ما شاهد گسترش مداوم هوش مصنوعی (Artificial Intelligence) هستیم، زیرا از محیطهای محاسباتی ابری به لبه گسترش مییابد. با پیشبینی اینکه بازار جهانی محاسبات لبه در سال ۲۰۲۷ به ۳۵۰ میلیارد دلار برسد، سازمانها به سرعت از تمرکز بر آموزش مدل به حل چالشهای پیچیده استقرار (Deployment) تغییر جهت میدهند. این تغییر به سمت محاسبات لبه، یادگیری فدرال (Federated Learning) و استنتاج توزیعشده (Distributed Inference) نحوه ارائه ارزش هوش مصنوعی را در کاربردهای دنیای واقعی تغییر میدهد.
تکامل زیرساخت هوش مصنوعی
بازار آموزش هوش مصنوعی رشد بیسابقهای را تجربه میکند و انتظار میرود بازار جهانی هوش مصنوعی تا سال ۲۰۲۷ به ۴۰۷ میلیارد دلار برسد. در حالی که این رشد تاکنون بر محیطهای ابری متمرکز با منابع محاسباتی متمرکز بوده است، یک الگوی روشن ظهور کرده است: تحول واقعی در استنتاج هوش مصنوعی اتفاق میافتد - جایی که مدلهای آموزشدیده، یادگیری خود را در سناریوهای دنیای واقعی به کار میگیرند.
با این حال، با عبور سازمانها از مرحله آموزش، تمرکز به این موضوع معطوف شده است که این مدلها کجا و چگونه مستقر میشوند. استنتاج هوش مصنوعی در لبه به سرعت در حال تبدیل شدن به استاندارد برای موارد استفاده خاص است که ناشی از ضرورتهای عملی است. در حالی که آموزش، نیازمند قدرت محاسباتی قابل توجهی است و معمولاً در محیطهای ابری یا مراکز داده رخ میدهد، استنتاج به تأخیر حساس است، بنابراین هرچه بتواند در جایی که دادهها از آنجا نشأت میگیرند، نزدیکتر اجرا شود، بهتر میتواند تصمیماتی را که باید به سرعت گرفته شوند، اطلاعرسانی کند. اینجاست که محاسبات لبه وارد عمل میشود.
چرا هوش مصنوعی لبه مهم است
تغییر به سمت استقرار هوش مصنوعی لبه، نحوه پیادهسازی راهکارهای هوش مصنوعی را متحول میکند. با پیشبینیهایی که نشان میدهد بیش از ۷۵ درصد از دادههای تولید شده توسط شرکتها تا سال ۲۰۲۷ در خارج از مراکز داده سنتی ایجاد و پردازش میشوند، این تحول مزایای مهمی را ارائه میدهد. تأخیر کم، امکان تصمیمگیری در زمان واقعی را بدون تأخیر در ارتباطات ابری فراهم میکند. علاوه بر این، استقرار لبه با پردازش دادههای حساس به صورت محلی بدون خروج از محل سازمان، حفاظت از حریم خصوصی را افزایش میدهد. تأثیر این تغییر فراتر از این ملاحظات فنی است.
کاربردها و موارد استفاده در صنعت
پیشبینی میشود که تولید، بیش از ۳۵ درصد از بازار هوش مصنوعی لبه را تا سال ۲۰۳۰ به خود اختصاص دهد و به عنوان پیشگام در پذیرش هوش مصنوعی لبه قرار گیرد. در این بخش، محاسبات لبه امکان نظارت بر تجهیزات در زمان واقعی و بهینهسازی فرایند را فراهم میکند و به طور قابل توجهی زمان خرابی را کاهش میدهد و کارایی عملیاتی را بهبود میبخشد. نگهداری پیشبینیکننده مبتنی بر هوش مصنوعی در لبه، به تولیدکنندگان اجازه میدهد تا قبل از ایجاد خرابیهای پرهزینه، مشکلات احتمالی را شناسایی کنند. به طور مشابه، برای صنعت حمل و نقل، اپراتورهای راهآهن نیز با هوش مصنوعی لبه به موفقیت رسیدهاند، که به رشد درآمد با شناسایی فرصتهای کارآمدتر میانبرد و کوتاهبرد و راهکارهای مبادله کمک کرده است.
کاربردهای دید کامپیوتری به ویژه تطبیقپذیری استقرار هوش مصنوعی لبه را به نمایش میگذارند. در حال حاضر، تنها ۲۰ درصد از ویدیوی سازمانی به طور خودکار در لبه پردازش میشود، اما انتظار میرود تا سال ۲۰۳۰ به ۸۰ درصد برسد. این تغییر چشمگیر در حال حاضر در کاربردهای عملی مشهود است، از تشخیص پلاک خودرو در کارواشها گرفته تا تشخیص PPE (تجهیزات حفاظت فردی) در کارخانهها و تشخیص چهره در امنیت حمل و نقل.
