الصورة بواسطة المحرر
 

يشهد المشهد التكنولوجي الحالي تحولًا محوريًا نحو الحوسبة المتطورة، مدفوعًا بالتقدم السريع في الذكاء الاصطناعي التوليدي (GenAI) وأعباء عمل الذكاء الاصطناعي التقليدي. تعتمد أعباء عمل الذكاء الاصطناعي تاريخيًا على الحوسبة السحابية، وتواجه الآن حدود الذكاء الاصطناعي القائم على السحابة، بما في ذلك المخاوف بشأن أمن البيانات والسيادة والاتصال بالشبكة.

للتغلب على هذه القيود المفروضة على الذكاء الاصطناعي القائم على السحابة، تتطلع المؤسسات إلى تبني الحوسبة المتطورة. إن قدرة الحوسبة المتطورة على تمكين التحليل والاستجابات في الوقت الفعلي عند النقطة التي يتم فيها إنشاء البيانات واستهلاكها هي السبب الذي يجعل المؤسسات تعتبرها أمرًا بالغ الأهمية لابتكار الذكاء الاصطناعي ونمو الأعمال.

بفضل وعدها بمعالجة أسرع مع زمن استجابة من صفر إلى أدنى حد ممكن، يمكن لتقنية Edge AI أن تحول التطبيقات الناشئة بشكل كبير. في حين أن قدرات الحوسبة المتطورة للأجهزة تتحسن بشكل متزايد، لا تزال هناك قيود يمكن أن تجعل تنفيذ نماذج الذكاء الاصطناعي عالية الدقة أمرًا صعبًا. يمكن أن تساعد التقنيات والأساليب مثل تقدير حجم النماذج والتعلم بالتقليد والاستدلال الموزع وإدارة البيانات الموزعة في إزالة العوائق التي تحول دون نشر الذكاء الاصطناعي الطرفي بشكل أكثر كفاءة وفعالية من حيث التكلفة حتى تتمكن المؤسسات من الاستفادة من إمكاناتها الحقيقية. 

غالبًا ما يتأثر استدلال الذكاء الاصطناعي في السحابة بمشكلات زمن الوصول، مما يتسبب في تأخير حركة البيانات بين الأجهزة والبيئات السحابية. تدرك المؤسسات تكلفة نقل البيانات عبر المناطق، إلى السحابة، ذهابًا وإيابًا من السحابة إلى الحافة. ويمكن أن يعيق التطبيقات التي تتطلب استجابات سريعة للغاية وفي الوقت الفعلي، مثل المعاملات المالية أو أنظمة السلامة الصناعية. بالإضافة إلى ذلك، عندما يتعين على المؤسسات تشغيل تطبيقات مدعومة بالذكاء الاصطناعي في مواقع نائية حيث لا يمكن الاعتماد على الاتصال بالشبكة، فإن السحابة ليست في متناول اليد دائمًا. 

أصبحت القيود المفروضة على استراتيجية الذكاء الاصطناعي "السحابية فقط" واضحة بشكل متزايد، وخاصة بالنسبة للتطبيقات التي تعمل بالذكاء الاصطناعي من الجيل التالي والتي تتطلب استجابات سريعة في الوقت الحقيقي. يمكن أن تؤدي مشكلات مثل زمن استجابة الشبكة إلى إبطاء الرؤى والتفكير الذي يمكن تسليمه إلى التطبيق في السحابة، مما يؤدي إلى التأخير وزيادة التكاليف المرتبطة بنقل البيانات بين البيئات السحابية والحافة. وهذا يمثل مشكلة خاصة بالنسبة لتطبيقات الوقت الفعلي، خاصة في المناطق النائية ذات الاتصال المتقطع بالشبكة. نظرًا لأن الذكاء الاصطناعي يحتل مركز الصدارة في عملية صنع القرار والاستدلال، فإن فيزياء نقل البيانات يمكن أن تكون مكلفة للغاية ولها تأثير سلبي على نتائج الأعمال. 

غارتنر تتوقع أن أكثر من 55% من إجمالي تحليل البيانات بواسطة الشبكات العصبية العميقة سيحدث عند نقطة الالتقاط في نظام الحافة بحلول عام 2025، ارتفاعًا من أقل من 10% في عام 2021. تساعد الحوسبة المتطورة على تخفيف زمن الوصول وقابلية التوسع وأمن البيانات والاتصال و المزيد من التحديات، وإعادة تشكيل طريقة التعامل مع معالجة البيانات، وبالتالي تسريع اعتماد الذكاء الاصطناعي. سيكون تطوير التطبيقات باستخدام نهج عدم الاتصال أولاً أمرًا بالغ الأهمية لنجاح التطبيقات الرشيقة.

باستخدام استراتيجية الحافة الفعالة، يمكن للمؤسسات الحصول على قيمة أكبر من تطبيقاتها واتخاذ قرارات العمل بشكل أسرع.

