دوربین‌های مداربسته‌ای که در کارخانه‌ها تعبیه می‎شوند مدام تصویربرداری می‌کنند و باید همان لحظه اتفاقات مختلف را پایش کنند. مثلا ببینند یک کارگر وارد محدوده خطر شده یا دستگاه خاصی بیش از حد داغ شده و در معرض خراب شدن است. حالا اگر قرار باشد هر تصویری که دوربین می‌گیرد، اول به سمت سرورهای ابری برود، آنجا پردازش شود و بعد نتیجه برگردد، ممکن است همین رفت و برگشت موجب تاخیر شود، تاخیری که اصلا قابل چشم‌پوشی نیست. بنابراین فناوری‌ Edge AI به صحنه وارد می‌‎شود تا به جای اینکه همه چیز برای پردازش به سرور دور فرستاده شود، بخشی از پردازش و تصمیم‌گیری هوشمند نزدیک همان جایی انجام شود که داده تولید می‌شود. در این یادداشت همراه ما باشید تا بررسی کنیم Edge AI چیست و چه نقشی در پردازش بلادرنگ داده‌ها دارد؟

Edge Computing چیست؟

فناوری پردازش لبه نه تنها در دوربین‌ها، بلکه در سنسورها، خودروها و دستگاه‌های مختلف اینترنت اشیا که لحظه به لحظه حجم زیادی از داده تولید می‌کنند نیز کاربرد دارد. زیرا ارسال یک‌باره آن حجم از داده به Cloud هم فشار زیادی به شبکه وارد می‌کند و هم می‌تواند باعث افزایش تاخیر در پردازش شود، Edge Computing یا پردازش لبه هم به خاطر همین مسئله شکل گرفت.

بنابراین می‌توان گفت که Edge Computing یک معماری پردازشی توزیع شده است که کمک می‌کند برنامه‌ها و پردازش‌های سازمانی را به منبع تولید داده یعنی خود دستگاه‌های IoT یا سرورهای محلی نزدیک‌تر کنیم.  Edge یعنی به جای اینکه داده مسافت زیادی را طی کند تا به دیتاسنتر مرکزی برسد، بخشی از پردازش داده در لبه شبکه و نزدیک به محل تولیدش انجام می‌شود. همین نزدیکی باعث می‎شود زمان پاسخ کمتر شده و حجم زیادی از پهنای باند هم مصرف نشود. زیرا Edge Computing بخشی از داده‌ها را همان نزدیک دستگاه پردازش می‌کند و فقط اطلاعات مهم یا نتیجه پردازش را به سرور مرکزی می‌فرستد.

Edge AI چیست؟

حالا که با فناوری Edge Computing آشنا شدید، راحت‌تر می‌توانید مفهوم Edge AI را متوجه شوید. همان‌طور که گفتیم Edge Computing به شما این امکان را می‌دهد تا پردازش داده را تا جای ممکن به محل تولید داده نزدیک کنید، اما Edge AI یک قدم جلوتر می‌رود و می‌گوید مدل‌های هوش مصنوعی را در نزدیکی همان دستگاه اجرا کنید. در واقع به جای اینکه داده را از دستگاه بگیرید، تا به Cloud بفرستید که آنجا تحلیل شود و نتیجه برگردانده شود، بخشی از کار تحلیل را روی دستگاه یا یک سرور نزدیک انجام دهید. به عبارت دیگر، کاربرد هوش مصنوعی در Edge Computing این است که مدل‌های هوش مصنوعی به جای اجرا روی سرورهای مرکزی یا ابری، نزدیک به محل تولید داده اجرا شوند.