بخش خدمات رفاهی موارد استفاده قانعکننده دیگری را ارائه میدهد. محاسبات لبه از مدیریت هوشمند در زمان واقعی زیرساختهای حیاتی مانند شبکههای برق، آب و گاز پشتیبانی میکند. آژانس بینالمللی انرژی بر این باور است که سرمایهگذاری در شبکههای هوشمند برای دستیابی به اهداف آب و هوایی جهان، باید تا سال ۲۰۳۰ بیش از دو برابر شود و هوش مصنوعی لبه نقش مهمی در مدیریت منابع انرژی توزیعشده و بهینهسازی عملیات شبکه ایفا میکند.
چالشها و ملاحظات
در حالی که محاسبات ابری مقیاسپذیری تقریباً نامحدودی را ارائه میدهد، استقرار لبه محدودیتهای منحصربهفردی را از نظر دستگاهها و منابع موجود ارائه میدهد. بسیاری از شرکتها هنوز در تلاش هستند تا پیامدها و الزامات کامل محاسبات لبه را درک کنند.
سازمانها به طور فزایندهای پردازش هوش مصنوعی خود را به لبه گسترش میدهند تا چندین چالش مهم ذاتی در استنتاج مبتنی بر ابر را برطرف کنند. نگرانیهای مربوط به حاکمیت داده، الزامات امنیتی و محدودیتهای اتصال به شبکه، اغلب استنتاج ابری را برای برنامههای کاربردی حساس یا حیاتی از نظر زمان غیرعملی میسازد. ملاحظات اقتصادی به همان اندازه قانعکننده هستند - حذف انتقال مداوم دادهها بین محیطهای ابری و لبه، به طور قابل توجهی هزینههای عملیاتی را کاهش میدهد و پردازش محلی را به گزینه جذابتری تبدیل میکند.
با بلوغ بازار، انتظار داریم شاهد ظهور پلتفرمهای جامعی باشیم که استقرار و مدیریت منابع لبه را سادهتر میکنند، مشابه روش پلتفرمهای ابری محاسبات متمرکز را ساده کردهاند.
استراتژی پیادهسازی
سازمانهایی که به دنبال اتخاذ هوش مصنوعی لبه هستند، باید با یک تحلیل کامل از چالشها و موارد استفاده خاص خود شروع کنند. تصمیمگیرندگان باید استراتژیهای جامعی را هم برای استقرار و هم برای مدیریت بلندمدت راهکارهای هوش مصنوعی لبه توسعه دهند. این شامل درک خواستههای منحصربهفرد شبکههای توزیعشده و منابع داده مختلف و نحوه همسویی آنها با اهداف تجاری گستردهتر است.
تقاضا برای مهندسان MLOps (Machine Learning Operations) به سرعت در حال افزایش است، زیرا سازمانها نقش مهمی را که این متخصصان در پر کردن شکاف بین توسعه مدل و استقرار عملیاتی ایفا میکنند، تشخیص میدهند. با تکامل الزامات زیرساخت هوش مصنوعی و امکانپذیر شدن برنامههای کاربردی جدید، نیاز به متخصصانی که بتوانند با موفقیت سیستمهای یادگیری ماشین را در مقیاس مستقر و نگهداری کنند، به طور فزایندهای فوری شده است.
ملاحظات امنیتی در محیطهای لبه از اهمیت ویژهای برخوردار است، زیرا سازمانها پردازش هوش مصنوعی خود را در چندین مکان توزیع میکنند. سازمانهایی که امروز بر این چالشهای پیادهسازی تسلط پیدا میکنند، خود را در موقعیتی قرار میدهند که در اقتصاد مبتنی بر هوش مصنوعی فردا پیشرو باشند.
مسیر پیش رو
چشمانداز هوش مصنوعی سازمانی در حال تحول قابل توجهی است و تاکید را از آموزش به استنتاج، با تمرکز فزاینده بر استقرار پایدار، بهینهسازی هزینه و امنیت بیشتر تغییر میدهد. با تسریع در پذیرش زیرساخت لبه، شاهد هستیم که قدرت محاسبات لبه نحوه پردازش دادهها، استقرار هوش مصنوعی و ساخت برنامههای نسل بعدی را تغییر میدهد.
عصر هوش مصنوعی لبه یادآور روزهای اولیه اینترنت است که امکانات نامحدود به نظر میرسید. امروزه، ما در یک مرز مشابه ایستادهایم و تماشا میکنیم که چگونه استنتاج توزیعشده به یک هنجار جدید تبدیل میشود و نوآوریهایی را که تازه شروع به تصورشان کردهایم، امکانپذیر میسازد. انتظار میرود این تحول تأثیر اقتصادی عظیمی داشته باشد - پیشبینی میشود که هوش مصنوعی تا سال ۲۰۳۰، ۱۵.۷ تریلیون دلار به اقتصاد جهانی کمک کند و هوش مصنوعی لبه نقش مهمی در این رشد ایفا میکند.
آینده هوش مصنوعی نه تنها در ساخت مدلهای هوشمندتر، بلکه در استقرار هوشمندانه آنها در جایی است که بتوانند بیشترین ارزش را ایجاد کنند. با حرکت به جلو، توانایی پیادهسازی و مدیریت مؤثر هوش مصنوعی لبه به یک عامل تمایز کلیدی برای سازمانهای موفق در اقتصاد مبتنی بر هوش مصنوعی تبدیل خواهد شد.