كتاب Edge AI الجديد: لماذا تدريب النماذج هو تحد الأمس

نشهده توسعًا متواصلًا في الذكاء الاصطناعي حيث يتوسع من السحابة إلى بيئات الحوسبة الحدية. مع توقعات السوق العالمية للحوسبة الحدية لتصل إلى $350 مليار في عام 2027، تتحرك المنظمات بسرعة من التركيز على تدريب النماذج إلى حل التحديات المعقدة للتطوير. هذا التحول نحو الحوسبة الحدية والتعلم الفيدرالي والاستدلال الموزع يغير من طريقة تسليم الذكاء الاصطناعي القيمة في التطبيقات العملية في العالم الحقيقي.

تطور بنية الذكاء الاصطناعي

ت EXPERIENCE نموًا غير مسبوق في سوق تدريب الذكاء الاصطناعي، حيث من المتوقع أن تصل السوق العالمية للذكاء الاصطناعي إلى $407 مليار بحلول عام 2027. في حين أن هذا النمو حتى الآن مركز على البيئات السحابية المركزية مع الموارد الحاسوبية المجمعة، فإن نمطًا واضحًا ظهر: التحول الحقيقي يحدث في استدلال الذكاء الاصطناعي – حيث يتم تطبيق النماذج المدربة على سيناريوهات العالم الحقيقي.

然而، مع انتقال المنظمات إلى ما بعد مرحلة التدريب، تحول التركيز إلى حيث وكيف يتم نشر هذه النماذج. يصبح استدلال الذكاء الاصطناعي على الحافة بسرعة معيارًا لمجموعة معينة من الحالات، مدفوعًا بالضرورات العملية. في حين أن التدريب يتطلب قدرة حاسوبية كبيرة وتحدث عادةً في بيئات السحابة أو مراكز البيانات، فإن الاستدلال حساس للاتساق، لذلك كلما كان أقرب إلى مصدر البيانات، كان أفضل لاتخاذ القرارات التي يجب اتخاذها بسرعة. यह حيث يأتي دور الحوسبة الحدية.

لماذا يهم الذكاء الاصطناعي على الحافة

يحول التحول نحو نشر الذكاء الاصطناعي على الحافة إلى ثورة في كيفية تنفيذ المنظمات حلول الذكاء الاصطناعي. مع توقعات تشير إلى أن أكثر من 75% من البيانات التي تم إنشاؤها بواسطة الشركات ستنشأ ومعالجة خارج المراكز التقليدية للبيانات بحلول عام 2027، يقدم هذا التحول عدة مزايا حرجة. يتيح الاتساق المنخفض اتخاذ القرارات في الوقت الفعلي دون تأخيرات في الاتصالات السحابية. بالإضافة إلى ذلك، يعزز نشر الحافة حماية الخصوصية عن طريق معالجة البيانات الحساسة محليًا دون مغادرة مقر المنظمة. يتجاوز تأثير هذا التحول هذه الاعتبارات الفنية.

تطبيقات الصناعة والحالات

تعتبر الصناعة، التي من المتوقع أن تمثل أكثر من 35% من سوق الذكاء الاصطناعي على الحافة بحلول عام 2030، رائدة في تبني الذكاء الاصطناعي على الحافة. في هذا القطاع، تمكّن الحوسبة الحدية من مراقبة المعدات في الوقت الفعلي وتنظيم العملية، مما يقلل بشكل كبير من وقت الاستراحة ويعزز الكفاءة التشغيلية. يسمح الصيانة التنبؤية بالذكاء الاصطناعي على الحافة للمصنعين بتحديد القضايا المحتملة قبل أن تسبب انكسارات مكلفة. وبالمثل، في صناعة النقل، لقد حقق مشغلو السكك الحديدية نجاحًا مع الذكاء الاصطناعي على الحافة، مما ساعد على نمو الإيرادات عن طريق تحديد فرص أكثر كفاءة للاستخدام المتوسط والقصير وفرص التبادل.

تظهر تطبيقات الرؤية الحاسوبية على وجه الخصوص مرونة نشر الذكاء الاصطناعي على الحافة. حاليًا، يتم معالجة فقط 20% من فيديو الشركات تلقائيًا على الحافة، ولكن هذا من المتوقع أن يصل إلى 80% بحلول عام 2030. هذا التحول الدراماتيكي يظهر بالفعل في التطبيقات العملية، من تحديد لوحة الترخيص في غسالات السيارات إلى الكشف عن معدات الحماية الشخصية في المصانع والتعرف على الوجه في أمن النقل.

