الذكاء الاصطناعي الحدي (يُطلق عليه أحيانًا "الذكاء الاصطناعي على الحافة") يعني تشغيل نماذج الذكاء الاصطناعي وتعلم الآلة على الأجهزة المحلية (مثل الحساسات، والكاميرات، والهواتف الذكية، وبوابات الصناعة، وغيرها) بدلاً من مراكز البيانات البعيدة. بعبارة أخرى، "الحافة" في الشبكة – حيث تُولد البيانات – هي التي تتولى المعالجة. هذا يسمح للأجهزة بتحليل البيانات فور جمعها، بدلاً من إرسال البيانات الخام باستمرار إلى السحابة.

كما توضح شركة IBM، يتيح الذكاء الاصطناعي الحدي المعالجة الفورية على الجهاز دون الاعتماد على خادم مركزي. على سبيل المثال، يمكن لكاميرا مزودة بالذكاء الاصطناعي الحدي اكتشاف وتصنيف الأجسام فورًا، مما يوفر ردود فعل فورية. من خلال معالجة البيانات محليًا، يمكن للذكاء الاصطناعي الحدي العمل حتى مع وجود اتصال إنترنت متقطع أو منعدِم.

وفقًا لتقارير الصناعة، يحدث هذا التحول بسرعة: حيث بلغ الإنفاق العالمي على الحوسبة الحديّة حوالي 232 مليار دولار في عام 2024 (بزيادة 15% عن عام 2023)، مدفوعًا بشكل كبير بنمو إنترنت الأشياء المدعوم بالذكاء الاصطناعي.
باختصار، يجلب الذكاء الاصطناعي الحدي الحوسبة أقرب إلى مصدر البيانات – من خلال نشر الذكاء على الأجهزة أو العقد القريبة، مما يسرع الاستجابة ويقلل الحاجة إلى إرسال كل شيء إلى السحابة.

الذكاء الاصطناعي الحدي مقابل الذكاء الاصطناعي السحابي: الفروقات الرئيسية

على عكس الذكاء الاصطناعي التقليدي المعتمد على السحابة (الذي يرسل كل البيانات إلى الخوادم المركزية)، يوزع الذكاء الاصطناعي الحدي الحوسبة بين الأجهزة المحلية. يوضح الرسم البياني أعلاه نموذجًا بسيطًا للحوسبة الحديّة: حيث تقوم الأجهزة النهائية (الطبقة السفلية) بتغذية البيانات إلى خادم حدي أو بوابة (الطبقة الوسطى) بدلاً من إرسالها فقط إلى السحابة البعيدة (الطبقة العليا).

في هذا الإعداد، يمكن أن يحدث استنتاج الذكاء الاصطناعي على الجهاز أو العقدة المحلية، مما يقلل بشكل كبير من تأخيرات الاتصال.

