هوش مصنوعی لبه (که گاهی به آن «هوش مصنوعی در لبه» نیز گفته می‌شود) به معنای اجرای مدل‌های هوش مصنوعی و یادگیری ماشین روی دستگاه‌های محلی (حسگرها، دوربین‌ها، تلفن‌های هوشمند، دروازه‌های صنعتی و غیره) به جای مراکز داده دور است. به عبارت دیگر، «لبه» شبکه – جایی که داده‌ها تولید می‌شوند – مسئول انجام محاسبات است. این امکان را می‌دهد که دستگاه‌ها داده‌ها را بلافاصله پس از جمع‌آوری تحلیل کنند، به جای اینکه داده‌های خام را به طور مداوم به فضای ابری ارسال کنند.

همانطور که شرکت IBM توضیح می‌دهد، هوش مصنوعی لبه امکان پردازش در زمان واقعی و روی دستگاه را بدون وابستگی به سرور مرکزی فراهم می‌کند. برای مثال، دوربینی با هوش مصنوعی لبه می‌تواند اشیاء را به سرعت شناسایی و طبقه‌بندی کند و بازخورد فوری ارائه دهد. با پردازش داده‌ها به صورت محلی، هوش مصنوعی لبه حتی در صورت اتصال اینترنتی ناپایدار یا قطع شده نیز کار می‌کند.

بر اساس گزارش‌های صنعتی، این تغییر با سرعت در حال رخ دادن است: هزینه جهانی محاسبات لبه در سال ۲۰۲۴ به حدود ۲۳۲ میلیارد دلار رسیده است (۱۵٪ افزایش نسبت به ۲۰۲۳)، که عمدتاً ناشی از رشد اینترنت اشیاء مبتنی بر هوش مصنوعی است.
خلاصه اینکه، هوش مصنوعی لبه به سادگی محاسبات را به منبع داده نزدیک‌تر می‌کند – با استقرار هوش روی دستگاه‌ها یا گره‌های نزدیک، که پاسخ‌ها را سریع‌تر کرده و نیاز به ارسال همه چیز به فضای ابری را کاهش می‌دهد.

هوش مصنوعی لبه در مقابل هوش مصنوعی ابری: تفاوت‌های کلیدی

برخلاف هوش مصنوعی مبتنی بر ابر سنتی (که همه داده‌ها را به سرورهای متمرکز ارسال می‌کند)، هوش مصنوعی لبه محاسبات را بین سخت‌افزارهای محلی توزیع می‌کند. نمودار بالا یک مدل ساده محاسبات لبه را نشان می‌دهد: دستگاه‌های انتهایی (لایه پایین) داده‌ها را به سرور یا دروازه لبه (لایه میانی) می‌فرستند، نه فقط به فضای ابری دور (لایه بالا).

در این ساختار، استنتاج هوش مصنوعی می‌تواند روی دستگاه یا گره محلی لبه انجام شود که تأخیر ارتباطی را به شدت کاهش می‌دهد.