بیشتر بخوانید: بهینه‌سازی Latency در فراخوانی سرویس‌های هوش مصنوعی

برای روشن شدن موضوع بیایید همان مثال دوربین نظارت تصویری را در نظر بگیرید که وظیفه دارد ورود افراد را به یک منطقه ممنوعه هشدار دهد. در یک معماری معمولی، تصاویر دوربین به Cloud فرستاده می‌شود تا آنجا بررسی شود. اما در Edge AI مدل می‌تواند روی خود دوربین یا یک دستگاه پردازشی نزدیک اجرا شود. در نتیجه تصویر همان‌جا تحلیل می‌شود و سیستم می‌تواند تقریبا بلافاصله واکنش نشان دهد.

در واقع می‌توان گفت Edge AI ترکیبی از هوش مصنوعی و Edge Computing است که زیرساختی را فراهم می‌کند تا پردازش نزدیک منبع داده انجام شود و در نتیجه شما با کاهش تاخیر، واکنش سریع‌تر، مصرف کمتر پهنای باند و وابستگی کمتر به فضای ابری Cloud مواجه خواهید شد.

Edge AI چگونه کار می‌کند؟

همان‌طور که در تصویر زیر مشاهده می‌کنید، فرایند Edge AI از جمع‌آوری داده شروع می‎شود و در نهایت به تصمیم‌گیری و اقدام می‎رسد و اکثر این مراحل نه در یک سرور ابری بلکه نزدیک محل تولید داده انجام می‌شوند. در ادامه همراه ما باشید تا این مراحل را تشریح دهیم:

• جمع‌آوری داده: ابتدا دستگاه‌های Edge مثل دوربین‌ها، سنسورها و میکروفون‌ها داده‌های محیط اطراف مانند تصویر، صدا، دما یا وضعیت یک دستگاه را جمع‌آوری می‌کنند.
• پیش‌پردازش داده: در این مرحله داده‌های خام روی دستگاه یا یک گیت‎وی نزدیک تمیز و آماده می‌شوند. مثلا به این صورت که نویز آن‌ها حذف می‌شوند یا از بین حجم زیادی از تصاویر، فقط فریم‎های مهم انتخاب می‌شوند.
•  پردازش با هوش مصنوعی: مدل هوش مصنوعی روی دستگاه Edge اجرا می‎شود و داده را تحلیل می‌‎کند. به عنوان مثال یک دوربین می‌تواند در لحظه خودرو، عابر پیاده و یا یک پلاک را تشخیص دهد.
•  تصمیم‌گیری محلی: در این قسمت بر اساس نتیجه مدل، دستگاه بدون نیاز به ارتباط با Cloud تصمیم می‌گیرد چه کاری انجام دهد. مثلا می‌تواند تشخیص دهد که یک دستگاه در آستانه خرابی قرار دارد و یا یک فرد در یک منطقه ممنوعه وارد شده است.
•  اقدام یا واکنش: در اینجا تصمیم گرفته‌شده به یک اقدام واقعی تبدیل می‌شود. به عنوان مثال آژیر فعال می‌شود، یک دستگاه متوقف می‎شود، هشدارهای لازم ارسال می‌شود و یا تنظیمات سیستم تغییر می‌کند.
• ارتباط با Cloud: در نهایت در صورت نیاز، داده‌های مهم یا نتایج پردازش به Cloud فرستاده می‌شود. همچنین می‌شود از Cloud برای ذخیره‎سازی، مدیریت دستگاه‌های یا به‌روزرسانی مدل‌های AI استفاده کرد.

تفاوت Edge Computing و Cloud Computing

تا اینجا که با پردازش لبه و نقش هوش مصنوعی در آن آشنا شدید. بیایید دو مفهوم  Edge Computing  و Cloud Computing  را نیز با هم مقایسه کنیم. اول از همه باید بگوییم بهتر است این دو نوع را رقیب در نظر نگیریم. هر کدام برای یک نیاز ساخته شده‌اند و در بسیاری از پروژه‌ها در کنار هم استفاده می‌شوند و تفاوت اصلی بیشتر به محل پردازش و نگهداری داده‌ها برمی‌گردد.