• زمن الاستجابة: يقلل الذكاء الاصطناعي الحدي من التأخير. نظرًا لأن المعالجة تتم محليًا، يمكن اتخاذ القرارات في غضون ميلي ثانية. تشير IBM إلى أن الاستنتاج الحدي "يوفر تقليلًا في زمن الاستجابة من خلال معالجة البيانات مباشرة على الجهاز"، بينما يتسبب الذكاء الاصطناعي السحابي في تأخير إضافي بسبب إرسال البيانات ذهابًا وإيابًا إلى الخوادم البعيدة.
  وهذا أمر حاسم للمهام الحساسة للوقت (مثل تجنب حوادث السيارات أو التحكم في الروبوتات).
• عرض النطاق الترددي: يقلل الذكاء الاصطناعي الحدي من حمل الشبكة. من خلال تحليل أو تصفية البيانات في الموقع، يتم إرسال كمية أقل بكثير من المعلومات إلى الأعلى. توضح IBM أن الأنظمة الحديّة "تتطلب عرض نطاق ترددي أقل" لأن معظم البيانات تبقى محليًا.
  في المقابل، يتطلب الذكاء الاصطناعي السحابي اتصالات مستمرة عالية السرعة لنقل البيانات الخام ذهابًا وإيابًا. هذا يجعل الذكاء الاصطناعي الحدي أكثر كفاءة وأقل تكلفة عند ازدحام الشبكات أو ارتفاع تكلفتها.
• الخصوصية/الأمان: يمكن للذكاء الاصطناعي الحدي تعزيز الخصوصية. يمكن معالجة البيانات الحساسة (الصوت، الصور، قراءات الصحة) وتخزينها على الجهاز، دون إرسالها إلى السحابة. هذا يقلل من التعرض للاختراقات من طرف ثالث.
  على سبيل المثال، قد يتعرف الهاتف الذكي على وجهك محليًا دون رفع صورتك. بالمقابل، غالبًا ما ينطوي الذكاء الاصطناعي السحابي على إرسال بيانات شخصية إلى خوادم خارجية، مما قد يرفع مخاطر الأمان.
• موارد الحوسبة: تمتلك مراكز البيانات السحابية قوة معالجة CPU/GPU شبه غير محدودة، مما يسمح بنماذج ذكاء اصطناعي كبيرة جدًا. أما الأجهزة الحديّة فلديها قدرة معالجة وتخزين أقل بكثير. كما تشير IBM، فإن الوحدات الحديّة "مقيدة بقيود حجم الجهاز".
  لذلك، غالبًا ما يستخدم الذكاء الاصطناعي الحدي نماذج محسنة أو أصغر. في الممارسة، يتم تدريب النماذج الثقيلة عادة في السحابة، ويتم نشر النماذج المضغوطة والمكممة فقط على الأجهزة الحديّة.
• الاعتمادية: من خلال تقليل الاعتماد على الاتصال المستمر، يمكن للذكاء الاصطناعي الحدي الحفاظ على تشغيل الوظائف الحيوية حتى في حالة انقطاع الشبكة. على سبيل المثال، يمكن لطائرة بدون طيار التنقل باستخدام الذكاء الاصطناعي على متنها عند فقدان الإشارة إلى القاعدة.

باختصار، يكمل الذكاء الاصطناعي الحدي الذكاء الاصطناعي السحابي. تتولى خوادم السحابة التدريب المكثف، والأرشفة، وتحليل البيانات الكبيرة، بينما يتولى الذكاء الاصطناعي الحدي الاستنتاج الفوري واتخاذ القرارات السريعة بالقرب من البيانات.

فوائد الذكاء الاصطناعي الحدي

يقدم الذكاء الاصطناعي الحدي عدة مزايا عملية للمستخدمين والمؤسسات:

• الاستجابة الفورية: تمكن معالجة البيانات محليًا من التحليل الفوري. يحصل المستخدمون على ردود فعل فورية (مثل اكتشاف الأجسام الحي، الرد الصوتي، تنبيه الشذوذ) دون انتظار رحلة ذهاب وإياب إلى السحابة.
  هذا التأخير المنخفض فائدة كبيرة لتطبيقات مثل الواقع المعزز، والمركبات الذاتية القيادة، والروبوتات.
• تقليل عرض النطاق الترددي والتكلفة: مع الذكاء الاصطناعي الحدي، يتم إرسال النتائج الملخصة أو الأحداث غير العادية فقط عبر الإنترنت. هذا يقلل بشكل كبير من تكاليف نقل البيانات وتخزين السحابة.
  على سبيل المثال، قد ترفع كاميرا أمنية مقاطع فقط عند اكتشاف تهديد محتمل، بدلاً من البث المستمر.
• تعزيز الخصوصية: الحفاظ على البيانات على الجهاز يحسن الأمان. لا تغادر المعلومات الشخصية أو الحساسة الأجهزة المحلية إذا تمت معالجتها على الحافة.
  وهذا مهم بشكل خاص للتطبيقات التي تخضع لقوانين خصوصية صارمة (الرعاية الصحية، المالية، وغيرها)، حيث يمكن للذكاء الاصطناعي الحدي إبقاء البيانات داخل البلد أو المنشأة.
• كفاءة الطاقة والتكلفة: يمكن للذكاء الاصطناعي على الجهاز توفير الطاقة. تشغيل نموذج صغير على شريحة منخفضة الطاقة غالبًا ما يستهلك طاقة أقل من إرسال البيانات إلى خادم سحابي والعودة.
  كما يقلل من تكاليف الخوادم – حيث أن أعباء الذكاء الاصطناعي الكبيرة مكلفة للاستضافة في السحابة.
• القدرة على العمل دون اتصال والمرونة: يمكن للذكاء الاصطناعي الحدي الاستمرار في العمل إذا فشل الاتصال. يمكن للأجهزة أن تعمل بالذكاء المحلي، ثم تزامن البيانات لاحقًا.
  هذا يجعل الأنظمة أكثر متانة، خاصة في المناطق النائية أو الاستخدامات الحرجة (مثل المراقبة الصناعية).

