ماذا لو لم يعد الذكاء الاصطناعي بحاجة إلى إرسال كل صورة وكل صوت وكل قراءة من المستشعرات إلى السحابة حتى يفهم ما يحدث؟
تخيل كاميرا مراقبة في مصنع تكتشف سقوط عامل في اللحظة نفسها التي يحدث فيها، ثم ترسل أمرًا فوريًا لإيقاف آلة خطرة. أو سيارة تحلل المشهد أمامها أثناء القيادة دون أن تنتظر إرسال الفيديو إلى خادم بعيد. أو شبكة اتصالات تكتشف ازدحامًا مفاجئًا وتعيد توزيع الموارد في موقع قريب من المستخدم بدلًا من انتظار قرار صادر من مركز بيانات بعيد.
هذه ليست مجرد فكرة مستقبلية.
إنها إحدى أهم الاتجاهات التي تجمع بين Artificial Intelligence وEdge Computing، وتعرف باسم Edge AI.
الفكرة الأساسية تبدو بسيطة: بدلًا من إرسال البيانات إلى مكان بعيد لتحليلها، يتم وضع جزء من قدرات الذكاء الاصطناعي بالقرب من مصدر البيانات نفسه.
 |
| Edge AI عندما ينتقل الذكاء إلى حافة الشبكة |
لكن خلف هذه الفكرة البسيطة توجد تحولات تقنية عميقة.
فنحن لا نتحدث فقط عن نقل نموذج AI من السحابة إلى جهاز صغير، بل عن إعادة تصميم طريقة جمع البيانات ومعالجتها واتخاذ القرار وتحديث النماذج وتأمينها وإدارتها على نطاق واسع.
وهنا يظهر السؤال الأهم:
لماذا نحتاج أصلًا إلى نقل الذكاء إلى حافة الشبكة؟
ما هو Edge AI؟
يمكن تعريف Edge AI بأنه تشغيل خوارزميات الذكاء الاصطناعي بالقرب من مصدر البيانات بدلًا من الاعتماد الكامل على المعالجة في السحابة أو مركز البيانات المركزي.
قد يكون مصدر البيانات:
كاميرا، هاتفًا ذكيًا، سيارة، مستشعرًا صناعيًا، جهاز IoT، محطة 5G أو بوابة شبكية Edge Gateway.
بدل أن يحدث المسار التقليدي بهذه الصورة:
Device → Network → Cloud → AI Processing → Network → Device
يمكن أن يصبح:
Device → Edge AI → Decision
وهذا الاختصار قد يكون بالغ الأهمية عندما تكون كل ميلي ثانية مهمة.
لماذا لا نضع كل شيء في السحابة؟
السحابة قوية جدًا.
يمكنها توفير قدرات حسابية ضخمة وتخزين كميات هائلة من البيانات وتشغيل نماذج AI كبيرة.
لكن هناك مشكلة أساسية:
المسافة.
عندما تلتقط كاميرا فيديو، ثم ترسل الفيديو إلى مركز بيانات بعيد، ثم ينتظر النظام التحليل، ثم يعود القرار إلى الجهاز، فإن العملية تحتاج إلى شبكة مستقرة وزمن استجابة مناسب.
وفي بعض التطبيقات، هذا التأخير مقبول.
لكن في تطبيقات أخرى قد يكون التأخير ولو لبضع عشرات من المللي ثانية أو أكثر عاملًا مهمًا.
إذا كانت آلة صناعية على وشك الاصطدام بجسم، فأنت لا تريد أن تنتظر البيانات رحلة طويلة عبر الشبكة.
Latency: السبب الأول لظهور Edge AI
يعد Latency من أهم العوامل التي تدفع نحو الحوسبة الطرفية.
إذا كان الجهاز يستطيع تحليل البيانات محليًا، فإن القرار يمكن أن يحدث بسرعة أكبر.
تخيل كاميرا صناعية تراقب خط إنتاج بسرعة عالية.
بدلًا من إرسال كل إطار فيديو إلى السحابة، يمكن لجهاز Edge قريب من الكاميرا تشغيل نموذج رؤية حاسوبية واكتشاف المنتج المعيب فورًا.
ثم يرسل فقط النتيجة:
Defective Product Detected
بدل إرسال الفيديو بالكامل.
وهنا لا نحصل فقط على سرعة أعلى، بل نقلل أيضًا حجم البيانات التي تعبر الشبكة.