• تأخیر: هوش مصنوعی لبه تأخیر را به حداقل می‌رساند. چون پردازش محلی است، تصمیم‌گیری‌ها می‌توانند در میلی‌ثانیه انجام شوند. IBM اشاره می‌کند که استنتاج مبتنی بر لبه «با پردازش داده‌ها مستقیماً روی دستگاه، تأخیر را کاهش می‌دهد»، در حالی که هوش مصنوعی ابری به دلیل ارسال داده‌ها به سرورهای دور و بازگشت، تأخیر بیشتری دارد.
  این موضوع برای وظایف حساس به زمان (مانند جلوگیری از تصادف خودرو یا کنترل ربات) حیاتی است.
• پهنای باند: هوش مصنوعی لبه بار شبکه را کاهش می‌دهد. با تحلیل یا فیلتر کردن داده‌ها در محل، مقدار بسیار کمتری از اطلاعات باید به سمت بالا ارسال شود. IBM توضیح می‌دهد که سیستم‌های لبه «نیازمند پهنای باند کمتری هستند» چون بیشتر داده‌ها محلی باقی می‌مانند.
  در مقابل، هوش مصنوعی ابری نیازمند اتصال مداوم و پرسرعت برای انتقال داده‌های خام است. این باعث می‌شود هوش مصنوعی لبه در شرایط شبکه‌های شلوغ یا پرهزینه، کارآمدتر و ارزان‌تر باشد.
• حریم خصوصی/امنیت: هوش مصنوعی لبه می‌تواند حریم خصوصی را بهبود بخشد. داده‌های حساس (صدا، تصاویر، اطلاعات سلامت) می‌توانند روی دستگاه پردازش و ذخیره شوند و هرگز به فضای ابری ارسال نشوند. این موضوع خطر نفوذهای شخص ثالث را کاهش می‌دهد.
  برای مثال، یک تلفن هوشمند ممکن است چهره شما را به صورت محلی شناسایی کند بدون اینکه عکس شما را آپلود کند. در مقابل، هوش مصنوعی ابری معمولاً شامل ارسال داده‌های شخصی به سرورهای خارجی است که می‌تواند ریسک‌های امنیتی ایجاد کند.
• منابع محاسباتی: مراکز داده ابری تقریباً دارای قدرت نامحدود CPU/GPU هستند که امکان اجرای مدل‌های بسیار بزرگ هوش مصنوعی را فراهم می‌کنند. دستگاه‌های لبه منابع پردازشی و ذخیره‌سازی بسیار کمتری دارند. همانطور که IBM اشاره می‌کند، واحدهای لبه «محدود به محدودیت‌های اندازه دستگاه هستند».
  بنابراین، هوش مصنوعی لبه معمولاً از مدل‌های بهینه‌شده یا کوچک‌تر استفاده می‌کند. در عمل، آموزش مدل‌های سنگین معمولاً هنوز در فضای ابری انجام می‌شود و فقط مدل‌های فشرده و کم‌حجم به دستگاه‌های لبه منتقل می‌شوند.
• قابلیت اطمینان: با کاهش وابستگی به اتصال مداوم، هوش مصنوعی لبه می‌تواند عملکردهای حیاتی را حتی در صورت قطع شبکه حفظ کند. برای مثال، یک پهپاد می‌تواند با استفاده از هوش مصنوعی داخلی خود مسیر یابی کند وقتی سیگنال به مرکز را از دست می‌دهد.

به طور خلاصه، هوش مصنوعی لبه و ابری مکمل یکدیگر هستند. سرورهای ابری آموزش‌های سنگین، آرشیو و تحلیل‌های دسته‌ای بزرگ را انجام می‌دهند، در حالی که هوش مصنوعی لبه استنتاج در زمان واقعی و تصمیم‌گیری سریع نزدیک به داده‌ها را بر عهده دارد.

مزایای هوش مصنوعی لبه

هوش مصنوعی لبه چندین مزیت عملی برای کاربران و سازمان‌ها ارائه می‌دهد:

