Edge AI وTinyML: كيف يعمل الذكاء الاصطناعي داخل الجهاز دون إنترنت؟

كاميرا تتعرف على العيوب في خط الإنتاج دون إرسال الصور إلى أي خادم. أو سوار يكتشف سقوط كبير السن خلال جزء من الثانية، حتى لو انقطع الإنترنت. هذا ما يقدمه Edge AI، أي الذكاء الاصطناعي الذي يعمل داخل الجهاز نفسه بدلاً من السحابة.

في هذا الدليل نشرح في رابط لتقنية المعلومات متى تحتاج Edge AI، وما الفرق بينه وبين الذكاء الاصطناعي السحابي، وكيف نبني نموذج TinyML يعمل على متحكم صغير. كما نشرح العتاد المناسب لكل حالة، والقيود التي يجب أن تعرفها قبل أن تبدأ.

1. ما هو Edge AI وما هو TinyML؟

Edge AI يعني تشغيل نموذج الذكاء الاصطناعي على «حافة» الشبكة، أي داخل الجهاز الذي يجمع البيانات. فبدلاً من إرسال الصورة أو الصوت إلى خادم بعيد، يحلل الجهاز البيانات بنفسه ويتخذ القرار فوراً.

أما TinyML فهو فرع من Edge AI يختص بتشغيل نماذج صغيرة جداً على متحكمات دقيقة، مثل ESP32، باستهلاك طاقة منخفض جداً. بمعنى آخر، كل TinyML هو Edge AI، لكن ليس كل Edge AI هو TinyML. فبعض الأجهزة الطرفية حواسيب قوية تشغل نماذج رؤية حاسوبية كاملة.

2. السحابة أم داخل الجهاز؟

لا يوجد خيار يفوز في كل شيء. لذلك يبدأ القرار من فهم الفرق بينهما في كل معيار.

يتفوق Edge AI في السرعة، لأن القرار يحدث داخل الجهاز دون انتظار الشبكة. كذلك يستمر في العمل دون إنترنت، وهذا مهم في المواقع البعيدة. علاوة على ذلك، تبقى البيانات الخام داخل الجهاز، فلا تغادر الصور أو الأصوات أو العلامات الحيوية المكان. وهذه ميزة كبيرة للتطبيقات الصحية والأمنية.

في المقابل، تتفوق السحابة في حجم النموذج وقدرته، وفي سهولة التحديث المركزي. لذلك تجمع أغلب الأنظمة الناجحة بين الاثنين: قرار سريع داخل الجهاز، ثم تحليل أعمق في السحابة على النتائج فقط.

3. تطبيقات عملية لـ Edge AI

على سبيل المثال، يجمع سوار المراقبة الصحية من أعمالنا بين قراءة العلامات الحيوية وتحليلها للتنبيه المبكر بالحالات الخطرة.

4. كيف نبني نموذج TinyML؟

بناء النموذج يمر بست مراحل. والأهم أن جودة البيانات في المرحلة الأولى تحدد دقة الجهاز أكثر من أي خوارزمية.

أولاً، جمع البيانات. نسجل قراءات حقيقية من الحساس نفسه وفي بيئة الاستخدام نفسها. فنموذج مدرب على بيانات المختبر قد يفشل في الموقع. ثانياً، التصنيف. نضع لكل عينة وسماً مثل «طبيعي» أو «عطل» أو «سقوط». ثالثاً، التدريب على الحاسب لنموذج صغير مناسب لحجم ذاكرة المتحكم.

رابعاً، الضغط. نحوّل أوزان النموذج إلى أرقام صحيحة بحجم 8 بت (int8). وبالتالي يصغر حجمه نحو أربع مرات ويصبح أسرع، مع خسارة بسيطة في الدقة غالباً. خامساً، النشر بتحويل النموذج إلى كود يعمل على المتحكم، مثلاً عبر TensorFlow Lite for Microcontrollers. وأخيراً، المراقبة، أي قياس الدقة ميدانياً وإعادة التدريب عند الحاجة.

5. اختيار العتاد المناسب لـ Edge AI

هناك ثلاث فئات رئيسية من العتاد. المتحكمات الدقيقة مثل ESP32-S3 مناسبة لتصنيف الاهتزاز والصوت والإيماءات البسيطة، وتعمل بالبطارية لفترات طويلة. أما الحواسيب الصغيرة مثل Raspberry Pi فتشغل رؤية حاسوبية خفيفة وأكثر من نموذج معاً.

في المقابل، تحتاج تطبيقات الفيديو المباشر وكشف الأجسام بسرعة عالية إلى مسرّعات ذكاء اصطناعي مثل NVIDIA Jetson أو Google Coral. لكنها تستهلك طاقة أكبر وتكلف أكثر. ولمقارنة اللوحات الشائعة بالتفصيل، راجع دليل Arduino وRaspberry Pi وESP32.

6. قيود Edge AI التي يجب أن تعرفها

Edge AI ليس حلاً سحرياً. أولاً، الذاكرة محدودة. فالمتحكم الدقيق لا يتسع إلا لنماذج صغيرة، ولا يمكنه تشغيل نموذج لغوي كبير مثلاً. ثانياً، الدقة تحتاج بيانات. بدون بيانات حقيقية كافية لن يكون النموذج موثوقاً. ثالثاً، التحديث أصعب. فكل تحسين للنموذج يحتاج نظام تحديث عن بُعد للأجهزة.

وأخيراً، الطاقة. فتشغيل النموذج باستمرار يستهلك البطارية، لذلك نصمم الجهاز ليستيقظ ويحلل عند الحاجة فقط. وهذا يتطلب تخطيطاً دقيقاً لاستهلاك الطاقة من البداية.

اختبر فهمك

أسئلة شائعة