What Is Edge AI?

وقتی صحبت از هوش مصنوعی می‌شود، معمولاً تصور می‌کنیم اطلاعات به یک سرور قدرتمند ارسال می‌شوند، آنجا پردازش می‌شوند و در نهایت پاسخ به دستگاه ما برمی‌گردد. این روش در بسیاری از سرویس‌های هوش مصنوعی کاربرد دارد؛ اما همیشه بهترین راه‌حل نیست. گاهی لازم است یک دستگاه بدون انتظار برای پاسخ سرور، همان لحظه اطلاعات را بررسی کند و تصمیم بگیرد. اینجاست که مفهومی به نام Edge AI یا هوش مصنوعی لبه‌ای اهمیت پیدا می‌کند.

هوش مصنوعی لبه‌ای به استفاده از مدل‌ها و الگوریتم‌های هوش مصنوعی روی دستگاه‌هایی گفته می‌شود که اطلاعات را تولید یا جمع‌آوری می‌کنند، یا در نزدیکی همان دستگاه‌ها قرار دارند. این دستگاه‌ها می‌توانند گوشی هوشمند، دوربین امنیتی، ساعت هوشمند، حسگر صنعتی یا حتی یک خودروی خودران باشند. هدف این است که بخشی از پردازش به جای ارسال مداوم اطلاعات به سرورهای دوردست، همان نزدیکی و در محل تولید داده انجام شود.

تفاوت هوش مصنوعی لبه‌ای با هوش مصنوعی ابری چیست؟

برای درک بهتر موضوع، یک دوربین امنیتی هوشمند را در نظر بگیرید. این دوربین ممکن است ساعت‌ها تصویر ضبط کند و در میان آن‌ها به دنبال حرکت مشکوک بگردد.

در یک سیستم مبتنی بر پردازش ابری، تصاویر یا اطلاعات مربوط به آن‌ها به سرور ارسال می‌شوند تا آنجا بررسی شوند. سپس نتیجه به دستگاه یا کاربر برمی‌گردد. این روش می‌تواند به منابع پردازشی قدرتمندی دسترسی داشته باشد، اما به ارتباط شبکه وابسته است و ممکن است با تأخیر همراه شود.

در مقابل، اگر دوربین از Edge AI استفاده کند، می‌تواند بخشی از تحلیل تصاویر را خودش انجام دهد. برای مثال، ممکن است حضور یک فرد را تشخیص دهد و در صورت نیاز هشدار ارسال کند. در این حالت، لازم نیست برای هر تصمیم ساده، تمام اطلاعات به یک سرور دوردست فرستاده شوند.

البته این به معنی کنار گذاشتن کامل فضای ابری نیست. بسیاری از سیستم‌ها از ترکیب هر دو روش استفاده می‌کنند: تصمیم‌های فوری روی دستگاه انجام می‌شوند و کارهایی که به فضای ذخیره‌سازی یا قدرت پردازشی بیشتری نیاز دارند، به سرور سپرده می‌شوند.

هوش مصنوعی لبه‌ای چطور کار می‌کند؟

برای اجرای Edge AI، فقط داشتن یک دستگاه هوشمند کافی نیست. چند بخش مختلف باید با هم کار کنند.

اولین بخش، دستگاه لبه‌ای (Edge Device) است؛ یعنی دستگاهی که اطلاعات را جمع‌آوری می‌کند. مثلاً دوربین تصاویر را ثبت می‌کند یا حسگر صنعتی دما و لرزش یک دستگاه را اندازه می‌گیرد.

بخش بعدی، مدل هوش مصنوعی است. این مدل قبلاً با استفاده از داده‌ها آموزش دیده تا بتواند الگوهای مشخصی را تشخیص دهد. آموزش مدل معمولاً به منابع پردازشی زیادی نیاز دارد و ممکن است در سرورهای قدرتمند یا فضای ابری انجام شود. پس از آموزش، مدل می‌تواند روی دستگاه مناسب اجرا شود و اطلاعات جدید را تحلیل کند.

