التحول إلى الاستدلال بالذكاء الاصطناعي يأخذ الذكاء في الوقت الفعلي إلى الحافة

تتغير صناعة الذكاء الاصطناعي – والحوار الناتج عنها – بعيدًا عن الجهود المبذولة لتدريب نماذج الذكاء الاصطناعي. هذه القصة، التي حدثت في السحابة أو مراكز البيانات (أو كليهما) ، هي “أخبار قديمة”. الآن، مع وجود مجموعة من الحالات في معظم الصناعات، يتم نشر هذه النماذج وتشغيلها في بيئات موزعة ومتفرقة. تتحرك الصناعة من مرحلة التدريب إلى مرحلة الاستدلال، وهذه القصة تحدث في الحافة مع الحاجة إلى ذكاء في الوقت الفعلي لجميع الأشياء من الكاميرات الذكية إلى الأجهزة المدمجة في الماكينات الصناعية. يتغير التركيز من التدريب المركزي للذكاء الاصطناعي إلى الذكاء الاصطناعي في الحافة أو التوزيع الهجين.

في عصر حيث السرعة والدقة وخصوصية البيانات أكثر أهمية من أي وقت مضى، الذكاء الاصطناعي في الحافة يعيد تعريف العمليات التشغيلية في النقاط الأكثر حساسية للأعمال. على عكس نماذج الذكاء الاصطناعي التقليدية التي تعتمد على البنية التحتية للسحابة، يأتي الذكاء الاصطناعي في الحافة مع اتخاذ القرارات أقرب إلى نقطة توليد البيانات.

قيمة الذكاء الاصطناعي في الحافة

تقليل المسافة بين توليد البيانات و اتخاذ القرارات يقلل من التأخير عن طريق إlimination التأخير الناتج عن نقل الشبكة، مما يؤدي إلى تسليم أسرع للرؤى التنبؤية و القرارات الآلية. يؤدي هذا المعالجة في الوقت الفعلي مكاسب في الكفاءة للمنظمات، مما يحسن كل شيء من تجارب العملاء إلى جودة المنتج، أو حتى دعم سلامة الموظفين. بغض النظر عن حالة الاستخدام، تقليل المسافة أيضًا يحسن الأمان والموثوقية عن طريق تقليل الوقت الذي تنتقل فيه البيانات الحساسة وتقليل الحاجة إلى النطاق الترددي.

الفورية والملاءمة هي الأمور الأكثر أهمية، بغض النظر عن قطاع الصناعة.

على سبيل المثال، في التصنيع، يمكن للذكاء الاصطناعي في الحافة تشغيل أنظمة ضمان الجودة التي تIGHLIGHT عيوب المنتج في الحال. في مجال الرعاية الصحية، يمكنه دعم نظم مراقبة المرضى التي تثير التنبيهات في لحظة اكتشاف الشذوذ. سوف يستخدم تجار التجزئة الذكاء الاصطناعي في الحافة لتخصيص تجارب العملاء في المتاجر وإدارة المخزون بشكل ديناميكي. في جميع هذه السيناريوهات، ومع ذلك، الذكاء المطلوب في الحافة هو ميزة رئيسية. الذكاء الاصطناعي في الحافة هو أمر حاسم عندما تهمّ الألفية من الثانية.

السياق يهم من مركز البيانات إلى الحافة

في حين أن وحدات معالجة الرسومات غالبًا ما تُعتبر مرادفة للذكاء الاصطناعي، فإن الذكاء الاصطناعي في الحافة يتضمن دقة أكبر، حيث أن احتياجات وطبيعة الحملات للاستدلال تختلف بشكل جوهري عن تلك الموجودة في تدريب النماذج. يمكن لمعالجات Центральная معالجة (CPUs) التعامل مع العديد من حملات الاستدلال – وخاصة التطبيقات القائمة على الرؤية – بشكل فعال، وهي أكثر كفاءة في استهلاك الطاقة والتكلفة. حتى لو تطلب نشر الحافة أداء أعلى، فقد ظهر فئة جديدة من وحدات معالجة الرسومات منخفضة الطاقة، مما يوفر حلول مخصصة للحافة.

في النهاية، اختيار التكوين الصحيح هو تمرين في موازنة الحمل العمل المحدد والإنتاج المطلوب والقيود البيئية. يتطلب نشر الذكاء الاصطناعي في الحافة أجهزة حاسوب توازن الأداء مع التشغيل العملي في الميدان.