Bandwidth: لا ترسل كل شيء
الذكاء الاصطناعي الحديث يتعامل مع بيانات ضخمة.
فيديو عالي الدقة، صوت، صور، Telemetry، سجلات أجهزة ومستشعرات تعمل باستمرار.
إذا كان لديك مصنع يحتوي على مئات الكاميرات، فإن إرسال جميع الفيديوهات الخام إلى السحابة يمكن أن يكون مكلفًا جدًا.
هنا يمكن لـ Edge AI معالجة البيانات بالقرب من الكاميرات.
مثلًا، بدل إرسال ملايين الإطارات، يمكن إرسال الأحداث المهمة فقط:
Person Detected
Defect Detected
Machine Anomaly Detected
وهكذا تتحول الشبكة من قناة لنقل كل البيانات إلى قناة لنقل المعلومات المهمة.
الخصوصية: البيانات لا تحتاج دائمًا إلى مغادرة الموقع
هناك عامل آخر مهم وهو Privacy.
بعض البيانات حساسة بطبيعتها.
صور الأشخاص، التسجيلات الصوتية، بيانات المنشآت، المعلومات الصناعية، ومقاطع الفيديو الداخلية قد لا يكون من الأفضل إرسالها بالكامل إلى السحابة.
إذا كان الجهاز يستطيع تنفيذ التحليل محليًا، يمكن الاحتفاظ بالبيانات الخام في الموقع وإرسال النتيجة فقط.
مثلًا:
الكاميرا ترى شخصًا.
النموذج يتعرف على الحدث.
البيانات الخام لا تغادر الجهاز.
يتم إرسال:
Person Detected = True
هذه ليست حماية كاملة للخصوصية بمفردها، لكنها تقلل مساحة البيانات التي تحتاج إلى النقل والتخزين المركزي.
كيف تعمل بنية Edge AI؟
لنفهمها بصورة عملية، تخيل مصنعًا ذكيًا.
لدينا:
Sensors + Cameras + Edge Gateway + Network + Cloud.
المستشعرات والكاميرات تجمع البيانات.
ثم تقوم أجهزة Edge بمعالجة جزء منها.
إذا كان القرار يحتاج إلى استجابة فورية، يتم اتخاذه محليًا.
أما البيانات المهمة للتحليل طويل المدى، فيمكن إرسالها إلى السحابة.
وبذلك لا تصبح Edge منافسًا مباشرًا لـCloud.
بل تعمل الطبقتان معًا.
الطبقة الأولى: أجهزة الاستشعار
كل شيء يبدأ من البيانات.
يمكن أن تكون البيانات:
Temperature، Vibration، Pressure، Audio، Image، Video، GPS، Network Metrics.
لكن ليست كل البيانات مفيدة بنفس الدرجة.
إذا كان هدفك اكتشاف عطل محرك، فقد تكون الاهتزازات ودرجة الحرارة واستهلاك الطاقة أكثر أهمية من بيانات أخرى.
لذلك يجب تحديد البيانات بناءً على Use Case.
الطبقة الثانية: Edge Device
هنا يتم تشغيل نموذج الذكاء الاصطناعي.
قد يكون الجهاز:
Industrial PC، Edge Server، Smart Camera، Embedded Device، Router، Gateway أو AI Accelerator.
ويختلف حجم الجهاز حسب المهمة.
نموذج بسيط لاكتشاف حركة قد يعمل على جهاز صغير.
بينما تحليل فيديو متعدد الكاميرات قد يحتاج إلى وحدة معالجة AI أكثر قوة.
الطبقة الثالثة: AI Model
هنا يوجد قلب النظام.
النموذج قد يكون مخصصًا لـ:
Object Detection، Image Classification، Speech Recognition، Anomaly Detection، Predictive Maintenance أو Forecasting.
لكن نقل النموذج من السحابة إلى Edge ليس دائمًا عملية نسخ ولصق.
النماذج الكبيرة قد تحتاج إلى موارد حسابية وذاكرة لا تتوفر في الأجهزة الطرفية.
وهنا تظهر أهمية Model Optimization.
كيف تجعل نموذج AI مناسبًا للـEdge؟
إذا كان النموذج ضخمًا جدًا، يمكن أن يكون بطيئًا أو يستهلك طاقة كبيرة.
لذلك توجد تقنيات مختلفة لتحسينه.
Quantization
يمكن تقليل دقة تمثيل الأوزان، مثل الانتقال من FP32 إلى تمثيلات أقل دقة عندما يكون ذلك مناسبًا.