مع تزايد تطور نماذج الذكاء الاصطناعي وزيادة تعقيد بنيات التطبيقات، أصبح التحدي المتمثل في نشر هذه النماذج على الأجهزة الطرفية ذات القيود الحسابية أكثر وضوحًا. ومع ذلك، فإن التقدم في التكنولوجيا والمنهجيات المتطورة يمهد الطريق للتكامل الفعال لنماذج الذكاء الاصطناعي القوية ضمن إطار عمل الحوسبة المتطورة بدءًا من: 

ضغط النموذج والتكميم

تعتبر تقنيات مثل تقليم النماذج والتكميم ضرورية لتقليل حجم نماذج الذكاء الاصطناعي دون المساس بشكل كبير بدقتها. يؤدي تقليم النموذج إلى إزالة المعلومات الزائدة أو غير الهامة من النموذج، بينما يقلل التكميم من دقة الأرقام المستخدمة في معلمات النموذج، مما يجعل النماذج أخف وزنًا وأسرع في التشغيل على الأجهزة المحدودة الموارد. إن تكميم النماذج هو أسلوب يتضمن ضغط نماذج الذكاء الاصطناعي الكبيرة لتحسين قابلية النقل وتقليل حجم النموذج، مما يجعل النماذج أكثر خفة الوزن وملاءمة لعمليات نشر الحافة. باستخدام تقنيات الضبط الدقيق، بما في ذلك التكميم المعمم بعد التدريب (GPTQ)، والتكيف منخفض الرتبة (LoRA)، والتكميم الكمي للنموذج (QLoRA)، يقلل تكميم النموذج من الدقة العددية لمعلمات النموذج، مما يجعل النماذج أكثر كفاءة ويمكن الوصول إليها للأجهزة الطرفية مثل الأجهزة اللوحية وبوابات الحافة والهواتف المحمولة. 

أطر عمل الذكاء الاصطناعي الخاصة بالحافة

يمكن أن يؤدي تطوير أطر عمل الذكاء الاصطناعي والمكتبات المصممة خصيصًا لحوسبة الحافة إلى تبسيط عملية نشر أعباء عمل الذكاء الاصطناعي. تم تحسين هذه الأطر للتعامل مع القيود الحسابية لأجهزة الحافة ودعم التنفيذ الفعال للنموذج بأقل قدر من الأداء.

قواعد البيانات مع إدارة البيانات الموزعة

بفضل الإمكانات مثل البحث عن المتجهات والتحليلات في الوقت الفعلي، يمكنك المساعدة في تلبية المتطلبات التشغيلية للحافة ودعم معالجة البيانات المحلية والتعامل مع أنواع البيانات المختلفة، مثل الصوت والصور وبيانات المستشعر. وهذا مهم بشكل خاص في التطبيقات في الوقت الفعلي مثل برمجيات المركبات ذاتية القيادة، حيث يتم جمع أنواع البيانات المتنوعة باستمرار ويجب تحليلها في الوقت الفعلي.

الاستدلال الموزع

إن وضع النماذج أو أعباء العمل عبر أجهزة حافة متعددة مع عينات بيانات محلية دون تبادل فعلي للبيانات يمكن أن يخفف من مشكلات الامتثال وخصوصية البيانات المحتملة. بالنسبة للتطبيقات، مثل المدن الذكية وإنترنت الأشياء الصناعية، التي تتضمن العديد من أجهزة الحافة وإنترنت الأشياء، يعد توزيع الاستدلال أمرًا بالغ الأهمية يجب أخذه في الاعتبار. 

على الرغم من أن الذكاء الاصطناعي تتم معالجته في الغالب في السحابة، فإن إيجاد التوازن مع الحافة سيكون أمرًا بالغ الأهمية لتسريع مبادرات الذكاء الاصطناعي. لقد أدركت معظم الصناعات، إن لم يكن جميعها، الذكاء الاصطناعي وGenAI كميزة تنافسية، ولهذا السبب سيكون جمع الأفكار وتحليلها والحصول عليها بسرعة على الحافة ذا أهمية متزايدة. مع تطور المؤسسات لاستخدامها للذكاء الاصطناعي، فإن تنفيذ نموذج التكميم، وقدرات الوسائط المتعددة، ومنصات البيانات وغيرها من استراتيجيات الحافة سيساعد في تحقيق نتائج أعمال هادفة في الوقت الفعلي.
 
 

راهول برادهان يشغل منصب نائب الرئيس للمنتجات والاستراتيجية في Couchbase (NASDAQ: BASE)، وهي مزود قاعدة بيانات حديثة رائدة لتطبيقات المؤسسات التي يعتمد عليها 30% من الشركات الـ 100 المدرجة في قائمة Fortune. يتمتع راهول بخبرة تزيد عن 20 عامًا في قيادة وإدارة فرق الهندسة والمنتجات مع التركيز على قواعد البيانات والتخزين والشبكات وتقنيات الأمان في السحابة. قبل Couchbase، قاد فريق إدارة المنتجات وإستراتيجية الأعمال لأقسام التقنيات الناشئة والتخزين متوسط ​​المدى في Dell EMC لطرح جميع منتجات Flash NVMe والسحابة وSDS في السوق.

• محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
• PlatoData.Network Vertical Generative Ai. تمكين نفسك. الوصول هنا.
• أفلاطونايستريم. ذكاء Web3. تضخيم المعرفة. الوصول هنا.
• أفلاطون كربون، كلينتك ، الطاقة، بيئة، شمسي، إدارة المخلفات. الوصول هنا.
• أفلاطون هيلث. التكنولوجيا الحيوية وذكاء التجارب السريرية. الوصول هنا.
• المصدر https://www.kdnuggets.com/the-promise-of-edge-ai-and-approaches-for-effective-adoption?utm_source=rss&utm_medium=rss&utm_campaign=the-promise-of-edge-ai-and-approaches-for-effective-adoption