Edge AI: كيف تعمل الحوسبة المتطورة على تمكين موجة جديدة من الذكاء الاصطناعي

تشير الأبحاث الحديثة إلى أن عدد أجهزة إنترنت الأشياء المستخدمة عالميًا سيتجاوز 38 مليارًا بحلول عام 2025. وستؤثر الزيادة الحادة حتمًا على حالة اعتماد الذكاء الاصطناعي لأن كلا المفهومين - إنترنت الأشياء والذكاء الاصطناعي - كانا دائمًا متلازمين.

مع المعيار الذهبي لتطوير أنظمة إنترنت الأشياء ، فإن النهج المرتكز على السحابة ، الذي يخرج ببطء عن الموضة ، سيبدأ الذكاء الاصطناعي في الزحف بالقرب من الحافة أيضًا. تتنوع أسباب التحول إلى الحافة ، ولكن أكثرها وضوحًا تشمل زمن الوصول المرتفع وتكاليف الحوسبة السحابية العالية. هذه هي الحدة بشكل خاص لأنظمة إنترنت الأشياء واسعة النطاق.

ومع ذلك ، في حين أن بائعي برامج الذكاء الاصطناعي يوسعون عروضهم من خلال تطوير أنظمة ذكاء اصطناعي متطورة ، فإن الشركات تتساءل: ما هو الذكاء الاصطناعي المتقدم بالضبط ، وكيف يعمل تحت الغطاء ، وما هي حالات استخدام الذكاء الاصطناعي الشائعة لتطويرها؟ إذا كان هذا هو نوع الأسئلة التي تطرحها على نفسك ، فاستمر في القراءة. في الجزء أدناه ، نسلط الضوء على العناصر الداخلية ، وحالات الاستخدام ، والفوائد ، والقيود الخاصة بـ edge AI.

ما هو Edge AI ، وكيف يختلف عن Cloud AI؟

يمكن تقسيم بنية إنترنت الأشياء القياسية تقريبًا إلى ثلاثة مكونات: الأشياء والبوابات والسحابة. تمثل الأشياء جميع أنواع الأدوات والأدوات والمعدات المعززة بأجهزة استشعار تولد البيانات. البوابات هي أجهزة مركزية ، على سبيل المثال ، أجهزة توجيه ، تربط الأشياء بالسحابة. تشكل الأجهزة الطرفية والبوابات معًا طبقة الحافة.

Edge AI ، بدورها ، تعني نشر خوارزميات الذكاء الاصطناعي بالقرب من حافة الشبكة ، أي إما للأجهزة المتصلة (العقد النهائية) أو البوابات (العقد الطرفية).

على عكس النهج القائم على السحابة ، حيث يتم تطوير خوارزميات الذكاء الاصطناعي ونشرها في السحابة ، تتخذ أنظمة الذكاء الاصطناعي المتمحورة حول الحافة قرارات في غضون أجزاء من الثانية وتعمل بتكلفة أقل.

تشمل المزايا الأخرى لـ edge AI مقارنةً بحلول الذكاء الاصطناعي السحابي ما يلي:

• وقت معالجة أقل: نظرًا لتحليل البيانات محليًا ، فلا داعي لإرسال الطلبات إلى السحابة وانتظار الردود ، وهو أمر بالغ الأهمية للتطبيقات ذات الأهمية الزمنية ، مثل الأجهزة الطبية أو أنظمة مساعدة السائق
• عرض النطاق الترددي المنخفض والتكاليف: مع عدم الحاجة إلى إرسال بيانات مستشعر كبيرة الحجم إلى السحابة ، تتطلب أنظمة Edge AI نطاقًا تردديًا أقل (تُستخدم بشكل أساسي لنقل البيانات الوصفية) ، وبالتالي تتكبد تكاليف تشغيلية أقل
• زيادة الأمان: تساعد معالجة البيانات محليًا في تقليل مخاطر المعلومات الحساسة التي يتم اختراقها في السحابة أو أثناء النقل
• موثوقية أفضل: يستمر تشغيل edge AI حتى في حالة تعطل الشبكة أو عدم توفر الخدمات السحابية مؤقتًا
• استهلاك الطاقة المُحسَّن: عادةً ما تستهلك معالجة البيانات محليًا طاقة أقل من إرسال البيانات المُنشأة إلى السحابة ، مما يساعد على إطالة عمر بطارية الأجهزة الطرفية

وفقًا للأسواق والأسواق ، من المتوقع أن يصل حجم سوق برمجيات الذكاء الاصطناعي المتطورة العالمية إلى 1.8 مليار دولار بحلول عام 2026 ، بمعدل نمو سنوي مركب قدره 20.8٪. من المتوقع أن تؤدي عوامل مختلفة ، مثل زيادة أعباء عمل المؤسسة على السحابة والنمو السريع في عدد التطبيقات الذكية ، إلى اعتماد حلول الذكاء الاصطناعي المتطورة.