والهدف هو تقليل حجم النموذج وتحسين سرعة التنفيذ.
Pruning
يمكن إزالة بعض الاتصالات أو الأجزاء الأقل أهمية من النموذج.
وهذا قد يقلل عدد العمليات المطلوبة.
Knowledge Distillation
يمكن تدريب نموذج أصغر على الاستفادة من نموذج أكبر يسمى عادة Teacher Model.
والنتيجة قد تكون نموذجًا أخف يسمى Student Model مع الحفاظ على مستوى مناسب من الأداء.
المعادلة ليست السرعة فقط
من الخطأ أن نقول:
"أريد أسرع نموذج ممكن."
لأنك قد تحصل على نموذج سريع لكنه يعطي نتائج سيئة.
التحدي الحقيقي هو إيجاد توازن بين:
Accuracy + Latency + Power + Memory + Cost.
قد يكون نموذج دقته 98% لكنه يحتاج إلى موارد ضخمة.
بينما نموذج بدقة 95% يعمل في الوقت الحقيقي على جهاز منخفض الطاقة.
أي نموذج أفضل؟
الإجابة تعتمد على التطبيق.
Edge AI في شبكات 5G
هنا تصبح الصورة أكثر إثارة.
يمكن دمج Edge AI مع 5G لإنشاء بنية منخفضة التأخير قريبة من المستخدم.
تخيل شبكة 5G تحتوي على Edge Nodes بالقرب من مواقع المستخدمين.
يمكن تشغيل نماذج AI على هذه العقد لتحليل بيانات الشبكة أو تطبيقات المؤسسات.
مثلًا، يمكن استخدام AI لتحليل:
Traffic Patterns، Congestion، Signal Quality، Mobility، Fault Indicators.
ثم اتخاذ بعض القرارات بالقرب من مصدر البيانات.
وهذا يفتح الطريق أمام مفهوم مهم:
AI-Native Networks.
كيف يمكن للـEdge AI تحسين الشبكة نفسها؟
لنأخذ مثالًا.
لنفترض أن منطقة معينة تشهد ارتفاعًا مفاجئًا في عدد المستخدمين.
النظام يلاحظ:
ارتفاع Traffic.
انخفاض Throughput.
ارتفاع Latency.
زيادة الضغط على بعض الخلايا.
يمكن لنموذج AI في Edge تحليل هذه المؤشرات والتنبؤ بحدوث ازدحام.
ثم يمكن للنظام اقتراح أو تنفيذ سياسات لتحسين توزيع الموارد، حسب تصميم الشبكة ومستوى الأتمتة.
وهنا يصبح الذكاء جزءًا من الشبكة نفسها، وليس مجرد تطبيق يعمل فوقها.
Edge AI وAI-RAN
من الاتجاهات المهمة في عالم الاتصالات مفهوم AI-RAN، حيث يتم إدخال الذكاء الاصطناعي إلى بيئة الوصول اللاسلكي.
يمكن استخدام AI في تحسين بعض وظائف الشبكة وتحليل سلوكها وتحسين استخدام الموارد.
لكن التحدي هو أن وظائف الشبكات اللاسلكية لها متطلبات زمنية وأداء صارمة.
لذلك تحتاج النماذج إلى أن تكون:
Fast، Reliable، Efficient، Predictable.
وهذا يجعل Edge AI مناسبًا جدًا لبعض هذه السيناريوهات.
Edge AI في المصانع الذكية
لننتقل إلى الصناعة.
تخيل خط إنتاج يحتوي على كاميرات تفحص المنتجات.
النظام التقليدي قد يرسل الصور إلى خادم مركزي.
أما Edge AI فيضع نموذج الرؤية الحاسوبية بجوار خط الإنتاج.
عندما يمر المنتج أمام الكاميرا:
يتم التقاط الصورة.
يتم تشغيل النموذج.
يتم اكتشاف العيب.
يصدر القرار.
ثم يمكن إرسال النتيجة إلى نظام التحكم.
وكل ذلك دون الحاجة إلى إرسال الفيديو الكامل إلى مركز بيانات بعيد.
مشكلة عملية: ماذا لو أصبح النموذج بطيئًا؟
افترض أن النظام كان يعمل بسرعة 30 إطارًا في الثانية، ثم بعد إضافة نموذج جديد أصبح يعمل بـ8 إطارات فقط.
لا تبدأ بزيادة قوة الجهاز مباشرة.
ابدأ بالتشخيص.