• پاسخگویی در زمان واقعی: پردازش داده‌ها به صورت محلی امکان تحلیل فوری را فراهم می‌کند. کاربران بازخورد فوری دریافت می‌کنند (مثلاً تشخیص زنده اشیاء، پاسخ صوتی، هشدار ناهنجاری) بدون انتظار برای رفت و برگشت به فضای ابری.
  این تأخیر کم برای کاربردهایی مانند واقعیت افزوده، خودروهای خودران و رباتیک بسیار مهم است.
• کاهش پهنای باند و هزینه: با هوش مصنوعی لبه، تنها نتایج خلاصه شده یا رویدادهای غیرمعمول نیاز به ارسال از طریق اینترنت دارند. این موضوع هزینه انتقال داده و ذخیره‌سازی ابری را به شدت کاهش می‌دهد.
  برای مثال، یک دوربین امنیتی ممکن است فقط کلیپ‌هایی را که تهدید احتمالی شناسایی کرده است آپلود کند، نه اینکه به طور مداوم پخش زنده داشته باشد.
• حریم خصوصی بهبود یافته: نگهداری داده‌ها روی دستگاه امنیت را افزایش می‌دهد. اطلاعات شخصی یا حساس اگر در لبه پردازش شوند، هرگز از سخت‌افزار محلی خارج نمی‌شوند.
  این موضوع به ویژه برای کاربردهایی با قوانین سختگیرانه حریم خصوصی (مانند بهداشت و درمان، مالی) اهمیت دارد، زیرا هوش مصنوعی لبه می‌تواند داده‌ها را در داخل کشور یا مجموعه نگه دارد.
• صرفه‌جویی در انرژی و هزینه: هوش مصنوعی روی دستگاه می‌تواند مصرف انرژی را کاهش دهد. اجرای یک مدل کوچک روی تراشه کم‌مصرف معمولاً انرژی کمتری نسبت به ارسال داده به سرور ابری و بازگشت آن مصرف می‌کند.
  همچنین هزینه‌های سرور را کاهش می‌دهد – بارهای کاری بزرگ هوش مصنوعی میزبانی در فضای ابری هزینه‌بر است.
• قابلیت کار آفلاین و مقاومت: هوش مصنوعی لبه می‌تواند در صورت قطع اتصال به کار خود ادامه دهد. دستگاه‌ها می‌توانند با هوش محلی کار کنند و سپس بعداً همگام‌سازی شوند.
  این موضوع سیستم‌ها را مقاوم‌تر می‌کند، به ویژه در مناطق دورافتاده یا کاربردهای حیاتی (مثلاً نظارت صنعتی).

شرکت‌های Red Hat و IBM هر دو این مزایا را برجسته می‌کنند. هوش مصنوعی لبه «قابلیت‌های محاسباتی با عملکرد بالا را به لبه می‌آورد» و امکان تحلیل در زمان واقعی و افزایش کارایی را فراهم می‌کند.
همانطور که یک گزارش خلاصه می‌کند، استقرارهای لبه تأخیر و نیاز به پهنای باند را کاهش داده و حریم خصوصی و قابلیت اطمینان را افزایش می‌دهند.

چالش‌های هوش مصنوعی لبه