كيف تعمل حافة الذكاء الاصطناعي تحت الغطاء

على الرغم من الاعتقاد الخاطئ الشائع ، عادةً ما يتم نشر حل قياسي للذكاء الاصطناعي متمحورًا حول الحافة بطريقة هجينة - حيث تتخذ الأجهزة المتطورة قرارات بناءً على تدفق البيانات ومركز بيانات (عادةً ما يكون سحابيًا) يُستخدم لمراجعة نماذج الذكاء الاصطناعي التي تم نشرها وإعادة تدريبها.

لذلك ، عادةً ما تبدو بنية الحواف الأساسية للذكاء الاصطناعي كما يلي:

لكي تتمكن أنظمة الذكاء الاصطناعي المتطورة من فهم الكلام البشري ، وقيادة المركبات ، وتنفيذ مهام أخرى غير تافهة ، فإنها تحتاج إلى ذكاء يشبه ذكاء الإنسان. في هذه الأنظمة ، يتم تكرار الإدراك البشري بمساعدة خوارزميات التعلم العميق ، وهي مجموعة فرعية من الذكاء الاصطناعي.

غالبًا ما تتم عملية تدريب نماذج التعلم العميق في السحابة منذ تحقيق دقة أعلى تتطلب كميات هائلة من البيانات وقوة معالجة كبيرة. بمجرد أن يتم تدريبها ، يتم نشر نماذج التعلم العميق إلى جهاز طرفي أو حافة ، حيث تعمل الآن بشكل مستقل.

إذا واجه النموذج مشكلة ، يتم إرسال الملاحظات إلى السحابة حيث تبدأ إعادة التدريب حتى يتم استبدال النموذج الموجود على الحافة بنموذج جديد أكثر دقة. تسمح حلقة الملاحظات هذه بالحفاظ على دقة وفعالية حل الذكاء الاصطناعي المتطور.

مجموعة من تقنيات الأجهزة والبرامج التي تمكّن ذكاءً اصطناعيًا متطورًا

يتطلب تنفيذ الحافة القياسية للذكاء الاصطناعي مكونات الأجهزة والبرامج.

اعتمادًا على تطبيق Edge AI المحدد ، قد يكون هناك العديد من خيارات الأجهزة لأداء معالجة Edge AI. تشمل أكثرها شيوعًا وحدات المعالجة المركزية (CPU) ووحدات معالجة الرسومات (GPU) والدوائر المتكاملة الخاصة بالتطبيقات (ASICs) ومصفوفات البوابة القابلة للبرمجة الميدانية (FPGAs).

تتيح بطاقات ASIC قدرة معالجة عالية مع كونها موفرة للطاقة ، مما يجعلها مناسبة لمجموعة واسعة من تطبيقات الذكاء الاصطناعي المتطورة.

يمكن أن تكون وحدات معالجة الرسومات ، بدورها ، مكلفة للغاية ، خاصة عندما يتعلق الأمر بدعم حل حافة واسع النطاق. ومع ذلك ، فهي خيار الانتقال لحالات الاستخدام الحرجة لزمن الانتقال التي تتطلب معالجة البيانات بسرعة البرق ، مثل السيارات بدون سائق أو أنظمة مساعدة السائق المتقدمة.

توفر FPGAs قوة معالجة أفضل وكفاءة في استخدام الطاقة ومرونة. الميزة الرئيسية لـ FPGAs هي أنها قابلة للبرمجة ، أي أن الأجهزة "تتبع" تعليمات البرامج. يسمح ذلك بمزيد من توفير الطاقة وإمكانية إعادة التكوين ، حيث يمكن للمرء ببساطة تغيير طبيعة تدفق البيانات في الأجهزة بدلاً من ASICs ووحدات المعالجة المركزية ووحدات معالجة الرسومات ذات الترميز الثابت.

الكل في الكل ، باختيار الخيار الأمثل للأجهزة لحل ذكاء اصطناعي متطور ، ينبغي للمرء أن يأخذ في الاعتبار مجموعة من العوامل ، بما في ذلك إعادة التكوين ، واستهلاك الطاقة ، والحجم ، وسرعة المعالجة ، والتكاليف. إليك كيفية مقارنة خيارات الأجهزة الشائعة وفقًا للمعايير المذكورة:

مصدر

في المقابل ، يشتمل برنامج Edge AI على مجموعة كاملة من التقنيات التي تتيح عملية التعلم العميق وتسمح لخوارزميات الذكاء الاصطناعي بالعمل على الأجهزة المتطورة. تمتد البنية التحتية لبرامج الذكاء الاصطناعي المتطورة إلى التخزين وإدارة البيانات وتحليل البيانات / استدلال الذكاء الاصطناعي ومكونات الشبكات.

