حوسبة الحافة

لماذا تُعد الحوسبة المتطورة مهمة للذكاء الاصطناعي/تعلم الآلة

تُعد حوسبة الحافة تحويلية بشكل خاص بالنسبة للذكاء الاصطناعي والتعلم الآلي، خاصةً في مجال الرؤية الحاسوبية. تتطلب العديد من تطبيقات الذكاء الاصطناعي، مثل تلك التي تتضمن تحليل تدفق الصور أو الفيديو، معالجة فورية لبيانات المستشعرات لتمكين اتخاذ القرار في الوقت المناسب. يؤدي إرسال كميات كبيرة من البيانات إلى السحابة إلى حدوث تأخيرات(زمن انتقال) غالبًا ما تكون غير مقبولة للسيناريوهات التي تتطلب الاستدلال في الوقت الفعلي. تعالج حوسبة الحافة هذا التحدي بشكل مباشر من خلال السماح لنماذج التعلم الآلي، بما في ذلك نماذج الكشف عن الكائنات المتطورة مثل Ultralytics YOLOبتشغيلها مباشرةً على مصدر البيانات أو بالقرب منه. يقلل هذا من أوقات الاستجابة بشكل كبير، ويحافظ على عرض النطاق الترددي للشبكة، ويمكنه تحسين خصوصية البيانات بشكل كبير من خلال الحفاظ على المعلومات الحساسة في مكانها، بما يتماشى مع اللوائح التنظيمية مثل اللائحة العامة لحماية البيانات. كما أن تقدم الأجهزة القوية والموفرة للطاقة، مثل وحدات معالجة الرسومات المتخصصة مثل سلسلة NVIDIA Jetson والمسرعات مثل وحدات المعالجة ثلاثية الأبعاد (مثل Google Coral Edge TPU)، المصممة خصيصًا للأجهزة الطرفية، يعزز هذا الاتجاه. يمكنك معرفة المزيد حول نشر تطبيقات الرؤية الحاسوبية على أجهزة الذكاء الاصطناعي المتطورة.

حوسبة الحافة مقابل حوسبة الحافة مقابل الذكاء الاصطناعي للحافة

من المهم التفريق بين حوسبة الحافة والذكاء الاصطناعي للحافة.

• حوسبة الحافة: تشير إلى البنية التحتية والممارسة الأوسع نطاقًا لنقل المهام الحاسوبية بالقرب من مصدر البيانات. وهي تشمل الأجهزة (الأجهزة الطرفية والخوادم والبوابات) والشبكات وأنظمة الإدارة اللازمة للمعالجة الموزعة. فكر فيها كمرحلة.
• الذكاء الاصطناعي المتطور: يتضمن على وجه التحديد تشغيل خوارزميات الذكاء الاصطناعي والتعلم الآلي مباشرةً على هذه الأجهزة المتطورة. وهو يستفيد من البنية التحتية للحوسبة المتطورة لأداء مهام مثل الاستدلال محلياً. الذكاء الاصطناعي الحافي هو الأداء الذي يحدث على الحافة.

في الأساس، الذكاء الاصطناعي المتطور هو مجموعة فرعية أو تطبيق محدد لنموذج الحوسبة المتطورة، يركز على نشر قدرات الذكاء الاصطناعي خارج مراكز البيانات المركزية. يمكنك استكشاف تطبيقات الذكاء الاصطناعي المتطور في العالم الحقيقي بمزيد من التفصيل.

تطبيقات الذكاء الاصطناعي/التعلم الآلي في العالم الحقيقي

تتيح الحوسبة الطرفية مجموعة متنوعة من تطبيقات الذكاء الاصطناعي/التعلم الآلي المبتكرة التي تعتمد على المعالجة المحلية:

• المركبات ذاتية القيادة: تحتاج السيارات ذاتية القيادة إلى معالجة فورية لبيانات المستشعرات (الكاميرات، والليدار) للملاحة وتجنب العوائق واتخاذ القرارات. ومن شأن الاعتماد على السحابة أن يؤدي إلى تأخير غير مقبول. تسمح الحوسبة المتطورة للمركبات مثل تلك التي يتم تطويرها بواسطة Tesla أو Waymo بإجراء حسابات الذكاء الاصطناعي المهمة على متن السيارة من أجل التشغيل الآمن. يمكن أن تلعب نماذج Ultralytics دوراً في حلول الذكاء الاصطناعي في السيارات.
• التصنيع الذكي: في المصانع، الأجهزة المتطورة المزودة بكاميرات ونماذج الذكاء الاصطناعي مثل YOLO11 إجراء فحص الجودة في الوقت الحقيقي على خطوط الإنتاج، واكتشاف العيوب على الفور، ومراقبة سلامة العمال، وتحسين العمليات دون إرسال كميات هائلة من بيانات الفيديو إلى السحابة. وهذا يحسن الكفاءة ويسمح بالتدخل الفوري. اكتشف كيف يعزز الذكاء الاصطناعي التصنيع.
• الذكاء الاصطناعي في الرعاية الصحية: تتيح حوسبة الحافة مراقبة المريض في الوقت الفعلي باستخدام أجهزة استشعار يمكن ارتداؤها أو كاميرات داخل الغرفة، والتحليل الفوري لبيانات التصوير الطبي على الأجهزة المحلية، وتشغيل الأدوات الطبية الذكية التي توفر ملاحظات فورية أثناء الإجراءات، مما يعزز رعاية المرضى وخصوصية البيانات.
• تحليلات البيع بالتجزئة: تستخدم المتاجر الأجهزة المتطورة لإدارة مخزون التجزئة بشكل أكثر ذكاءً، وتحليل سلوك العملاء بشكل مجهول عبر الكاميرات لتحسين التخطيط، وتشغيل أنظمة الدفع بدون أمين صندوق مثل Amazon Go.

الاعتبارات الرئيسية لنشر الحافة

غالباً ما يتضمن نشر نماذج الذكاء الاصطناعي بنجاح على الحافة تقنيات وأدوات محددة:

• تحسين النموذج: تُعد تقنيات مثل تكميم الن ماذج وتشذيب النماذج ضرورية لتقليل حجم النموذج والمتطلبات الحسابية، مما يضمن تشغيلها بكفاءة على أجهزة الحافة المحدودة الموارد. أطر عمل مثل TensorRT و OpenVINO في تحسين النماذج لأجهزة معينة.
• اختيار الأجهزة: يعتمد اختيار جهاز الحافة المناسب(Raspberry Pi NVIDIA Jetson Google Coral) على احتياجات أداء التطبيق وميزانية الطاقة والظروف البيئية.
• الإدارة والتنسيق: تتطلب إدارة الآلاف من أجهزة الحافة الموزعة أدوات قوية للنشر والمراقبة والتحديثات، وغالباً ما تتضمن منصات مثل Kubernetes التي تم تكييفها لتناسب الحافة(K3s وMicroK8s ) أو منصات MLOps المتخصصة مثل Ultralytics HUB.
• الأمان: في حين أن المعالجة المتطورة يمكن أن تعزز خصوصية البيانات، إلا أن الأجهزة المتطورة نفسها يمكن أن تقدم نقاط ضعف أمنية جديدة تحتاج إلى إدارة دقيقة من خلال الإقلاع الآمن والاتصالات المشفرة والتحكم في الوصول. يمكنك قراءة المزيد عن أفضل الممارسات الأمنية.