تسلط شركتا Red Hat وIBM الضوء على هذه المزايا. حيث "يجلب الذكاء الاصطناعي الحدي قدرات الحوسبة عالية الأداء إلى الحافة"، مما يمكّن من التحليل الفوري و تحسين الكفاءة.
كما يلخص تقرير أن نشر الحوسبة الحديّة يقلل من زمن الاستجابة واحتياجات عرض النطاق الترددي مع تعزيز الخصوصية والموثوقية.

تحديات الذكاء الاصطناعي الحدي

على الرغم من مزاياه، يواجه الذكاء الاصطناعي الحدي عدة تحديات:

• قيود الأجهزة: عادةً ما تكون الأجهزة الحديّة صغيرة ومحدودة الموارد. قد تحتوي فقط على معالجات مركزية متواضعة أو وحدات معالجة عصبية منخفضة الطاقة متخصصة، وذاكرة محدودة.
  هذا يجبر مهندسي الذكاء الاصطناعي على استخدام تقنيات ضغط النماذج، والتقليم، أو TinyML لتناسب النماذج على الجهاز. غالبًا ما لا يمكن تشغيل نماذج التعلم العميق المعقدة بشكل كامل على متحكم دقيق، مما قد يؤدي إلى التضحية بدقة معينة.
• تدريب النماذج والتحديثات: يحدث تدريب نماذج الذكاء الاصطناعي المعقدة عادة في السحابة، حيث تتوفر بيانات هائلة وقوة حوسبة كبيرة. بعد التدريب، يجب تحسين هذه النماذج (كمية، تقليم، إلخ) ونشرها على كل جهاز حدي.
  الحفاظ على تحديث آلاف أو ملايين الأجهزة يمكن أن يكون معقدًا. يضيف تحديث البرامج الثابتة ومزامنة البيانات عبئًا إداريًا.
• جاذبية البيانات وتنوعها: بيئات الحوسبة الحديّة متنوعة. قد تجمع مواقع مختلفة أنواعًا مختلفة من البيانات (تختلف الحساسات حسب التطبيق)، وقد تختلف السياسات حسب المنطقة.
  تكامل وتوحيد كل هذه البيانات يمثل تحديًا. كما تشير IBM، يثير نشر الذكاء الاصطناعي الحدي على نطاق واسع قضايا "جاذبية البيانات، والتنوع، والحجم، وقيود الموارد". بمعنى آخر، تميل البيانات إلى البقاء محليًا، مما يصعب الحصول على رؤية عالمية، وتأتي الأجهزة بأشكال وأحجام مختلفة.
• الأمان على الحافة: بينما يمكن للذكاء الاصطناعي الحدي تحسين الخصوصية، فإنه يطرح أيضًا مخاوف أمنية جديدة. كل جهاز أو عقدة هدف محتمل للقراصنة.
  ضمان أن النماذج المحلية محمية من التلاعب وأن البرامج الثابتة آمنة يتطلب تدابير حماية قوية.
• الاعتماد على الاتصال لبعض المهام: على الرغم من إمكانية الاستنتاج محليًا، غالبًا ما تعتمد الأنظمة الحديّة على الاتصال السحابي للمهام الثقيلة مثل إعادة تدريب النماذج، وتحليل البيانات على نطاق واسع، أو تجميع النتائج الموزعة.
  يمكن أن يعيق الاتصال المحدود هذه الوظائف الخلفية.

في الممارسة، تستخدم معظم الحلول نموذجًا هجينًا: تتولى الأجهزة الحديّة الاستنتاج، بينما تتولى السحابة التدريب، وإدارة النماذج، وتحليل البيانات الكبيرة.
يساعد هذا التوازن في التغلب على قيود الموارد ويسمح بتوسع الذكاء الاصطناعي الحدي.