در رایانش ابری یا همان Cloud Computing، داده‌ها و پردازش‌ها عمدتا روی سرورهای مرکزی و دیتاسنترهای ابری انجام می‎شوند. یعنی دستگاه یا کاربر، داده را از طریق اینترنت به فضای ابری می‌فرستد تا پردازش و ذخیره‌سازی آنجا انجام شود. این مدل برای زمانی که به فضای ذخیره‌سازی زیاد، قدرت پردازشی بالا و دسترسی از هر جا نیاز دارید، گزینه بسیار مناسبی است.

در مقابل، Edge Computing پردازش را به منبع تولید داده نزدیک می‌کند. یعنی به جای اینکه همه داده‌ها به یک دیتاسنتر مرکزی ارسال شود، بخشی از آن روی خود دستگاه یا سرورهای نزدیک به دستگاه پردازش می‌شوند. به همین دلیل، کاهش تاخیر با Edge Computing یکی از مهم‌ترین مزیت‌های این معماری است. به طور ساده می‌توان تفاوت این دو مورد را در جدول زیر بررسی کرد:

مزایای Edge AI چیست ؟

سریع شدن پردازش تنها گوشه‌ای از فواید استفاده از Edge AI است. در ادامه همراه ما باشید تا به برخی از مزایای استفاده از Edge AI بپردازیم:

•  پردازش و تصمیم‌گیری سریع‌تر: داده‌ها به جای اینکه به فضای ابری برای تحلیل و بررسی ارسال شوند، همان نزدیکی دستگاه پردازش می‌شوند. در نتیجه سیستم می‌تواند تقریبا از داده‌ها نتیجه و سپس تصمیم بگیرد. این موضوع برای کاربردهای حساس به زمان مانند خودروهای خودران بسیار مهم است.
• عملکرد کارآمدتر سیستم‌ها Edge AI: از آنجا که این فناوری می‌تواند حجم زیادی از داده را همان جایی که تولید می‌شود تحلیل کند و تنها اطلاعات مهم را به سرور مرکزی بفرستد. این کار باعث می‌شود سیستم سریع‌تر و روان‌تر کار کند و در نتیجه فشار کمتری روی شبکه و زیرساخت مرکزی وارد شود.
• کاهش هزینه‌های فناوری اطلاعات: از آنجا که لازم نیست همه داده‌ها برای پردازش و ذخیره‌سازی به فضای ابری منتقل شوند. داده‌های غیرضروری می‌توانند در Edge فیلتر شوند و تنها اطلاعات ارزشمند ارسال شود. در نتیجه هزینه انتقال، پردازش و ذخیره‌سازی داده کاهش پیدا می‌کند.
• امکان استفاده در مناطق دورافتاده: بعضی دستگاه‌ها در محیط‌هایی قرار دادند که اینترنت ضعیف است یا ارتباط شبکه به دلیل فراهم نبودن زیرساخت مناسب به صورت دائم در دسترس نیست. Edge AI می‌تواند پردازش را به صورت محلی انجام دهد و سیستم برای هر تصمیمی به اتصال دائمی به فضای ابری وابسته نباشد.
•  افزایش بهره‌وری کارکنان Edge AI: پردازش لبه به شکل‌های مختلف موجب افزایش بهره‌وری می‌شود. مثلا می‌تواند بخشی از کارهای تکراری و نظارتی را خودکار کند. مثلا در یک کارخانه سیستم می‌تواند وضعیت تجهیزات را به صورت مداوم بررسی کند و قبل از خرابی، هشدارهای لازم را ارسال کند تا هم از خطاهای قابل پیشگیری کم شود و هم به کارکنان کمک می‌کند سریع‌تر تصمیم بگیرند.
•  کنترل بیشتر روی داده‌ها: هنگامی که داده‌ها در محل تولید، پردازش و حتی ذخیره می‌شوند، لازم نیست همه اطلاعات حساس به یک Cloud خارجی منتقل شوند. این موضوع می‌تواند به حفظ حریم خصوصی و رعایت قوانین مربوط به حاکمیت داده کمک کند.