حالات استخدام Edge AI

تستفيد الشركات في مختلف القطاعات بالفعل من تقنية الذكاء الاصطناعي المتطورة. فيما يلي ملخص لأبرز حالات استخدام الذكاء الاصطناعي المتطورة من مختلف الصناعات.

البيع بالتجزئة: تعزيز تجربة التسوق

تعد تجربة التسوق الإيجابية مصدر قلق كبير لتجار التجزئة ، لأنها العامل الذي يحدد الاحتفاظ بالعملاء. باستخدام التحليلات المدعومة بالذكاء الاصطناعي ، يمكن لتجار التجزئة إرضاء المستهلكين ، والتأكد من تحولهم إلى عملاء متكررين.

أحد تطبيقات الذكاء الاصطناعي العديدة التي تساعد موظفي التجزئة في عملياتهم اليومية وخلق تجربة أفضل للعملاء هو استخدام الذكاء الاصطناعي المتطور لتحديد متى تحتاج المنتجات إلى التجديد والاستبدال.

يستخدم تطبيق ذكاء اصطناعي متطور آخر حلول رؤية الكمبيوتر في أنظمة الدفع الذكية التي يمكن أن تحرر العملاء في النهاية من الحاجة إلى مسح بضائعهم على المنضدة.

يستخدم تجار التجزئة أيضًا تحليلات الفيديو الذكية للبحث في تفضيلات العملاء وتحسين تخطيطات المتجر وفقًا لذلك.

التصنيع: إدخال مصنع ذكي

تحتاج مؤسسات التصنيع ، وخاصة تلك التي تعمل في التصنيع الدقيق ، إلى ضمان دقة وسلامة عملية الإنتاج. من خلال تحسين مواقع التصنيع باستخدام الذكاء الاصطناعي ، يمكن للمصنعين التأكد من أن أرضية المتجر آمنة وفعالة. لذلك ، يعتمدون تطبيقات الذكاء الاصطناعي التي تنفذ عمليات التفتيش على أرض المتجر ، تمامًا مثل تلك المستخدمة من قبل شركة Procter & Gamble و BMW.

تستخدم شركة Procter & Gamble حلاً متطورًا للذكاء الاصطناعي يعتمد على لقطات من كاميرات الفحص لفحص خزانات المزيج الكيميائي. لمنع المنتجات التي بها عيوب من الانزلاق في خط أنابيب التصنيع ، فإن حل الذكاء الاصطناعي المتطور الذي تم نشره مباشرة على الكاميرات يحدد العيوب ويخطر مديري أرضية المتجر بانحرافات الجودة التي تم رصدها.

تستخدم BMW مزيجًا من الحوسبة المتطورة والذكاء الاصطناعي للحصول على عرض في الوقت الفعلي لأرضية المصنع. تحصل الشركة على صورة واضحة لخط التجميع الخاص بها عبر الكاميرات الذكية المثبتة في جميع أنحاء منشأة التصنيع.

السيارات: تمكين السيارات ذاتية القيادة

تعتمد السيارات ذاتية القيادة وأنظمة مساعدة السائق المتقدمة على تقنية الذكاء الاصطناعي المتطورة لتحسين السلامة وزيادة الكفاءة وتقليل مخاطر الحوادث.

تم تجهيز السيارات ذاتية القيادة بمجموعة متنوعة من أجهزة الاستشعار التي تجمع معلومات حول حالة الطريق ومواقع المشاة ومستويات الإضاءة وظروف القيادة والأشياء الموجودة حول السيارة وعوامل أخرى. بسبب المخاوف الأمنية ، يجب معالجة هذه الكميات الكبيرة من البيانات بسرعة. تتعامل Edge AI مع مهام المراقبة الحساسة لوقت الاستجابة ، مثل اكتشاف الكائنات وتتبع الكائنات وإدراك الموقع.

الأمان: دعم التعرف على الوجه

يعد التعرف على الوجه أحد المجالات التي تتحول بشكل متزايد إلى الحافة.

بالنسبة لتطبيقات الأمان ذات إمكانات التعرف على الوجه ، على سبيل المثال ، نظام أمان المنزل الذكي ، فإن وقت الاستجابة أمر بالغ الأهمية. في الأنظمة التقليدية القائمة على السحابة ، يتم نقل لقطات الكاميرا باستمرار حول الشبكة ، مما يؤثر على سرعة معالجة الحل وتكاليف التشغيل.

