Edge AI یا هوش مصنوعی لبه یک روش بهکارگیری از هوش مصنوعی است که بدون نیاز به ارتباط دائمی با مراکز داده مرکزی و ابری (سرورهای ابری)، الگوریتم‌ها روی دستگاه‌های سخت‌افزاری محلی (دستگاه‌هایی با قابلیت انجام محاسبات درون خود) مورد استفاده قرار می‌گیرد. این مفهوم برخلاف رویه همیشگی است که در آن توسعه و اجرای نرم‌افزار‌های مبتنی بر هوش مصنوعی کاملا در ابر cloud ai انجام می‌گرفت، همچنین بسیار با روش‌های قدیمی توسعه هوش مصنوعی که برای انجام کار‌های خاصی مانند خواندن ارقام چک بانکی استفاده می‌شد تفاوت دارد. در نتیجه این رویکرد در نزدیک‌ترین نقطه به سرور، امکان پردازش و آنالیز داده را برای شما فراهم می‌کند.
درحالیکه لبه معمولا تنها در زیرساخت‌های فیزیکی مانند روترهای هوشمند، برج‌های سلولی 5G یا Network Gateway شناخته شده است، ارزش واقعی آن در بهکارگیری Edge AI و پیاده‌سازی آن در دستگاه‌های روزمره مانند تلفن‌های همراه، اتومبیل‌های خودران و ربات‌ها نهفته است.
نوآوری Edge AI با استفاده از علم داده و هوش مصنوعی، در خارج از ابر ، کمک به بهبود کارآیی، عملکرد، مدیریت و امنیت گوشی‌های هوشمند، ماشینها، لوازم خانه، دستگاه‌های IoT می‌کند.
EDGE AI چگونه کار می‌کند
تا همین اواخر، بسیاری از برنامههای هوش مصنوعی مانند سیستم‌های متخصص (سامانه خبره) یا الگوریتم‌های تشخیص جعل با استفاده از روش‌های نمادین (روش‌های نیاز به قانون) هوش مصنوعی ایجاد می‌شدند. در مقابل، برخی از تکنیک‌های هوش مصنوعی مانند روش‌های غیر نمادین (روش‌های بدون نیاز به قانون برای پردازش اطلاعات) ، مانند شبکه‌های عصبی و الگوریتم‌های یادگیری ماشین برای یک برنامه ایجاد شده‌اند همان‌طور که در وظایف مانند تشخیص کاراکتر نوری (OCR) دیده می‌شود.
طی زمان، محققان به راه‌هایی برای گسترش شبکه‌های عمیق عصبی در کلاود برای یاددهی مدل‌های هوش مصنوعی و ایجاد جواب‌هایی بر اساس داده ورودی رسیدند، که به آن استنباط، قضاوت و نتیجه‌گیری می‌گویند. Edge AI (هوش مصنوعی لبه‌ای) موجب توسعه و راه‌اندازی هوش مصنوعی خارج از کلاود (cloud) شود.
به‌‌صورت‌کلی، از Edge AI (هوش مصنوعی لبه‌ای) برای استنباط استفاده می‌شود، درحالیکه از Cloud AI برای یاددهی الگولیتم‌های جدید استفاده می‌شود. فرایند استنباط الگوریتم‌ها به میزان پردازش و انرژی بسیار کمتری تا یاددهی الگوریتم‌ها نیاز دارد. درنهایت، الگوریتم‌های استنباطی با طراحی خوب بعضی اوقات بر CPUهای موجود یا حتی با میکروکنترلرهای کم قابلیت در دستگاه‌های لبه‌ای اجرا می‌شوند. در موارد دیگر، چیپ‌های مبتنی بر هوش مصنوعی با کارآیی بالا عملکرد فرایند استنباطی را بهبود می‌بخشند که باعث کاهش انرژی می‌شود.
مزایای Edge AI (هوش مصنوعی لبه)
Edge AI مزایای زیادی دارد که شامل:
کاهش تاخیر و سرعت بیشتر: مرحله استنتاج یا «استنباط» به صورت محلی و درون دستگاه‌ها انجام می‌شود و این به معنی کاهش تاخیر در انتقال داده برای ارتباط با کلاود است. برای مثال تجربه بهتر در بازی‌های آنلاین یا برنامههای زنده را می‌توان نام برد.