برای نمونه، در یک کارخانه می‌توان مدلی را آموزش داد تا نشانه‌های اولیه خرابی یک دستگاه را تشخیص دهد. پس از انتقال مدل به سیستم محلی، داده‌های حسگرها بررسی می‌شوند و اگر الگوی غیرعادی دیده شود، سیستم هشدار می‌دهد. به این ترتیب، کارکنان می‌توانند پیش از توقف کامل دستگاه، برای بررسی و تعمیر آن اقدام کنند.

در سیستم‌های پیشرفته‌تر، از سخت‌افزارهای مخصوص پردازش هوش مصنوعی هم استفاده می‌شود. پردازنده‌های گرافیکی یا GPU و واحدهای پردازش عصبی یا NPU از جمله سخت‌افزارهایی هستند که می‌توانند اجرای مدل‌های هوش مصنوعی را سریع‌تر و بهینه‌تر کنند.

چرا پردازش در نزدیکی دستگاه اهمیت دارد؟

یکی از مهم‌ترین مزیت‌های Edge AI، کاهش تأخیر یا Latency است. تأخیر به مدت زمانی گفته می‌شود که طول می‌کشد یک داده پردازش شود یا پاسخ از یک نقطه به نقطه دیگر برسد.

در بعضی کاربردها، حتی چند لحظه تأخیر هم اهمیت دارد. برای مثال، خودروی خودران باید اطلاعات دوربین‌ها و حسگرهایش را سریع بررسی کند تا بتواند به موانع، تغییر مسیر خودروهای دیگر یا حضور عابران واکنش نشان دهد. وابستگی دائمی به یک سرور دوردست برای چنین تصمیم‌هایی می‌تواند مشکل‌ساز باشد.

پردازش محلی همچنین حجم اطلاعاتی را که باید از طریق شبکه منتقل شوند کاهش می‌دهد. یک دوربین ممکن است در طول روز حجم زیادی تصویر تولید کند؛ اما اگر فقط اطلاعات مهم را ارسال کند، فشار کمتری به شبکه وارد می‌شود.

مزیت دیگر، امکان ادامه کار در شرایطی است که اینترنت ضعیف یا قطع شده باشد. اگر دستگاه بتواند پردازش اصلی را به‌صورت محلی انجام دهد، لزوماً برای هر عملکردی به ارتباط دائمی با فضای ابری نیاز نخواهد داشت.

Edge AI چه کاربردهایی در دنیای واقعی دارد؟

یکی از کاربردهای قابل‌توجه این فناوری، پزشکی و سلامت هوشمند است. ساعت‌ها و ابزارهای پوشیدنی می‌توانند اطلاعاتی مانند ضربان قلب و برخی شاخص‌های دیگر را بررسی کنند و در صورت مشاهده الگوهای غیرعادی، به کاربر هشدار دهند. پردازش محلی در این دستگاه‌ها می‌تواند سرعت تحلیل را افزایش دهد و نیاز به انتقال دائمی تمام اطلاعات را کاهش دهد.

در صنعت نیز Edge AI می‌تواند برای بررسی وضعیت ماشین‌آلات استفاده شود. حسگرها اطلاعاتی درباره دما، لرزش و عملکرد تجهیزات جمع‌آوری می‌کنند. مدل هوش مصنوعی این داده‌ها را بررسی می‌کند تا نشانه‌های احتمالی خرابی زودتر شناسایی شوند. این روش که با نگهداری پیش‌بینانه ارتباط دارد، می‌تواند از توقف‌های ناگهانی و هزینه‌های تعمیر جلوگیری کند.

خانه‌های هوشمند هم از این فناوری بهره می‌برند. برای مثال، یک زنگ در هوشمند می‌تواند تصویر مراجعه‌کننده را بررسی کند یا دوربین امنیتی بتواند حرکت افراد را تشخیص دهد. در بعضی از این سیستم‌ها، بخشی از تحلیل تصویر مستقیماً روی دستگاه انجام می‌شود.