Edge AI یا Cloud AI؛ کدام یک مناسب‌تر است؟

شاید برای شما هم این سوال پیش بیاید که Edge AI یا Cloud AI؟ باید بگوییم که جواب یکسانی برای همه کسب‌وکارها وجود ندارد. انتخاب میان این دو بیشتر به نوع کاربرد، حجم داده، سرعت مورد نیاز و میزان وابستگی سیستم به اینترنت بستگی دارد. در واقع، بسیاری اوقات هم لازم نیست فقط یکی را انتخاب کنید و می‌توانید از ترکیب هر دو استفاده کنید. در ادامه همراه ما باشید تا بر اساس معیارهایی مشخص این موارد را بررسی کنیم:

مهم‌ترین کاربردهای Edge AI

کاربردهای پردازش لبه Edge AI فقط به یک صنعت خاص محدود نمی‌شود. در واقع می‌توان گفت هر جایی که داده باید سریع تحلیل شود و سیستم نیز بتواند بدون وابستگی دائمی به فضای ابری واکنش نشان دهد، می‌توان از هوش مصنوعی لبه استفاده کرد. مهم‌ترین کاربردهای این فناوری را می‌توان در حوزه‌های زیر مشاهده کرد:

•  اینترنت اشیا صنعتی: در محیط‌های صنعتی، سنسورها و تجهیزات مختلف دائما داده‌هایی مانند دما، فشار، لرزش و به طور کلی وضعیت عملکرد دستگاه را تولید می‌کنند و Edge AI  در اینترنت اشیا امکان می‌دهد این داده‌ها نزدیک به محل تولیدشان تحلیل شوند و سیستم نیز بدون نیاز به ارسال همه اطلاعات به فضای ابری، وضعیت غیرعادی یا احتمال خرابی تجهیزات را تشخیص دهد. در واقع کاهش تاخیر با Edge Computing به پیش‌بینی خرابی دستگاه و واکنش سریع‌تر به مشکلات کمک می‌کند.
• سلامت هوشمند: در تجهیزات پزشکی و دستگاه‌های پوشیدنی، سرعت تحلیل داده اهمیت زیادی دارد. Edge AI می‌تواند اطلاعاتی مانند ضربان قلب، علائم حیاتی یا تصاویر پزشکی را نزدیک به محل تولید داده تحلیل کند و در صورت مشاهده وضعیت غیرعادی، هشدارهای سریع ارسال کند. علاوه بر افزایش سرعت، پردازش محلی می‌تواند به حفظ حریم خصوصی داده‌های حساس بیماران هم کمک کند.
•  امنیت و نظارت: یکی از مهم‌ترین کاربردهای Edge AI، نقش آن در پردازش تصویر و ویدئو در دوربین‌های نظارتی است. به این صورت که به جای اینکه تمام ویدیوها به یک سرور مرکزی فرستاده شود، دوربین یا یک دستگاه Edge می‌تواند تصویر را در همان محل با سرعت بالا تحلیل کند و رویدادهایی مثل ورود غیرمجاز، حضور افراد در محدوده ممنوعه یا رفتار غیرعادی را تشخیص دهد. در این حالت تنها اطلاعات یا رویدادهای مهم به مرکز ارسال می‎شود و پردازش تصویر در Edge نیز با سرعت بیشتری انجام می‌شود.
•  خودروهای خودران: خودروهای خودران حجم زیادی از داده‌ها را از دوربین رادارها و سایر سنسورها دریافت می‌کنند و باید در کسری از ثانیه درباره محیط اطراف تصمیم بگیرند. Edge AI این امکان را فراهم می‌کند تا پردازش داده‌ها داخل خودرو انجام شود. به طور مثال خودرو بتواند عابر پیاده، مانع یا تغییر مسیر را تشخیص دهد و متناسب با آن واکنش دهد. در اینجا پردازش بلادرنگ با Edge Computing اهمیت زیادی پیدا می‌کند، زیرا حتی تاخیر کوتاه هم می‎تواند روی ایمنی خودرو تاثیر بگذارد.
• پهپادها: از آنجا که پهپادها برای انجام بسیاری از وظایفشان باید محیط اطراف را در لحظه تحلیل کنند، با وجود Edge AI روی پهپاد، دوربین‌ها سنسورها می‌توانند داده‌هایی مانند تصاویر محیط، موانع و موقعیت اشیا را همان‌جا پردازش کنند. در نتیجه پهپاد می‌تواند بدون وابستگی دائمی به اینترنت با یک سرور مرکزی، مسیرش را تغییر دهد، مانع را شناسایی کند یا یک شیء مشخص را دنبال کند.
•  کارخانه هوشمند: یکی از کاربردهای مهم پردازش لبه در کارخانه‌های هوشمند است. این فناوری می‌تواند داده‌های تولید شده توسط ماشین‌آلات، دوربین‏ها و سنسورها را در لحظه تحلیل کند تا واکنش‌های لازم با سرعت بالایی صورت گیرد. به عنوان مثال، سیستم هوشمند این توانایی را دارد که یک نقص در محصول را هنگام تولد تشخیص دهد یا متوجه شود که عملکرد یک دستگاه از حالت عادی خارج شده است.