با وجود مزایای خود، هوش مصنوعی لبه با موانعی نیز روبرو است:

• محدودیت‌های سخت‌افزاری: دستگاه‌های لبه معمولاً کوچک و دارای منابع محدود هستند. آنها ممکن است فقط CPUهای متوسط یا NPUهای کم‌مصرف تخصصی و حافظه محدودی داشته باشند.
  این موضوع مهندسان هوش مصنوعی را مجبور می‌کند از تکنیک‌های فشرده‌سازی مدل، هرس یا TinyML برای جا دادن مدل‌ها روی دستگاه استفاده کنند. مدل‌های پیچیده یادگیری عمیق معمولاً نمی‌توانند به طور کامل روی میکروکنترلر اجرا شوند، بنابراین ممکن است دقت کمی کاهش یابد.
• آموزش مدل و به‌روزرسانی‌ها: آموزش مدل‌های پیشرفته هوش مصنوعی معمولاً هنوز در فضای ابری انجام می‌شود، جایی که داده‌ها و قدرت محاسباتی عظیمی در دسترس است. پس از آموزش، این مدل‌ها باید بهینه‌سازی (کوانتیزه، هرس و غیره) شده و به هر دستگاه لبه منتقل شوند.
  به‌روزرسانی هزاران یا میلیون‌ها دستگاه می‌تواند پیچیده باشد. هماهنگی فریم‌ور و داده‌ها بار مدیریتی اضافه می‌کند.
• گرانش داده و ناهمگنی: محیط‌های لبه متنوع هستند. مکان‌های مختلف ممکن است انواع مختلفی از داده‌ها را جمع‌آوری کنند (حسگرها بسته به کاربرد متفاوتند) و سیاست‌ها ممکن است منطقه‌ای باشند.
  یکپارچه‌سازی و استانداردسازی همه این داده‌ها چالش‌برانگیز است. همانطور که IBM اشاره می‌کند، استقرار گسترده هوش مصنوعی لبه مسائل «گرانش داده، ناهمگنی، مقیاس و محدودیت منابع» را به همراه دارد. به عبارت دیگر، داده‌ها تمایل دارند محلی باقی بمانند که جمع‌آوری دید جهانی را دشوار می‌کند و دستگاه‌ها در اشکال و اندازه‌های مختلف وجود دارند.
• امنیت در لبه: در حالی که هوش مصنوعی لبه می‌تواند حریم خصوصی را بهبود بخشد، نگرانی‌های امنیتی جدیدی نیز ایجاد می‌کند. هر دستگاه یا گره می‌تواند هدف بالقوه هکرها باشد.
  اطمینان از اینکه مدل‌های محلی دست‌نخورده باقی می‌مانند و فریم‌ور امن است، نیازمند تدابیر حفاظتی قوی است.
• وابستگی به اتصال برای برخی وظایف: اگرچه استنتاج می‌تواند محلی باشد، سیستم‌های لبه اغلب برای وظایف سنگین مانند آموزش مجدد مدل‌ها، تحلیل داده‌های بزرگ یا تجمیع نتایج توزیع‌شده به اتصال ابری نیاز دارند.
  اتصال محدود می‌تواند این عملکردهای پشتیبانی را کند کند.