در فروشگاه‌ها نیز سیستم‌های هوشمند می‌توانند برای شناسایی محصولات، تحلیل وضعیت قفسه‌ها یا سریع‌تر کردن فرایند پرداخت به کار بروند. در حوزه حمل‌ونقل، خودروها می‌توانند اطلاعات مربوط به محیط اطراف را سریع‌تر پردازش کنند و در حوزه امنیت نیز دوربین‌ها قادرند بعضی فعالیت‌های غیرعادی را تشخیص دهند.

آیا Edge AI همیشه بهترین انتخاب است؟

با وجود مزایای متعدد، اجرای هوش مصنوعی روی دستگاه‌های محلی محدودیت‌هایی هم دارد.

اول اینکه دستگاه‌های کوچک معمولاً قدرت پردازشی و حافظه کمتری نسبت به سرورهای قدرتمند دارند. به همین دلیل، اجرای مدل‌های بسیار بزرگ روی آن‌ها ممکن است دشوار باشد. توسعه‌دهندگان باید مدلی انتخاب کنند که در کنار دقت مناسب، منابع سخت‌افزاری محدودی مصرف کند.

دوم اینکه مدیریت تعداد زیادی دستگاه می‌تواند پیچیده باشد. تصور کنید یک شرکت هزاران دوربین یا حسگر هوشمند در مکان‌های مختلف دارد. به‌روزرسانی مدل‌ها، بررسی عملکرد دستگاه‌ها و رفع مشکلات امنیتی آن‌ها به برنامه‌ریزی و ابزارهای مدیریتی مناسب نیاز دارد.

موضوع امنیت نیز اهمیت زیادی دارد. پردازش محلی می‌تواند نیاز به انتقال اطلاعات حساس را کاهش دهد، اما به‌تنهایی تضمین‌کننده امنیت نیست. دستگاه‌ها همچنان ممکن است در برابر دسترسی غیرمجاز، نرم‌افزارهای آسیب‌پذیر یا تنظیمات نادرست قرار بگیرند.

به همین دلیل، انتخاب بین Edge AI و Cloud AI به نوع کاربرد بستگی دارد. اگر پاسخ سریع، عملکرد مستقل از اینترنت و کاهش انتقال اطلاعات اهمیت زیادی داشته باشد، پردازش لبه‌ای می‌تواند انتخاب مناسبی باشد. اما برای آموزش مدل‌های بزرگ یا پردازش حجم عظیمی از داده‌ها، استفاده از منابع ابری همچنان بسیار کاربردی است.

آینده هوش مصنوعی لبه‌ای

با پیشرفت مدل‌های کوچک‌تر و بهینه‌تر هوش مصنوعی و افزایش توان پردازشی دستگاه‌ها، امکان اجرای وظایف پیچیده‌تر مستقیماً روی گوشی‌ها، خودروها، دوربین‌ها و تجهیزات صنعتی فراهم شده است.

هوش مصنوعی لبه‌ای قرار نیست جای تمام سیستم‌های ابری را بگیرد؛ بلکه به‌عنوان مکمل آن‌ها عمل می‌کند. ترکیب پردازش محلی و ابری به توسعه‌دهندگان اجازه می‌دهد از سرعت و استقلال دستگاه‌ها در کنار قدرت پردازشی سرورهای مرکزی استفاده کنند.

در نهایت، اهمیت Edge AI فقط در اجرای هوش مصنوعی روی یک دستگاه خلاصه نمی‌شود؛ موضوع اصلی این است که تصمیم‌گیری هوشمند به محل تولید اطلاعات نزدیک‌تر شود. چنین تغییری می‌تواند واکنش سیستم‌ها را سریع‌تر کند، وابستگی به اینترنت را کاهش دهد و زمینه را برای ساخت دستگاه‌های هوشمندتر در زندگی روزمره و صنعت فراهم کند.

👤نویسندگان: Stephanie Susnjara و Ian Smalley

🔗لینک مقاله: https://www.ibm.com/think/topics/edge-ai?src_trk=em6755dba13cb3f6.42977837781443422&utm_source=chatgpt.com

🌐 Pardaze