حالات استخدام الذكاء الاصطناعي الحدي

يُطبق الذكاء الاصطناعي الحدي في العديد من الصناعات. تشمل الأمثلة الواقعية:

• المركبات الذاتية القيادة: تستخدم السيارات ذاتية القيادة الذكاء الاصطناعي الحدي على متنها لمعالجة بيانات الكاميرا والرادار فورًا للملاحة وتجنب العقبات.
  لا يمكنها تحمل تأخير إرسال الفيديو إلى الخادم، لذا يحدث كل شيء (اكتشاف الأجسام، التعرف على المشاة، تتبع المسارات) محليًا.
• التصنيع والصناعة 4.0: تنشر المصانع كاميرات وحساسات ذكية على خطوط الإنتاج لاكتشاف العيوب أو الشذوذ في الوقت الحقيقي.
  على سبيل المثال، يمكن لكاميرا الذكاء الاصطناعي الحدي اكتشاف منتج معيب على الناقل وتحفيز إجراء فوري. وبالمثل، تستخدم الآلات الصناعية الذكاء الاصطناعي في الموقع للتنبؤ بأعطال المعدات (الصيانة التنبؤية) قبل حدوث الأعطال.
• الرعاية الصحية والاستجابة للطوارئ: تستخدم الأجهزة الطبية المحمولة وسيارات الإسعاف الآن الذكاء الاصطناعي الحدي لتحليل بيانات المرضى في الموقع.
  يمكن لجهاز الموجات فوق الصوتية أو مراقب العلامات الحيوية على متن سيارة الإسعاف تطبيق الذكاء الاصطناعي فورًا لاكتشاف الإصابات الداخلية أو تنبيه المسعفين حول العلامات الحيوية غير الطبيعية. في المستشفيات، يمكن للذكاء الاصطناعي الحدي مراقبة مرضى العناية المركزة باستمرار وإطلاق الإنذارات دون انتظار خادم مركزي.
• المدن الذكية: تستخدم الأنظمة الحضرية الذكاء الاصطناعي الحدي لإدارة المرور، والمراقبة، والاستشعار البيئي.
  تضبط إشارات المرور الذكية التوقيت باستخدام الذكاء المحلي الذي يحلل تغذية الكاميرات، مما يخفف الازدحام في الوقت الحقيقي. يمكن لكاميرات الشوارع اكتشاف الحوادث (حوادث، حرائق) وتنبيه السلطات فورًا. من خلال إبقاء المعالجة محلية، يمكن للمدن الاستجابة بسرعة دون تحميل الشبكات المركزية.
• التجزئة وإنترنت الأشياء للمستهلك: يعزز الذكاء الاصطناعي الحدي تجربة العملاء والراحة.
  في المتاجر، تستخدم الكاميرات الذكية أو حساسات الرفوف الذكاء الاصطناعي لتتبع سلوك المتسوقين ومستويات المخزون فورًا. في المنزل، تشغل الهواتف الذكية والأجهزة اللوحية ومكبرات الصوت الذكية التعرف على الصوت أو الوجه على الجهاز. على سبيل المثال، يمكن للهاتف الذكي فتح القفل أو التعرف على الإيماءات دون الوصول إلى السحابة. تحلل أجهزة تتبع اللياقة البدنية بيانات الصحة (معدل ضربات القلب، الخطوات) محليًا لتقديم ردود فعل فورية.

تشمل الاستخدامات الناشئة الأخرى الزراعة الدقيقة (الطائرات بدون طيار والحساسات التي تستخدم الذكاء الاصطناعي الحدي لمراقبة صحة التربة والمحاصيل) و أنظمة الأمان (التعرف على الوجه على الجهاز للأقفال). كما تشير دراسة IEEE، فإن الذكاء الاصطناعي الحدي ضروري لتطبيقات مثل الزراعة الذكية، والتحكم في المرور، والأتمتة الصناعية.
باختصار، أي سيناريو يستفيد من التحليل الفوري والمحلي هو مرشح قوي للذكاء الاصطناعي الحدي.