در عمل، اکثر راه‌حل‌ها از مدل ترکیبی استفاده می‌کنند: دستگاه‌های لبه استنتاج را انجام می‌دهند، در حالی که فضای ابری آموزش، مدیریت مدل و تحلیل داده‌های بزرگ را بر عهده دارد.
این تعادل به غلبه بر محدودیت‌های منابع کمک کرده و امکان مقیاس‌پذیری هوش مصنوعی لبه را فراهم می‌کند.

موارد کاربرد هوش مصنوعی لبه

هوش مصنوعی لبه در صنایع مختلف به کار گرفته شده است. نمونه‌های واقعی شامل موارد زیر است:

• خودروهای خودران: خودروهای خودران از هوش مصنوعی لبه روی برد خود برای پردازش فوری داده‌های دوربین و رادار جهت ناوبری و جلوگیری از موانع استفاده می‌کنند.
  آنها نمی‌توانند تأخیر ارسال ویدئو به سرور را تحمل کنند، بنابراین همه چیز (تشخیص اشیاء، شناسایی عابران پیاده، ردیابی خطوط) به صورت محلی انجام می‌شود.
• تولید و صنعت ۴.۰: کارخانه‌ها دوربین‌ها و حسگرهای هوشمندی را روی خطوط تولید نصب می‌کنند تا نقص‌ها یا ناهنجاری‌ها را در زمان واقعی شناسایی کنند.
  برای مثال، یک دوربین هوش مصنوعی لبه می‌تواند محصول معیوب روی نوار نقاله را شناسایی کرده و اقدام فوری انجام دهد. به همین ترتیب، ماشین‌آلات صنعتی از هوش مصنوعی محلی برای پیش‌بینی خرابی تجهیزات (نگهداری پیش‌بینی شده) قبل از وقوع خرابی استفاده می‌کنند.
• بهداشت و درمان و پاسخ اضطراری: دستگاه‌های پزشکی قابل حمل و آمبولانس‌ها اکنون از هوش مصنوعی لبه برای تحلیل داده‌های بیماران در محل استفاده می‌کنند.
  دستگاه‌های سونوگرافی یا مانیتور علائم حیاتی روی آمبولانس می‌توانند فوراً با هوش مصنوعی داخلی آسیب‌های داخلی را تشخیص داده یا پرسنل اورژانس را از علائم غیرطبیعی مطلع کنند. در بیمارستان‌ها، هوش مصنوعی لبه می‌تواند بیماران بخش مراقبت‌های ویژه را به طور مداوم پایش کرده و بدون انتظار برای سرور مرکزی هشدار دهد.
• شهرهای هوشمند: سیستم‌های شهری از هوش مصنوعی لبه برای مدیریت ترافیک، نظارت و حسگری محیطی استفاده می‌کنند.
  چراغ‌های هوشمند ترافیک با استفاده از هوش محلی که فیدهای دوربین را تحلیل می‌کند، زمان‌بندی را تنظیم می‌کنند و ازدحام را در زمان واقعی کاهش می‌دهند. دوربین‌های خیابانی می‌توانند حوادث (تصادفات، آتش‌سوزی‌ها) را شناسایی کرده و فوراً به مسئولان اطلاع دهند. با حفظ پردازش به صورت محلی، شهرها می‌توانند سریع واکنش نشان دهند بدون اینکه شبکه‌های مرکزی را بارگذاری کنند.
• خرده‌فروشی و اینترنت اشیاء مصرفی: هوش مصنوعی لبه تجربه مشتری و راحتی را بهبود می‌بخشد.
  در فروشگاه‌ها، دوربین‌ها یا حسگرهای قفسه هوشمند از هوش مصنوعی برای ردیابی رفتار خریداران و سطح موجودی به صورت فوری استفاده می‌کنند. در خانه، تلفن‌های هوشمند، تبلت‌ها و بلندگوهای هوشمند تشخیص صدا یا چهره را روی دستگاه اجرا می‌کنند. برای مثال، یک تلفن هوشمند می‌تواند بدون دسترسی به ابر قفل را باز کند یا حرکات را شناسایی کند. ردیاب‌های تناسب اندام داده‌های سلامت (ضربان قلب، قدم‌ها) را به صورت محلی تحلیل کرده و بازخورد در زمان واقعی ارائه می‌دهند.

