الذكاء الاصطناعي للأنظمة المدمجة: لماذا يُغيّر كل شيء

كان الذكاء الاصطناعي يعتمد في السابق على الخوادم الضخمة ووحدات معالجة الرسومات السحابية. أما الآن، فهو يتقلص ويتراجع إلى جانب المستشعرات. الذكاء الاصطناعي للأنظمة المدمجة مجرد وعد بعيد المنال، بل هو موجود بالفعل في الثلاجات والطائرات بدون طيار والأجهزة القابلة للارتداء... حتى الأجهزة التي لا تبدو "ذكية" على الإطلاق.

إليك السبب وراء أهمية هذا التحول، وما الذي يجعله صعبًا، وما هي الخيارات التي تستحق وقتك.

مقالات قد ترغب في قراءتها بعد هذه المقالة:

🔗 أفضل أدوات حوكمة الذكاء الاصطناعي التي تضمن أنظمة الذكاء الاصطناعي المتوافقة مع المعايير الأخلاقية والشفافة
دليل للأدوات التي تساعد في الحفاظ على الذكاء الاصطناعي الأخلاقي والمتوافق والشفاف.

🔗 تخزين الكائنات للذكاء الاصطناعي: الخيارات، الخيارات، الخيارات
مقارنة بين خيارات تخزين الكائنات المصممة خصيصًا لأحمال عمل الذكاء الاصطناعي.

🔗 متطلبات تخزين البيانات للذكاء الاصطناعي: ما تحتاج إلى معرفته حقًا
العوامل الرئيسية التي يجب مراعاتها عند التخطيط لتخزين بيانات الذكاء الاصطناعي.

الذكاء الاصطناعي للأنظمة المضمنة🌱

الأجهزة المدمجة صغيرة الحجم، وغالبًا ما تعمل بالبطاريات، ومحدودة الموارد. ومع ذلك، يُتيح الذكاء الاصطناعي مكاسب كبيرة:

• اتخاذ القرارات في الوقت الحقيقي دون الحاجة إلى رحلات ذهابًا وإيابًا عبر السحابة.

• الخصوصية من خلال التصميم - يمكن أن تبقى البيانات الخام على الجهاز.

• انخفاض زمن الوصول عندما تكون الملي ثانية مهمة.

• الاستدلال الواعي بالطاقة من خلال اختيارات دقيقة للنماذج والأجهزة.

هذه ليست فوائد سهلة المنال: إن دفع الحوسبة إلى الحافة يقلل من اعتماد الشبكة ويعزز الخصوصية للعديد من حالات الاستخدام [1].

الحيلة ليست استخدام القوة الغاشمة، بل هي استخدام الذكاء بموارد محدودة. تخيل أنك تركض ماراثونًا بحقيبة ظهر... والمهندسون يواصلون إزالة الطوب.

جدول مقارنة سريع للذكاء الاصطناعي للأنظمة المضمنة 📝

(نعم، غير متساوٍ. وكذلك الواقع.)

لماذا يُعد الذكاء الاصطناعي في الأجهزة المُدمجة مهمًا للصناعة؟

ليس مجرد دعاية: ففي خطوط الإنتاج، تكتشف النماذج المدمجة العيوب؛ وفي الزراعة، تُحلل العقد منخفضة الطاقة التربة في الحقل؛ وفي المركبات، لا تستطيع ميزات السلامة "التواصل مع النظام" قبل الكبح. عندما يكون زمن الوصول والخصوصية أمرًا لا غنى عنه ، يُصبح نقل الحوسبة إلى الحافة رافعة استراتيجية [1].

TinyML: البطل الصامت للذكاء الاصطناعي المدمج 🐜

TinyML نماذج على وحدات تحكم دقيقة بذاكرة وصول عشوائي (RAM) تتراوح بين كيلوبايت وبضعة ميغابايتات، ومع ذلك تُنجز مهام تحديد الكلمات المفتاحية، والتعرف على الإيماءات، واكتشاف الشذوذ، وغيرها. الأمر أشبه بمشاهدة فأر يرفع حجرًا. مُرضٍ بشكلٍ غريب.

نموذج ذهني سريع:

• بصمات البيانات : مدخلات استشعار صغيرة ومتدفقة.

• النماذج : شبكات CNN/RNN المدمجة، أو التعلم الآلي الكلاسيكي، أو الشبكات المتفرقة/الكمية.

• الميزانيات : ملي واط، وليس واط؛ كيلوبايت–ميجابايت، وليس جيجا بايت.

اختيارات الأجهزة: التكلفة مقابل الأداء ⚔️

يعد اختيار الأجهزة هو المكان الذي تتعثر فيه العديد من المشاريع:

• فئة Raspberry Pi : وحدة معالجة مركزية متعددة الأغراض وسهلة الاستخدام؛ متينة للنماذج الأولية.

• NVIDIA Jetson : وحدات الذكاء الاصطناعي المصممة خصيصًا (على سبيل المثال، Orin) توفر عشرات إلى مئات من TOPS للرؤية الكثيفة أو مجموعات النماذج المتعددة - رائعة، ولكنها أكثر تكلفة وأكثر استهلاكًا للطاقة [4].

• Google Coral (Edge TPU) : مسرع ASIC يوفر حوالي 4 TOPS عند حوالي 2 وات (~2 TOPS/W) للنماذج الكمية - أداء رائع/W عندما يتوافق نموذجك مع القيود [3].