يقدم قطاع المرافق حالات استخدام أخرى مقنعة. تدعم الحوسبة الحدية الإدارة الذكية في الوقت الفعلي للبنية التحتية الحيوية مثل شبكات الكهرباء والمياه والغاز. تعتقد وكالة الطاقة الدولية أن الاستثمار في الشبكات الذكية يحتاج إلى أن يزيد أكثر من ضعفين خلال عام 2030 لتحقيق أهداف المناخ في العالم، مع لعب الذكاء الاصطناعي على الحافة دورًا حاسمًا في إدارة موارد الطاقة الموزعة وتنظيم عمليات الشبكة.

التحديات والاعتبارات

في حين تقدم الحوسبة السحابية قابليتها للتوسع بشكل افتراضي غير محدود، فإن نشر الحافة يقدم قيودًا فريدة من حيث الأجهزة والموارد المتاحة. لا تزال العديد من الشركات تعمل على فهم الآثار والمتطلبات الكاملة للحوسبة الحدية.

تمدد المنظمات بشكل متزايد لمعالجة الذكاء الاصطناعي إلى الحافة لمواجهة تحديات حرجة متأصلة في الاستدلال السحابي. غالبًا ما تجعل مخاوف السيادة على البيانات والمتطلبات الأمنية وقيود الاتصال الشبكي الاستدلال السحابي غير عملي لالتطبيقات الحساسة أو الحساسة للزمن. والمعايير الاقتصادية مجزية بشكل متساو – يقلل إلغاء نقل البيانات المستمر بين بيئات السحابة والحافة بشكل كبير من التكاليف التشغيلية، مما يجعل المعالجة المحلية خيارًا أكثر جاذبية.

مع نضج السوق، نتوقع أن نرى ظهور منصات شاملة تسهل نشر موارد الحافة وإدارتها، مشابهة لطريقة تسهيل منصات السحابة للحوسبة المركزية.

استراتيجية التنفيذ

يجب على المنظمات التي تبحث عن تبني الذكاء الاصطناعي على الحافة أن تبدأ بتحليل شامل لتحدياتها الخاصة وحالات استخدامها. يحتاج قادة القرار إلى تطوير استراتيجيات شاملة لكل من النشر والإدارة الطويلة الأمد لحلول الذكاء الاصطناعي على الحافة. هذا يشمل فهم الطلبات الفريدة للشبكات الموزعة ومصادر البيانات المختلفة وكيف تتماشى مع الأهداف التجارية الأوسع.

يتزايد الطلب على مهندسي MLOps بسرعة مع إدراك المنظمات للدور الحاسم الذي يلعبونه في جسر الفجوة بين تطوير النموذج وتنفيذ التشغيل. مع تطور متطلبات البنية التحتية للذكاء الاصطناعي وتصبح تطبيقات جديدة ممكنة، أصبح الحاجة إلى خبراء يمكنهم نشر ونشر أنظمة التعلم الآلي بنجاح على نطاق واسع أكثر إلحاحًا.

الاعتبارات الأمنية في بيئات الحافة حاسمة بشكل خاص مع توزيع المنظمات لمعالجة الذكاء الاصطناعي عبر مواقع متعددة. المنظمات التي تتقن تحديات التنفيذ هذه اليوم تضع نفسها في موقع القيادة في اقتصاد الذكاء الاصطناعي في الغد.

الطريق أمامنا

يخضع مشهد الذكاء الاصطناعي للشركات إلى تحول كبير، مع تحول التركيز من التدريب إلى الاستدلال، مع زيادة التركيز على النشر المستدام وتحسين التكلفة وتعزيز الأمان. مع تسارع تبني البنية التحتية للحافة، نشهد قوة الحوسبة الحدية تغير من كيفية معالجة الشركات للبيانات وتنفيذ الذكاء الاصطناعي وبناء التطبيقات الجيل التالي.

يشبه عصر الذكاء الاصطناعي على الحافة أيام الإنترنت المبكرة عندما بدت الإمكانيات غير محدودة. اليوم، نقف على حدود مماثلة، نشاهد كيف يصبح الاستدلال الموزع العادي ويسمح بالابتكارات التي نبدأ فقط في تخيلها. من المتوقع أن يكون لهذا التحول تأثير اقتصادي هائل – من المتوقع أن يساهم الذكاء الاصطناعي في $15.7 تريليون في الاقتصاد العالمي بحلول عام 2030، مع لعب الذكاء الاصطناعي على الحافة دورًا حاسمًا في هذا النمو.

مستقبل الذكاء الاصطناعي لا يكمن في بناء نماذج أكثر ذكاءً فقط، بل في نشرها بذكاء حيث يمكنها خلق القيمة الأكبر. مع تقدمنا، ستصبح القدرة على تنفيذ وإدارة الذكاء الاصطناعي على الحافة بمفردة متميزة للمنظمات الناجحة في اقتصاد الذكاء الاصطناعي.