الخطوة الأولى: قياس زمن الاستدلال
حدد Inference Latency لكل عملية.
الخطوة الثانية: معرفة عنق الزجاجة
هل المشكلة في CPU؟
GPU أو NPU؟
الذاكرة؟
نقل البيانات؟
إعداد النموذج؟
الخطوة الثالثة: تحسين النموذج
جرب Quantization أو Pruning أو Distillation إذا كانت مناسبة.
الخطوة الرابعة: تحسين Pipeline
قد تكون المشكلة في معالجة الصورة قبل دخولها إلى النموذج.
الخطوة الخامسة: الاختبار تحت الحمل
لا تختبر الكاميرا وحدها.
شغل جميع مصادر البيانات الفعلية.
إذا ظل الأداء مستقرًا، انتقل إلى مرحلة الإنتاج.
Edge AI والسيارات
السيارات الحديثة تحتوي على كمية هائلة من المستشعرات والكاميرات.
إذا كان كل قرار يعتمد على خادم بعيد، فقد يصبح الاعتماد على الاتصال مشكلة.
لهذا تحتاج بعض الوظائف إلى المعالجة المحلية.
الكاميرا ترى المشاة.
النظام يكتشف الجسم.
يحسب المسافة.
يقدر الخطر.
ثم يتخذ النظام القرار المناسب.
هنا يصبح Real-Time AI مسألة سلامة، وليس مجرد تحسين لتجربة المستخدم.
لكن هل Edge AI يعني عدم استخدام Cloud؟
بالتأكيد لا.
وهذه من أهم النقاط.
الـEdge مناسب للقرارات الفورية.
لكن السحابة ممتازة في:
Large-Scale Training، Data Aggregation، Long-Term Analytics، Model Management.
يمكن أن تعمل البنية بهذه الصورة:
Cloud Training → Edge Deployment → Edge Inference → Cloud Feedback → Model Update.
أي أن السحابة تدرب وتدير، بينما Edge ينفذ القرارات القريبة من المصدر.
Training في السحابة وInference في Edge
في كثير من التطبيقات يمكن تدريب النموذج باستخدام موارد ضخمة في السحابة أو مراكز البيانات.
بعد تدريب النموذج، يتم تحويله إلى نسخة مناسبة للأجهزة الطرفية.
ثم يتم نشره على آلاف الأجهزة.
هذا يخلق تحديًا جديدًا:
كيف تدير آلاف نسخ النموذج؟
وهنا نحتاج إلى MLOps for Edge.
ما هو Edge MLOps؟
إذا كان لديك جهاز واحد، تستطيع تحديث النموذج يدويًا.
لكن ماذا لو كان لديك:
10,000 جهاز؟
ستحتاج إلى نظام لإدارة:
إصدارات النماذج، التحديثات، مراقبة الأداء، اكتشاف الأعطال، التراجع إلى إصدار سابق، ومتابعة جودة النتائج.
وهذا يجعل إدارة نماذج AI على Edge قريبة من إدارة البرمجيات الموزعة.
مشكلة Drift: النموذج يتغير عليه العالم
هناك مشكلة مهمة تسمى Model Drift أو Data Drift.
النموذج الذي عمل جيدًا اليوم قد يصبح أقل دقة بعد أشهر.
تخيل كاميرا في مصنع تم تدريب نموذجها على ظروف إضاءة معينة.
ثم تغيرت الإضاءة.
أو تم تغيير نوع المنتجات.
أو تغير موقع الكاميرا.
فقد تنخفض دقة النموذج.
لذلك لا يكفي نشر النموذج.
يجب مراقبة أدائه باستمرار.
كيف تكتشف أن نموذج Edge بدأ يفقد دقته؟
الخطوة الأولى: تحديد مؤشرات الأداء
راقب مؤشرات مثل:
Accuracy، False Positives، False Negatives، Latency.
الخطوة الثانية: مقارنة الأداء بالتاريخ
هل الأداء يتراجع تدريجيًا؟
الخطوة الثالثة: تحليل البيانات الجديدة
هل تغيرت طبيعة البيانات؟
الخطوة الرابعة: إعادة التدريب
إذا كان التغير حقيقيًا، يمكن استخدام البيانات الجديدة لإعادة تدريب النموذج.
الخطوة الخامسة: اختبار النموذج الجديد
لا تنشر النموذج مباشرة.
اختبره أولًا في بيئة محدودة.