کاهش قیمت و نیاز به پهنای باند کمتر: Edge AI (هوش مصنوعی لبه) موجب کاهش پهنای باند و هزینه‌های مربوط به ارسال صوت، فیلم و داده سنسوری دقیق بر روی شبکه‌های سلولی می‌شود.
افزایش امنیت داده: حفظ امنیت و حریم خصوصی یکی دیگر از دلایل اهمیت Edge AI (هوش مصنوعی لبه) است. داده در نزدیکی منبع پردازش می‌شود (داخل دستگاه یا سیستم جایی که ساخته یا جمع‌آوری شده) که موجب ارتقای امنیت داده‌های حساس می‌شود.
بهبود اعتمادپذیری و تکنولوژی خودکار: هوش مصنوعی می‌تواند به کار خود ادامه دهد حتی اگر شبکه یا سرویس کلاود از کار بیفتد، که این موضوع بسیار برای کاربردهایی مانند ماشین‌های خودکار و ربات‌های صنعتی بسیار حیاتی است. این موضوع منجر به افزایش اعتمادپذیری و پاسخ‌گویی سیستم‌ها و همچنین اطمینان کاربران می‌شود.
کاهش نیرو: بسیاری از وظایف هوش مصنوعی را می‌توان در لبه نسبت به زمانی که داده به کلاود ارسال می‌شود، با انرژی کمتر انجام داد. بنابراین باعث افزایش عمر باتری می‌شود.
کاربرد هوش مصنوعی لبه‌ای و نمونه‌های صنعتی آن
Edge AI کاربرد‌های مختلفی از جمله سیستم تشخیص صدا، تشخیص چهره، شناسایی جعل و سیستم‌های رانندگی اتومات دارد. Edge AI با تلفیق قابلیت‌های فضای ابری و امکانات عملیات درون دستگاه باعث بهبود عملکرد الگوریتم‌های هوش مصنوعی در طول زمان می‌شود.
برای مثال، یک سیستم راهیابی اتوماتیک را درنظر بگیرید که در آن الگوریتم‌های هوش مصنوعی در کلاود یاد داده می‌شوند. اما در فرایند استنباط، بر روی خود ماشین برای کنترل فرمان، گاز و ترمزها اجرا می‌شود. دانشمندان داده، الگوریتم‌های بهتری را جهت توسعه ماشین‌های خودکار ارائه دادند.
در برخی ماشینها، حتی وقتی که یک انسان درحال رانندگی است، این سیستم‌ها به شبیه‌سازی خود ادامه می‌دهند. این سیستم زمانی که یک انسان هنگام رانندگی عملی غیر‌قابل پیش‌بینی توسط هوش مصنوعی را انجام می‌دهد، فیلم می‌گیرد و برای بهبود الگوریتم آن را به کلاود می‌فرستد. الگوریتم کنترل اصلی با استفاده از ورودی از تمام ماشینها در آن زمان بهبود پیدا می‌کند. این بهبود‌ها بهطور مرتب در به‌روزرسانی‌های آینده اضافه می‌شوند که عملکرد را بهبود ببخشند.
دیگر زمینه های عملی Edge AI (هوش مصنوعی) لبه در زیر آمده است:
- تبدیل صوت به متن در تلفن‌های همراه با استفاده از قابلیت تشخیص صوت.
- ساعت‌های هوشمند و دستگاه‌های طراحی شده برای کمک به سلامتی انسان، ضربان قلب، فشار خون، میزان گلوکز خون درون خود دستگاه با استفاده از مدل‌های هوش مصنوعی ایجاد شده در کلاود ارزیابی می‌کنند.
- یک بازوی ربات به مرور زمان عملکرد بهتری از نگه داشتن یک بسته را یاد می‌گیرد و این روش را با کلاود برای بهبود دیگر ربات‌های به اشتراک می‌گذارد.
آمازون گو Amazon Go یک سرویس تازه ارایه شده بدون نیاز به صندوق‌دار است که در ابر آموزش دیده است و بهطور خودکار آیتم‌های قرار داده شده درون سبد مشتری را با استفاده از Edge AI (هوش مصنوعی لبه) بدون نیاز به نهایی‌‌سازی خرید در صندوق حسابداری می‌شمارد.- دوربین‌های هوشمند ترافیک بهطور خودکار زمان چراغ قرمز را برای کاهش ترافیک را تنظیم می‌کنند
مقایسه Cloud AI و Edge AI
تمایز بین هوش مصنوعی لبه و هوش مصنوعی ابری باید با بیان چگونگی تحول این دو آغاز شود.
