Edge Computing

Edge computing, genellikle binlerce kilometre uzaktaki merkezi bir konuma güvenmek yerine, veri işleme ve depolamayı ihtiyaç duyulan konuma yaklaştıran dağıtık bir bilgi teknolojileri mimarisidir. Verileri kaynağın yakınında (yerel sunucularda, IoT ağ geçitlerinde veya doğrudan cihazların kendisinde) işleyerek gecikmeyi önemli ölçüde azaltır ve veri aktarımı için gereken bant genişliğini en aza indirir. Yapay zeka ve makine öğrenimi bağlamında edge computing, gelişmiş modellerin akıllı kameralarda, dronlarda ve endüstriyel sensörlerde anında yanıt verecek şekilde doğrudan çalıştırılmasını sağlayan Edge AI dağıtımı için gereken kritik altyapıyı sunar.

Edge Computing'in Temel Faydaları#

Merkezi bulut işlemden yerelleştirilmiş edge işlemeye geçiş, özellikle computer vision ve gerçek zamanlı analiz için birçok dönüştürücü avantaj sunar.

• Azaltılmış Gecikme: Geleneksel bulut mimarileri, verilerin işlenmek üzere bir veri merkezine ve ardından cihaza geri gönderilmesini gerektirir. Edge computing bu gidiş-dönüşü ortadan kaldırarak milisaniyelerin önemli olduğu real-time inference olanağı sağlar. Bu, anlık frenleme kararları vermesi gereken autonomous vehicles gibi güvenlik açısından kritik sistemler için gereklidir.
• Bant Genişliği Verimliliği: object detection için yüksek çözünürlüklü video akışlarının aktarılması çok büyük miktarda bant genişliği tüketir. Ham verileri yerel olarak işleyip yalnızca ilgili meta verileri veya uyarıları buluta göndererek kuruluşlar veri aktarım maliyetlerini büyük ölçüde azaltabilir.
• Geliştirilmiş Veri Gizliliği: Tıbbi görüntüler veya yüz tanıma verileri gibi hassas bilgiler tamamen yerel ortamda işlenebilir. Bu yerel sınırlandırma, kişisel verilerin cihazdan hiçbir zaman ayrılmamasını sağlayarak GDPR gibi katı düzenlemelere uyumu destekler.
• Çevrimdışı İşlevsellik: Edge cihazları, internet bağlantısı kesintili olduğunda veya tamamen kaybolduğunda bile özerk şekilde çalışmaya devam edebilir. Bu güvenilirlik, dronların ağ kapsamasının zayıf olduğu uzak tarlalarda ürünleri izlediği AI in agriculture gibi uygulamalar için hayati önem taşır.

Edge Computing ve Cloud Computing Karşılaştırması#

cloud computing, devasa veri kümelerini depolama ve büyük ölçekli modelleri eğitme konusunda başarılıyken edge computing yürütme aşamasına odaklanır. Bunları rakip teknolojilerden ziyade birbirini tamamlayan teknolojiler olarak görmek faydalıdır. Bulut, geçmiş verileri işlemek için yüksek hesaplama gücünün gerektiği model training süreçlerinde sıklıkla kullanılır. Model eğitildikten sonra optimize edilmiş model, çıkarım için edge ortamına dağıtılır. Bu hibrit yaklaşım her ikisinin güçlü yönlerinden yararlanır: bulutun sınırsız ölçeklenebilirliği ve edge'in hızı.

Gerçek Dünya Uygulamaları#

Edge computing, zekayı doğrudan fiziksel operasyonlara entegre ederek endüstrileri yeniden şekillendiriyor.

• Akıllı Üretim: industrial automation kapsamında fabrikalar, makinelerden gelen sensör verilerini analiz etmek için edge ağ geçitlerini kullanır. Bir titreşim anormalliği tespit edilirse sistem, maliyetli kesintileri önlemek amacıyla predictive maintenance protokollerini anında tetikleyebilir.
• Akıllı Perakende: Fiziksel mağazalar, inventory management için edge destekli kameralardan yararlanır. Sistemler raflardaki stok seviyelerini özerk şekilde takip edebilir ve ürünleri yeniden stoklamaları için çalışanları uyarabilir; bunu müşteri video akışlarını harici sunuculara göndermeden yaparak operasyonel verimliliği artırır.
• Trafik Yönetimi: Akıllı şehirler, traffic signals kontrolü için kavşaklara edge düğümleri yerleştirir. Bu sistemler, trafik akışını yerel olarak gerçek zamanlı analiz ederek yoğunluğu azaltmak için ışıkların zamanlamasını optimize edebilir ve merkezi kontrol merkezlerinden bağımsız şekilde çalışabilir.

Modelleri Edge Ortamına Dağıtma#

Karmaşık modelleri kaynakları kısıtlı edge cihazlarında çalıştırmak için geliştiriciler genellikle model quantization gibi optimizasyon tekniklerini veya TensorRT ya da ONNX gibi özel formatlara aktarmayı kullanır. Ultralytics Platform, kullanıcıların modelleri bulutta eğitip çeşitli edge hedeflerine sorunsuz şekilde dağıtmasına olanak tanıyarak bu süreci basitleştirir.

Aşağıdaki örnek, mobil ve gömülü edge cihazları için yüksek düzeyde optimize edilmiş NCNN formatına bir YOLO26 modelinin nasıl aktarılacağını gösterir.

from ultralytics import YOLO

# Load a pre-trained YOLO26 model
model = YOLO("yolo26n.pt")

# Export the model to NCNN format for mobile edge deployment
# This creates a lightweight, optimized version of the model
model.export(format="ncnn")

İlgili Kavramlar#

• Edge AI: Edge computing dağıtık altyapıyı ifade ederken Edge AI, özellikle bu altyapı üzerinde çalışan yapay zeka algoritmalarının uygulanmasını ifade eder.
• Nesnelerin İnterneti (IoT): Sensörler ve yazılımlarla donatılmış fiziksel nesnelerden ("şeyler") oluşan ağdır. Edge computing, bu IoT cihazlarını "akıllı" hale getiren işlem gücünü sağlar.
• Fog Computing: Verilerin, hesaplama kaynaklarının, depolamanın ve uygulamaların veri kaynağı ile bulut arasında bir yerde konumlandığı merkeziyetsiz bir bilişim altyapısıdır; genellikle cloud computing'in edge ortamına doğru bir uzantısı olarak kabul edilir.