الخطوة السادسة: النشر التدريجي
استخدم Canary Deployment أو آليات مشابهة لتقليل مخاطر التحديث.
Edge AI والأمن السيبراني
نقل الذكاء إلى Edge يضيف فوائد، لكنه يضيف أيضًا تحديات أمنية.
لأنك أصبحت تملك نماذج AI تعمل على عدد كبير من الأجهزة الموزعة.
قد يحاول مهاجم:
الوصول إلى الجهاز.
سرقة النموذج.
تغيير النموذج.
التلاعب بالبيانات.
أو استغلال الجهاز كنقطة دخول إلى الشبكة.
لذلك يجب حماية:
Device، Firmware، Model، Data، Network، APIs.
هل يمكن سرقة نموذج AI من Edge Device؟
نعم، حسب نوع الجهاز وتصميمه.
لذلك يجب التفكير في حماية النموذج نفسه.
يمكن استخدام تقنيات مثل:
Secure Boot، Hardware-backed Security، Encryption، Access Control، Model Signing.
والفكرة الأساسية هي ألا تفترض أن الجهاز الموجود على حافة الشبكة آمن فقط لأنه داخل منشأة الشركة.
Edge AI واستهلاك الطاقة
هناك مفارقة مثيرة.
نحن نريد تشغيل AI على أجهزة صغيرة.
لكن الذكاء الاصطناعي قد يحتاج إلى عمليات حسابية كثيرة.
إذن كيف نحافظ على البطارية؟
الحل ليس دائمًا استخدام أقوى معالج.
يمكن تصميم النظام بحيث لا يعمل النموذج بكامل طاقته طوال الوقت.
مثلًا، يمكن لمستشعر منخفض الطاقة مراقبة البيئة.
عندما يكتشف حدثًا، يتم تشغيل نموذج AI أكثر تعقيدًا.
بهذا الأسلوب نحافظ على الطاقة دون التضحية بالأداء عند الحاجة.
TinyML: عندما يصبح AI أصغر بكثير
هناك اتجاه مرتبط بهذه الفكرة يسمى TinyML.
الهدف هو تشغيل نماذج تعلم آلي على أجهزة ذات موارد محدودة جدًا.
قد تكون الذاكرة صغيرة والطاقة محدودة والمعالج بسيطًا.
ومع ذلك يمكن تنفيذ مهام مثل:
Keyword Detection، Sensor Anomaly Detection، Gesture Recognition.
وهذا يوسع فكرة Edge AI حتى تصل إلى أصغر طبقات إنترنت الأشياء.
Edge AI في المدن الذكية
يمكن استخدام Edge AI في:
Traffic Cameras، Smart Parking، Public Safety Systems، Environmental Sensors.
بدل إرسال كل فيديو إلى مركز تحكم مركزي، يمكن تحليل جزء منه في الموقع.
مثلًا، إذا اكتشفت كاميرا ازدحامًا، ترسل الحدث والبيانات المهمة فقط.
وهذا يساعد في تقليل الضغط على الشبكة وتحسين زمن الاستجابة.
Edge AI في المستشفيات
يمكن أن تعمل بعض أنظمة تحليل البيانات أو الصور الطبية بالقرب من مصدر البيانات.
لكن التطبيقات الطبية تحتاج إلى متطلبات عالية جدًا فيما يتعلق بالدقة والخصوصية والموثوقية.
لذلك يجب التعامل مع Edge AI هنا كجزء من منظومة طبية كاملة، وليس كحل تقني منفصل.
Edge AI ليس دائمًا الخيار الأفضل
هناك حالات تكون فيها السحابة أفضل.
إذا كانت المهمة تحتاج إلى نموذج ضخم جدًا ولا توجد قيود على زمن الاستجابة، فقد يكون تشغيل النموذج مركزيًا أكثر منطقية.
وإذا كانت البيانات قليلة ولا توجد مشكلة في النطاق الترددي، فقد لا يكون هناك سبب قوي لنقل المعالجة إلى Edge.
لذلك القرار الصحيح يبدأ من متطلبات التطبيق وليس من الموضة التقنية.
كيف تختار بين Cloud AI وEdge AI؟
ابدأ بخمسة أسئلة:
هل تحتاج إلى استجابة فورية؟
هل البيانات حساسة؟
هل حجم البيانات كبير؟
هل الاتصال بالشبكة مضمون؟
هل الجهاز يستطيع تشغيل النموذج؟
إذا كانت الإجابات تشير إلى الحاجة للسرعة وتقليل نقل البيانات والعمل حتى مع ضعف الاتصال، فإن Edge AI يصبح خيارًا قويًا.
