحتاج تدفق كاميرا واحدة بدقة 1080p وترميز H.264 إلى بضعة ميغابتات في الثانية، لذا سيرفع موقع يضم 100 كاميرا مئات الميغابتات باستمرار، بينما لا يشغل حدث كشف يُرسل بصيغة JSON سوى بضعة كيلوبايتات. كما تحفظ المعالجة في الموقع الصور الخام للأشخاص محليًا، فلا تغادر المبنى إلا الأعداد أو التنبيهات أو النتائج مجهولة الهوية، ما يسهّل الامتثال لالتزامات خصوصية البيانات، ويحافظ على تشغيل الأنظمة عند انقطاع الشبكة في المزارع والسفن والمناجم والبنى التحتية النائية.

عمليًا، يشكّل الطرف والسحابة حلقة متكاملة. تعالج الأجهزة كل إطار محليًا وترسل إلى السحابة الأحداث والعينات المختارة فقط، ثم تستخدم السحابة تلك العينات لإعادة التدريب ودفع النماذج المحسّنة إلى الأجهزة:

يُستخدم هذا النمط في فحص الجودة على خطوط الإنتاج، حيث يجب استبعاد القطعة المعيبة قبل وصول القطعة التالية، وفي مراقبة المحاصيل والماشية في الحقول ذات الاتصال الضعيف، وفي أنظمة إدارة حركة المرور التي تضبط الإشارات استنادًا إلى كاميرات التقاطعات.

الحوسبة الطرفية ومصطلحات ذات صلة#

تجمع الحوسبة السحابية السعة المرنة في مراكز بيانات ضخمة، وتوسّع الحوسبة الطرفية نطاق الحوسبة إلى خارجها، لذا تستخدم معظم الأنظمة كليهما. والذكاء الاصطناعي الطرفي هو فرع الحوسبة الطرفية الذي يشغّل نماذج الذكاء الاصطناعي. أما الحوسبة الضبابية، وهو المصطلح الذي وضعته Cisco، فتصف طبقة البوابات والخوادم المحلية بين الأجهزة والسحابة، وهي مرادف إلى حد كبير لطبقتي الطرف المحلي وطرف الشبكة. وإنترنت الأشياء (IoT) هو شبكة المستشعرات والأجهزة المتصلة، والحوسبة الطرفية هي المكان الذي تُعالج فيه نسبة كبيرة من البيانات التي تنتجها.

نشر النماذج على الأجهزة الطرفية#

تملك أجهزة الحافة جزءًا ضئيلًا من الذاكرة والحوسبة والطاقة المتاحة لـGPU في مركز بيانات، بدءًا من المتحكمات الدقيقة التي تستهلك ميلي واط، وصولًا إلى وحدات NVIDIA Jetson ولوحات Raspberry Pi. تُصغّر النماذج وتُسرّع باستخدام تكميم النماذج إلى أعداد صحيحة من 8 بت، والتقليم، وتقطير المعرفة، ثم تُجمّع لبيئة التشغيل والمسرّع المستهدفين، مثل TensorRT على وحدات GPU من NVIDIA، وOpenVINO على وحدات CPU وNPUs من Intel، وLiteRT على Android، أو Core ML على أجهزة Apple. وينتج وضع التصدير في Ultralytics YOLO هذه التنسيقات من نموذج مدرّب واحد. يصدّر هذا المثال YOLO26 إلى NCNN، وهو إطار الاستدلال من Tencent للهواتف المحمولة ووحدات ARM CPU، ثم يشغّل النموذج المُصدّر:

from ultralytics import YOLO

# Export YOLO26n to NCNN, a lightweight runtime for ARM CPUs and mobile devices
model = YOLO("yolo26n.pt")
ncnn_path = model.export(format="ncnn")  # writes the yolo26n_ncnn_model folder

# Load the exported model and run it on this machine's CPU
ncnn_model = YOLO(ncnn_path)
results = ncnn_model("https://ultralytics.com/images/bus.jpg")
print(f"Inference: {results[0].speed['inference']:.1f} ms")

ينشئ التصدير مجلد yolo26n_ncnn_model يحتوي على model.ncnn.param لبنية الشبكة، وmodel.ncnn.bin للأوزان، وmetadata.yaml لأسماء الفئات وحجم الإدخال. ويمثل الزمن المطبوع زمن استدلال الصورة الواحدة على الجهاز الذي يشغّل النموذج، وهو الرقم الذي يحدد مدى ملاءمة النموذج لميزانية معدل الإطارات في التطبيق الطرفي.