الأسلوب الأكثر فعالية هو معالجة بيانات الفيديو مباشرة على الكاميرات الأمنية. نظرًا لعدم الحاجة إلى وقت لنقل البيانات إلى السحابة ، يمكن أن يكون التطبيق أكثر موثوقية واستجابة.

الإلكترونيات الاستهلاكية: تمكين ميزات جديدة في الأجهزة المحمولة

تولد الأجهزة المحمولة الكثير من البيانات. تأتي معالجة هذه البيانات في السحابة مصحوبة بنصيبها من التحديات ، مثل وقت الاستجابة العالي واستخدام النطاق الترددي. للتغلب على هذه المشكلات ، بدأ مطورو الأجهزة المحمولة في ضبط تقنية الذكاء الاصطناعي المتطورة لمعالجة البيانات التي تم إنشاؤها بسرعة أعلى وتكلفة أقل.

تشمل حالات استخدام الأجهزة المحمولة التي تم تمكينها بواسطة Edge AI التعرف على الكلام والوجه واكتشاف الحركة والسقوط وما هو أبعد من ذلك.

النهج الشائع لا يزال مختلطًا على الرغم من ذلك. يتم إرسال البيانات التي تتطلب مزيدًا من التخزين أو إمكانات الحوسبة العالية إلى السحابة أو طبقة الضباب ، بينما تظل البيانات التي يمكن تفسيرها محليًا على الحافة.

حواجز تحول دون اعتماد الذكاء الاصطناعي

قوة حوسبة محدودة

يتطلب تدريب خوارزميات الذكاء الاصطناعي قدرات حوسبة كافية ، والتي لا يمكن الوصول إليها إلى حد كبير على الحافة. لذلك ، لا تزال غالبية التطبيقات التي تركز على الحافة تحتوي على الجزء السحابي ، حيث يتم تدريب وتحديث خوارزميات الذكاء الاصطناعي.

إذا كنت تميل نحو إنشاء تطبيق متمركز حول الحافة ويعتمد بشكل أقل على السحابة ، فستحتاج إلى التفكير في طرق تحسين تخزين البيانات على الجهاز (على سبيل المثال ، الاحتفاظ فقط بالإطارات التي تعرض وجهًا في تطبيقات التعرف على الوجوه) و عملية تدريب الذكاء الاصطناعي.

الثغرات الأمنية

على الرغم من أن الطبيعة اللامركزية للتطبيقات الطرفية وعدم الحاجة إلى نقل البيانات عبر الشبكة تزيد من ميزات الأمان للتطبيقات المتمحورة حول الحافة ، إلا أن العقد النهائية لا تزال عرضة للهجمات الإلكترونية. لذلك ، هناك حاجة إلى تدابير أمنية إضافية لمواجهة المخاطر الأمنية. يمكن أيضًا الوصول إلى نماذج التعلم الآلي التي تدعم الحلول المتطورة والعبث بها من قبل المجرمين. يمكن أن يساعدك قفلها ومعاملتها كأصول رئيسية في منع مشكلات الأمان المتعلقة بالحافة.

فقدان البيانات

تشير طبيعة الحافة ذاتها إلى أن البيانات قد لا تصل إلى السحابة للتخزين. قد يتم تكوين الأجهزة الطرفية لتجاهل البيانات التي تم إنشاؤها من أجل خفض تكاليف التشغيل أو تحسين أداء النظام. في حين أن إعدادات السحابة تأتي مع نصيب عادل من القيود ، فإن الميزة الرئيسية لتلك هي حقيقة أنه يتم تخزين كل - أو كل - البيانات التي تم إنشاؤها ، وبالتالي ، يمكن استخدامها للحصول على الرؤى.

إذا كان تخزين البيانات ضروريًا لحالة استخدام معينة ، فإننا ننصح بالانتقال إلى نظام مختلط واستخدام السحابة لتخزين وتحليل الاستخدام والبيانات الإحصائية الأخرى ، تمامًا بالطريقة التي قمنا بها عند تطوير مرآة لياقة بدنية ذكية لعملائنا.

إذا كان لا يزال لديك أسئلة بدون إجابة حول Edge AI أو تبحث عن شريك موثوق به لتنفيذ أحد تطبيقات الذكاء الاصطناعي المتطورة ، فقم بإسقاط خط ITRex. سيساعدك خبراؤنا بشغف.

نُشر في الأصل على https://itrexgroup.com في 1 نوفمبر 2022.