أما إذا كانت المهمة تحتاج إلى موارد حسابية ضخمة ولا تتطلب استجابة فورية، فقد تكون السحابة أكثر ملاءمة.
البنية المثالية ليست Edge فقط
في كثير من المشاريع المتقدمة، لن يكون السؤال:
Edge أم Cloud؟
بل:
ماذا نضع في Edge؟ وماذا نضع في Cloud؟
يمكن وضع العمليات الفورية في Edge.
وتجميع البيانات والتحليلات طويلة المدى في Cloud.
وتدريب النماذج في مراكز بيانات متخصصة.
وهكذا تحصل على بنية موزعة تستفيد من كل طبقة.
Edge AI + 5G + Cloud: مثلث الحوسبة الجديد
عندما تجتمع هذه التقنيات، يمكن أن نحصل على نموذج قوي:
AI يوفر الذكاء.
Edge يوفر القرب وسرعة القرار.
5G يوفر الاتصال السريع والمنخفض التأخير.
Cloud يوفر موارد الحساب والتخزين والإدارة المركزية.
وهذا النموذج قد يصبح مهمًا جدًا في المصانع الذكية والسيارات المتصلة وشبكات الاتصالات والمدن الذكية.
إلى أين يتجه Edge AI؟
الاتجاه العام واضح:
النماذج تصبح أصغر، والأجهزة تصبح أكثر ذكاءً، والمسرّعات تصبح أكثر كفاءة، والشبكات تصبح أكثر قدرة على دعم الأنظمة الموزعة.
وقد نرى مستقبلًا أجهزة لا تكتفي بجمع البيانات، بل تفهمها محليًا.
الكاميرا لن تكون مجرد كاميرا.
والمستشعر لن يكون مجرد مستشعر.
والبوابة الشبكية لن تكون مجرد جهاز نقل.
كل عنصر يمكن أن يصبح نقطة ذكاء.
وهنا تتغير بنية الإنترنت نفسها.
من شبكة تنقل البيانات إلى شبكة تفهم البيانات
هذه ربما تكون الفكرة الأهم وراء Edge AI.
الإنترنت التقليدي ركز لفترة طويلة على نقل البيانات من نقطة إلى أخرى.
لكن عندما تصبح الحافة قادرة على تحليل البيانات، تبدأ الشبكة نفسها في التحول إلى بيئة موزعة للذكاء.
بدل أن نقول:
"أرسل البيانات إلى المكان الذي يوجد فيه الذكاء."
يمكن أن نقول:
"ضع الذكاء بالقرب من المكان الذي تولد فيه البيانات."
وهذا فرق هندسي كبير.
الخلاصة: عندما يصبح الذكاء قريبًا من القرار
Edge AI لا يعني أن السحابة انتهت، ولا يعني أن الذكاء الاصطناعي يجب أن يعيش داخل كل جهاز.
الفكرة أكثر دقة.
إنها إعادة توزيع الذكاء بين Device وEdge وCloud بحيث يتم تنفيذ كل عملية في المكان الأكثر ملاءمة لها.
عندما تكون السرعة مهمة، نضع الذكاء بالقرب من مصدر البيانات.
عندما تكون البيانات ضخمة، نعالجها محليًا ونرسل النتائج المهمة.
عندما تكون الخصوصية أولوية، نقلل خروج البيانات الخام.
وعندما نحتاج إلى تدريب نماذج ضخمة وتحليل بيانات على نطاق واسع، نستفيد من السحابة ومراكز البيانات.
ومع تطور 5G و6G وAI Accelerators وIoT وCloud Computing، يمكن أن تصبح الحافة أكثر ذكاءً من أي وقت مضى.
وربما يكون التحول الأكبر هو أن الذكاء الاصطناعي لن يكون محصورًا في مراكز البيانات.
قد يكون في الكاميرا، والسيارة، والمصنع، والراوتر، ومحطة الاتصالات، والمستشعر، وحتى في أصغر جهاز يعمل بالطاقة المحدودة.
وعندما يحدث ذلك، لن يصبح السؤال:
"كيف نرسل البيانات إلى الذكاء الاصطناعي؟"
بل:
"كيف نجعل الذكاء الاصطناعي موجودًا حيث تتولد البيانات ويُتخذ القرار؟"
وهنا بالضبط تبدأ قصة Edge AI.
0 تعليقات