• أنظمة SoC للهواتف الذكية (Snapdragon) : يتم شحنها مع وحدات NPU ومجموعات SDK لتشغيل النماذج بكفاءة على الجهاز.

القاعدة العامة: موازنة التكلفة، والحراريات، والحوسبة. غالبًا ما يكون قول "جيد بما فيه الكفاية، في كل مكان" أفضل من قول "متطور، في مكان آخر".

التحديات الشائعة في الذكاء الاصطناعي للأنظمة المضمنة 🤯

يواجه المهندسون بانتظام مشاكل مثل:

• ذاكرة ضيقة : لا تستطيع الأجهزة الصغيرة استضافة نماذج عملاقة.

• ميزانيات البطارية : كل مللي أمبير مهم.

• تحسين النموذج:

  • التكمية → أوزان/تنشيطات int8/float16 أصغر وأسرع.

  • التقليم → إزالة الأوزان غير المهمة للتقليل من الكثافة.

  • التجميع/مشاركة الوزن ← ضغط أكبر.
    هذه تقنيات قياسية لتحسين كفاءة الجهاز [2].

• التوسع : عرض توضيحي لبرنامج Arduino في الفصول الدراسية ≠ نظام إنتاج سيارات مع قيود تتعلق بالسلامة والأمان ودورة الحياة.

تصحيح الأخطاء؟ تخيّل قراءة كتاب من خلال ثقب المفتاح... مع ارتداء القفازات.

تطبيقات عملية ستشاهد المزيد منها قريبًا 🚀

• الأجهزة الذكية القابلة للارتداء توفر رؤى صحية على الجهاز.

• كاميرات إنترنت الأشياء تسجل الأحداث دون بث لقطات خام.

• مساعدين صوتيين غير متصلين بالإنترنت للتحكم بدون استخدام اليدين - لا يعتمدون على السحابة.

• طائرات بدون طيار مستقلة للتفتيش والتسليم والزراعة الدقيقة.

باختصار: الذكاء الاصطناعي يقترب حرفيًا - إلى معاصمنا، إلى مطابخنا، وعبر بنيتنا التحتية.

كيف يمكن للمطورين البدء 🛠️

1. ابدأ باستخدام TensorFlow Lite للحصول على أدوات واسعة النطاق وتغطية MCU→mobile؛ قم بتطبيق التكميم/التقليم مبكرًا [2].

2. استكشف ExecuTorch إذا كنت تعيش في أرض PyTorch وتحتاج إلى وقت تشغيل بسيط على الجهاز عبر الأجهزة المحمولة والمضمنة [5].

3. جرب مجموعات Arduino + TinyML لإنشاء نماذج أولية سريعة وممتعة.

4. هل تفضل خطوط الأنابيب المرئية؟ Edge Impulse من هذه العقبة من خلال جمع البيانات والتدريب والنشر.

5. تعامل مع الأجهزة كمواطن من الدرجة الأولى - قم بإنشاء نموذج أولي على وحدات المعالجة المركزية، ثم قم بالتحقق من صحة النموذج على مسرع الهدف (Edge TPU، Jetson، NPU) لتأكيد زمن الوصول، والحرارة، ودلتا الدقة.

صورة مصغرة: قام فريقٌ بشحن كاشف اهتزازات على مستشعر خلية عملة. نموذج float32 لا يلبي احتياجات الطاقة؛ فتكميم int8 يقلل الطاقة لكل استدلال، وتقليص الذاكرة يُقللها، ودورة عمل وحدة التحكم الدقيقة تُكمل المهمة - لا حاجة لشبكة [2،3].

الثورة الهادئة للذكاء الاصطناعي للأنظمة المضمنة 🌍

المعالجات الصغيرة والرخيصة تتعلم الاستشعار ← التفكير ← التصرف - محليًا. سيظل عمر البطارية يطاردنا دائمًا، لكن المسار واضح: نماذج أكثر صرامة، ومُجمِّعات أفضل، ومُسرِّعات أذكى. والنتيجة؟ تقنية أكثر شخصية واستجابة لأنها ليست متصلة فحسب، بل تُولي اهتمامًا أكبر.

مراجع

[1] ETSI (الحوسبة الحافة متعددة الوصول) - فوائد زمن الوصول/الخصوصية وسياق الصناعة.
ETSI MEC: نظرة عامة على الورقة البيضاء الجديدة

[2] مجموعة أدوات تحسين نموذج TensorFlow من Google - التكميم، والتشذيب، والتجميع لتحقيق كفاءة على الجهاز.
دليل تحسين نموذج TensorFlow

[3] Google Coral Edge TPU - معايير الأداء/الجودة لتسريع الحافة.
​​معايير Edge TPU

[4] NVIDIA Jetson Orin (رسمي) - وحدات Edge AI ومستويات الأداء.
نظرة عامة على وحدات Jetson Orin

[5] PyTorch ExecuTorch (الوثائق الرسمية) - وقت تشغيل PyTorch على الجهاز للأجهزة المحمولة وسطح المكتب.
نظرة عامة على ExecuTorch

ابحث عن أحدث الذكاء الاصطناعي في متجر مساعد الذكاء الاصطناعي الرسمي

معلومات عنا