کاربردهای نوظهور دیگر شامل کشاورزی دقیق (پهپادها و حسگرها با استفاده از هوش مصنوعی لبه برای پایش سلامت خاک و محصولات) و سیستم‌های امنیتی (تشخیص چهره روی دستگاه برای قفل‌ها) است. همانطور که یک مطالعه IEEE اشاره می‌کند، هوش مصنوعی لبه برای کاربردهایی مانند کشاورزی هوشمند، کنترل ترافیک و اتوماسیون صنعتی حیاتی است.
به طور خلاصه، هر سناریویی که از تحلیل فوری و محلی بهره‌مند شود، کاندیدای مناسبی برای هوش مصنوعی لبه است.

فناوری‌ها و روندهای توانمندساز

رشد هوش مصنوعی لبه توسط پیشرفت‌های سخت‌افزاری و نرم‌افزاری تقویت می‌شود:

• سخت‌افزار تخصصی: تولیدکنندگان تراشه‌هایی طراحی می‌کنند که مخصوص استنتاج لبه هستند. این شامل شتاب‌دهنده‌های عصبی کم‌مصرف در تلفن‌های هوشمند (NPUها) و ماژول‌های اختصاصی هوش مصنوعی لبه مانند Google Coral Edge TPU، NVIDIA Jetson Nano و بردهای میکروکنترلر کم‌هزینه (آردوینو، رزبری پای با افزونه‌های هوش مصنوعی) می‌شود.
  یک گزارش صنعتی اخیر اشاره می‌کند که پیشرفت در پردازنده‌های فوق کم‌مصرف و الگوریتم‌های «بومی لبه» محدودیت‌های سخت‌افزاری دستگاه‌ها را پشت سر می‌گذارد.
• TinyML و بهینه‌سازی مدل: ابزارهایی مانند TensorFlow Lite و تکنیک‌هایی مانند هرس مدل، کوانتیزه‌سازی و تقطیر امکان کوچک‌سازی شبکه‌های عصبی برای جا دادن روی دستگاه‌های کوچک را فراهم می‌کنند.
  «TinyML» حوزه‌ای نوظهور است که بر اجرای یادگیری ماشین روی میکروکنترلرها تمرکز دارد. این رویکردها هوش مصنوعی را به حسگرها و پوشیدنی‌هایی که با باتری کار می‌کنند گسترش می‌دهند.
• ۵G و اتصال: نسل بعدی ارتباطات بی‌سیم (۵G و فراتر) پهنای باند بالا و تأخیر کم را فراهم می‌کند که مکمل هوش مصنوعی لبه است.
  شبکه‌های محلی سریع هماهنگی خوشه‌های دستگاه‌های لبه را آسان‌تر کرده و امکان واگذاری وظایف سنگین‌تر را فراهم می‌کنند. این هم‌افزایی بین ۵G و هوش مصنوعی کاربردهای جدیدی مانند کارخانه‌های هوشمند و ارتباط خودرو با همه چیز را ممکن می‌سازد.
• یادگیری فدرال و مشارکتی: روش‌های حفظ حریم خصوصی مانند یادگیری فدرال اجازه می‌دهند چندین دستگاه لبه به طور مشترک یک مدل را آموزش دهند بدون اینکه داده‌های خام را به اشتراک بگذارند.
  هر دستگاه مدل را به صورت محلی بهبود می‌بخشد و فقط به‌روزرسانی‌ها را به اشتراک می‌گذارد. این روند (که در نقشه‌های راه فناوری آینده نیز دیده می‌شود) هوش مصنوعی لبه را با بهره‌گیری از داده‌های توزیع‌شده در حالی که حریم خصوصی حفظ می‌شود، تقویت خواهد کرد.
• الگوهای نوظهور: در آینده، پژوهش‌ها در حال بررسی محاسبات نورو مورفیک و هوش مصنوعی مولد روی دستگاه برای افزایش هوشمندی لبه هستند.
  همانطور که یک گزارش پیش‌بینی می‌کند، نوآوری‌هایی مانند تراشه‌های الهام‌گرفته از مغز و مدل‌های زبانی بزرگ محلی ممکن است در لبه ظاهر شوند.

این فناوری‌ها همچنان مرزهای قابلیت‌های هوش مصنوعی لبه را گسترش می‌دهند. با هم، آنها «عصر استنتاج هوش مصنوعی» را رقم می‌زنند – انتقال هوش به نزدیکی کاربران و حسگرها.

>>> ممکن است علاقه‌مند باشید:

هوش مصنوعی مولد چیست؟

یادگیری تقویتی چیست؟

هوش مصنوعی لبه نحوه استفاده ما از هوش مصنوعی را با انتقال محاسبات به منبع داده متحول می‌کند. این فناوری مکمل هوش مصنوعی ابری است و تحلیل‌هایی سریع‌تر، کارآمدتر و خصوصی‌تر را روی دستگاه‌های محلی ارائه می‌دهد.
این رویکرد به چالش‌های زمان واقعی و پهنای باند که در معماری‌های مبتنی بر ابر وجود دارد پاسخ می‌دهد. در عمل، هوش مصنوعی لبه طیف گسترده‌ای از فناوری‌های مدرن – از حسگرها و کارخانه‌های هوشمند گرفته تا پهپادها و خودروهای خودران – را با هوش در محل ممکن می‌سازد.

با گسترش دستگاه‌های اینترنت اشیاء و بهبود شبکه‌ها، هوش مصنوعی لبه تنها در حال رشد است. پیشرفت‌های سخت‌افزاری (ریزتراشه‌های قدرتمند، TinyML) و تکنیک‌ها (یادگیری فدرال، بهینه‌سازی مدل) کار گذاشتن هوش مصنوعی در همه جا را آسان‌تر می‌کنند.
بر اساس نظر کارشناسان، هوش مصنوعی لبه بهبودهای قابل توجهی در کارایی، حریم خصوصی و استفاده از پهنای باند به همراه دارد. به طور خلاصه، هوش مصنوعی لبه آینده هوش تعبیه‌شده است – ارائه بهترین‌های هوش مصنوعی به صورت توزیع‌شده و روی دستگاه.