النجاح في الحافة يتطلب نهجًا مختلفًا بشكل جوهري يعالج قيود المساحة والطاقة والتبريد مع الحفاظ على الأداء. يجب تصميم الأجهزة والبرامج خصيصًا لاحتياجات الحافة، والتي غالبًا ما تشمل القدرة على العمل بشكل موثوق في البيئات القاسية دون المساس بسعة الحوسبة. البديل هو توقف العمل، الذي يمكن أن يكون له آثاراً بعيدة المدى مدمرة.

مسار النجاح

يبدأ مسار نجاح الذكاء الاصطناعي في الحافة باكتشاف حالة استخدام واحدة ذات تأثير كبير وتركيز نشر أولي عليها. هذا النوع من التركيز يحافظ على نطاق المنظمة قابلًا للإدارة مع تمكين الزخم الإيجابي للنشر، مما يسمح للمنظمة بفهم إمكانات هذه التكنولوجيا مع تحسين العمليات التشغيلية وإطارات الدعم.

然而، هذا أمر أسهل قيله من فعله!

معظم المنظمات التي تسعى إلى الاستفادة من نشر الذكاء الاصطناعي ليست على دراية عميقة، ولا تمتلك الخبرة في جميع التكنولوجيات الأساسية. يترك هذا الفجوة في المعرفة يبحثون عن إرشادات وسمات محسنة من الشركاء الخارجيين. خاصة مع انتشار النشرات وتحرك الصناعة من التدريب في النواة إلى الاستدلال في الحافة، تصبح المتطلبات البرمجية والخدمية التي ت伴ي الأجهزة أكثر أهمية. بالإضافة إلى ذلك، سيزيد التعقيد فقط في المستقبل. خاصة في الحافة حيث يمكن أن يكون توقف العمل له عواقب بعيدة المدى مكلفة، الشراكة مع الخبرة والخدمات اللازمة لضمان الأداء المستمر هي أمور لا يمكن المساومة عليها.

فخ共同 الذي تقع فيه المنظمات هو التركيز بشكل ضيق على مشاريع إثبات المفهوم دون مسار واضح للتوسع. يجب على المنظمات أيضًا أن تضع في اعتبارها التعقيد التشغيلي – من الإدارة عن بُعد وتحمل الأعطال إلى دعم دورة الحياة. المزيد من الأسباب للعمل مع شريك محترف هو أمر بالغ الأهمية. على عكس مراكز البيانات، حيث يتم رصد الأنظمة وتجديدها بانتظام، يجب تصميم البنية التحتية للحافة لكي تكون طويلة الأمد، مع هدف عام يتراوح بين 5 إلى 7 سنوات.

بالإضافة إلى ذلك، تتطلع المنظمات بشكل متزايد إلى توحيد موارد الحوسبة في الحافة لتقليل الحجم والتكلفة. هذا يجمع بين الحملات التقليدية مع تطبيقات الذكاء الاصطناعي على منصات موحدة ومفصلة، مما يلغي الحاجة إلى بنية تحتية منفصلة، ولكنه يزيد من الحاجة إلى ذكاء في الوقت الفعلي.

الذكاء الاصطناعي في الحافة في المستقبل

يتطور الذكاء الاصطناعي في الحافة بسرعة، يتحرك من الأنظمة القائمة على القواعد إلى ذكاء أكثر مرونة واعٍ بالسياق. مع التطورات في الذكاء الاصطناعي التوليدي والنماذج الأساسية، بدأت أنظمة الحافة في دعم دوائر التعلم المستمر، وتعديل نفسها تلقائيًا بناءً على مدخلات البيانات دون الاعتماد على السحابة.

تؤسس نشرات Kubernetes ونمذجة المحتوى دوائر التعلم المستمر، مما يسمح للنشرات بالتطوير بشكل مستمر. كما يسهل التعبئة إجراء تحديثات سريعة من السحابة إلى الحافة، ويدير Kubernetes الحاويات بمقياس، ويتحكم في النشرات والتحديثات وفحوصات الصحة تلقائيًا. يزيد هذا من كفاءة النشرات وزيادة دقة النماذج، مما يوفر مرونة أكبر وقدرة أكبر على البقاء في العمل – أمر بالغ الأهمية للاحتفاظ بقيمة أي نشر للذكاء الاصطناعي في الحافة.

الذكاء الاصطناعي في الحافة هو أكثر من مجرد كلمة شائعة. إنه التطور الملموس في الطريقة التي ستستخدم بها الصناعات الذكاء في نقطة التفاعل في المستقبل – وهو قادم بسرعة. مع خطة الذكاء الاصطناعي في الحافة متوافقة مع البنية التحتية والقدرات النظامية المناسبة، يمكن للمنظمات解锁 كفاءات جديدة قوية في الذكاء الاصطناعي – مما يزيد من الاستجابة وتجنب توقف العمل التكلفي.