التقنيات والاتجاهات الممكنة

ينمو الذكاء الاصطناعي الحدي مدفوعًا بالتقدم في كل من الأجهزة والبرمجيات:

• الأجهزة المتخصصة: يقوم المصنعون ببناء شرائح مصممة للاستنتاج الحدي. تشمل هذه المعجلات العصبية منخفضة الطاقة في الهواتف الذكية (NPUs) ووحدات الذكاء الاصطناعي الحدي المخصصة مثل Google Coral Edge TPU، وNVIDIA Jetson Nano، ولوحات المتحكم الدقيقة منخفضة التكلفة (Arduino، Raspberry Pi مع إضافات الذكاء الاصطناعي).
  تشير تقارير الصناعة الحديثة إلى أن التقدم في المعالجات منخفضة الطاقة للغاية والخوارزميات "المتأصلة في الحافة" يتغلب على حدود أجهزة الأجهزة.
• TinyML وتحسين النماذج: تجعل أدوات مثل TensorFlow Lite وتقنيات مثل تقليم النماذج، والكمية، والتقطير من الممكن تصغير الشبكات العصبية لتناسب الأجهزة الصغيرة.
  "TinyML" هو مجال ناشئ يركز على تشغيل تعلم الآلة على المتحكمات الدقيقة. توسع هذه الأساليب الذكاء الاصطناعي ليشمل الحساسات والأجهزة القابلة للارتداء التي تعمل بالبطاريات.
• 5G والاتصال: يوفر الجيل التالي من الشبكات اللاسلكية (5G وما بعدها) عرض نطاق ترددي عالي وروابط منخفضة التأخير تكمل الذكاء الاصطناعي الحدي.
  تسهل الشبكات المحلية السريعة تنسيق مجموعات من الأجهزة الحديّة وتحميل المهام الثقيلة عند الحاجة. يتيح هذا التآزر بين 5G والذكاء الاصطناعي تطبيقات جديدة (مثل المصانع الذكية، والتواصل بين المركبات وكل شيء).
• التعلم الفيدرالي والتعاوني: تسمح طرق الحفاظ على الخصوصية مثل التعلم الفيدرالي لعدة أجهزة حديّة بتدريب نموذج مشترك دون مشاركة البيانات الخام.
  يحسن كل جهاز النموذج محليًا ويشارك التحديثات فقط. هذا الاتجاه (الذي يُلمح إليه في خرائط الطريق التقنية المستقبلية) سيعزز الذكاء الاصطناعي الحدي من خلال الاستفادة من البيانات الموزعة مع الحفاظ على خصوصيتها.
• النماذج الناشئة: تستكشف الأبحاث مستقبلًا الحوسبة العصبية والذكاء الاصطناعي التوليدي على الجهاز لتعزيز الذكاء الحدي.
  كما يتوقع تقرير، قد تظهر ابتكارات مثل الشرائح المستوحاة من الدماغ ونماذج اللغة الكبيرة المحلية على الحافة.

تواصل هذه التقنيات دفع حدود ما يمكن أن يفعله الذكاء الاصطناعي الحدي. معًا، تساعد في تقديم "عصر استنتاج الذكاء الاصطناعي" – بنقل الذكاء أقرب إلى المستخدمين والحساسات.

>>> قد يهمك أيضًا:

ما هو الذكاء الاصطناعي التوليدي؟

ما هو التعلم المعزز؟

يُحدث الذكاء الاصطناعي الحدي تحولًا في كيفية استخدامنا للذكاء الاصطناعي من خلال نقل الحوسبة إلى مصدر البيانات. يكمل الذكاء الاصطناعي السحابي، مقدمًا تحليلات أسرع وأكثر كفاءة وخصوصية على الأجهزة المحلية.
تعالج هذه الطريقة تحديات الوقت الحقيقي وعرض النطاق الترددي المتأصلة في البنى المعتمدة على السحابة. في الممارسة، يشغل الذكاء الاصطناعي الحدي مجموعة واسعة من التقنيات الحديثة – من الحساسات الذكية والمصانع إلى الطائرات بدون طيار والسيارات ذاتية القيادة – من خلال تمكين الذكاء الفوري في الموقع.

مع انتشار أجهزة إنترنت الأشياء وتحسن الشبكات، من المتوقع أن ينمو الذكاء الاصطناعي الحدي فقط. تجعل التقدمات في الأجهزة (الشرائح القوية، TinyML) والتقنيات (التعلم الفيدرالي، تحسين النماذج) من السهل وضع الذكاء الاصطناعي في كل مكان.
وفقًا للخبراء، يجلب الذكاء الاصطناعي الحدي مكاسب ملحوظة في الكفاءة والخصوصية واستخدام عرض النطاق الترددي. باختصار، الذكاء الاصطناعي الحدي هو مستقبل الذكاء المدمج – مقدمًا أفضل ما في الذكاء الاصطناعي بشكل موزع وعلى الجهاز.