جمع ‎بندی

همان‎طور که در این یادداشت دیدیم، Edge AI با انتقال بخشی از پردازش و تصمیم‌گیری به نزدیکی محل تولید داده، شیوه پردازش داده‌ها را تغییر داده است. در این رویکرد، به‌جای اینکه همه داده‌ها برای تحلیل به سرورهای مرکزی یا Cloud ارسال شوند، بخشی از پردازش به طور مستقیم روی دستگاه‌ها یا تجهیزات نزدیک به منبع داده انجام می‌شود. نتیجه این تغییر، واکنش سریع‌تر سیستم‌ها، کاهش مصرف پهنای باند و کنترل بهتر بر داده‌های حساس است.

اهمیت Edge AI زمانی بیشتر مشخص می‌شود که با حجم زیادی از داده‌های لحظه‌ای سروکار داریم، از تصاویر دوربین‌ها و داده‌های سنسورهای صنعتی گرفته تا اطلاعات خودروهای هوشمند و تجهیزات پزشکی، حتی چند ثانیه تاخیر هم می‌تواند مهم باشد و پردازش داده در لبه شبکه می‌تواند تصمیم‌گیری را سریع‌تر و مستقل‎تر کند.

با این حال، باید بگوییم که Edge AI قرار نیست جای فضای ابری را به صورت کامل بگیرد، هر کدام برای بخشی از فرایند مناسب‌تر هستند و برای بسیاری از سیستم‌های مدرن، این دو در کنار هم قرار می‎گیرد و به این صورت که Edge وظیفه پردازش سریع و تصمیم‌گیری در لحظه را بر عهده می‌گیرد و Cloud هم برای ذخیره‌سازی، تحلیل‎های سنگین، مدیریت داده‌ها و آموزش مدل‌های AI استفاده می‎شود.

در نهایت، می‌توان گفت آینده بسیاری از سیستم‌های هوشمند به همین همکاری بین Edge و Cloud وابسته است. یعنی AI تا جای ممکن به داده نزدیک می‌شود، اما همچنان از قدرت و مقیاس Cloud استفاده می‎کند. و ترکیب این دو می‌تواند زمینه را برای ساخت سیستم‌هایی فراهم کند که هم سریع هستند و هم هوشمند و هم انعظاف‌پذیری و مقیاس‌پذیری لازم برای کاربردهای مختلف را در دنیای واقعی دارند.