مدت‌ها قبل از وجود ابر یا لبه، سیستم‌های مرکزی، رایانه‌های رومیزی، تلفن‌های هوشمند و سیستم توکار وجود داشتند. برنامههای نرم‌افزاری و کاربردی برای این دستگاه‌ها با سرعت آهسته در حال توسعه بودند. تیم‌های توسعه سعی کردند تا حد ممکن آپدیت‌ها و تست‌های بسیاری انجام دهند.
ابر به روش‌های مختلفی برای خودکار‌سازی بسیاری از فرایندهای مرکز داده تمرکز کرد. این موضوع باعث بهکارگیری بیشتر تیم‌ها از توسعه نرم‌‌افزار چابک (Agile Software Development) شد. برخی از برنامههای ابری عظیم در حال حاضر ده‌ها بار در روز آپدیت می‌شوند. این موضوع باعث می‌شود که توسعه بخش بخش امکانات یک برنامه بسیار ساده‌تر شود.
Edge AI بر بهکارگیری هوش مصنوعی و افزایش کارآیی آن در دستگاه‌هایی مانند تلفن‌های هوشمند، لوازم خانگی، اتومبیل‌های خودران، دستگاه‌های IoT، تجهیزات کارخانه و مراکز داده کوچک لبه تمرکز دارد.
Edge AI و cloud AI با کمک‌ها لبه و ابر در زمینه آموزش و استنباط، با یکدیگر همکاری می‌کنند. در مرحله اول، دستگاه‌های Edge داده‌های خام را برای استنباط به ابر می‌فرستد و منتظر دریافت پاسخ می‌ماند. سپس Edge AI ممکن است استنباط را به صورت داخلی بر روی دستگاه با استفاده از مدل‌های آموزش دیده در ابر اجرا کند. در نهایت Edge AI ممکن است نقش بیشتری در آموزش مدل‌های هوش مصنوعی نیز داشته باشد.
آینده Edge AI
Edge AI (هوش مصنوعی لبه) به‌‌‌سرعت در حال رشد است. در حال حاضر، Edge AI بیشتر در تلفن‌های همراه، ساعت‌ها و لوازم و تجهیزات خانگی هوشمند استفاده می‌شود اما انتظار می‌رود با گسترش فروشگاه‌ها، بیمارستان‌ها و شهرهای هوشمند رشد بیشتری داشته باشد.
فناوری جدید هوش مصنوعی مانند یادگیری فدرال federated deep learning می‌تواند موجب حفظ حریم‌خصوصی و امنیت در Edge AI شود. در یادگیری فدرال، دستگاه‌های لبه‌ای آپدیت‌ها را به‌صورت داخلی انجام می‌دهند که تنها آپدیت مدل‌ها به کلاود فرستاده می‌شود تا خود داده‌ها که اطلاعات خصوصی و فردی در آن‌ها قرار دارد این کار موجب حفظ حریم خصوصی می‌شود
توسعه مدل‌های هوش مصنوعی در مراحل بسیار ابتدایی‌تری نسبت به DevOps جهت ایجاد برنامههای کاربردی است. در مقایسه با شیوه‌های سنتی توسعه برنامه، دانشمندان داده و مهندسان داده با چالش‌های مدیریتی متعددی روبرو هستند. زمانی که صحبت از مدیریت روند کاری Edge AI می‌شود این چالش ها حتی پیچیده‌تر می‌شوند. که شامل فرایندهای سازماندهی داده‌ها ، مدل‌سازی و راه اندازی است که بر دستگاه‌های edge و ابر انجام می‌شود.
در آینده، ابزار موجود برای اجرای این فرایند‌ها احتمالا بهتر خواهد شد. این موضوع موجب افزایش کارآیی برنامههای کاربردی Edge AI و زیرساخت‌های هوش مصنوعی می‌شود. به‌عنوان مثال، کارشناسان به دنبال راه‌هایی نوین برای استفاده از Edge AI در مراکز داده لبه‌ای 5g در نزدیکی دستگاه‌های IoT هستند. ابزارهای جدید همچنین ممکن است به شرکت‌ها اجازه دهند تا انواع جدیدی از انبار داده‌های فدرال را نزدیک‌تر به لبه امتحان کنند.
