الذكاء الاصطناعي للحافة مقابل الذكاء الاصطناعي للسحابة: ما الفرق؟

رغم وجود بعض أوجه التشابه بينهما، فإن هناك أيضًا فروقًا جوهرية تستحق النظر عند تقييم كل منهما لأغراض الأعمال.  

يُشير الذكاء الاصطناعي للحافة (Edge AI) إلى عملية استخدام خوارزميات الذكاء الاصطناعي ونماذج الذكاء الاصطناعي على أجهزة الحافة أو أجهزة إنترنت الأشياء مثل الهواتف الذكية وأجهزة تنظيم الحرارة وأجهزة مراقبة الصحة القابلة للارتداء. يستمد الذكاء الاصطناعي للحافة اسمه من حوسبة الحافة، وهي نوع من الحوسبة الموزعة التي تجعل التطبيقات أقرب إلى مصادر البيانات.

من ناحية أخرى، الذكاء الاصطناعي للسحابة هو نوع من الذكاء الاصطناعي يعتمد على الحوسبة السحابية -الوصول عند الطلب إلى موارد الحوسبة الافتراضية عبر الإنترنت- ليعمل.

رغم أن كِلا النوعين يدعمان معالجة البيانات المتقدمة والتحليلات، فإنهما يختلفان في كيفية تشغيل نماذج الذكاء الاصطناعي ومكان تخزين البيانات ومعالجتها، ما يؤدي إلى اختلاف تطبيقاتهما وفوائدهما.

الذكاء الاصطناعي للحافة (Edge AI) هو نوع من الذكاء الاصطناعي يعمل على نشر خوارزميات الذكاء الاصطناعي على الأجهزة الموجودة عند "حافة" الشبكة، أي بالقرب من حدودها مع العالم الواقعي، حيث تفقد الاتصال. تشمل هذه الأجهزة -المعروفة عادةً باسم أجهزة الحافة أو أجهزة إنترنت الأشياء- الساعات الذكية، والهواتف الذكية، وأجهزة الاستشعار الصناعية، وأجهزة مراقبة الصحة القابلة للارتداء.

يستخدم الذكاء الاصطناعي للحافة أنواعًا معينة من الخوارزميات لمعالجة البيانات بالقرب من مصدرها بدلًا من نقلها إلى السحابة أولًا. وبذلك، يُتيح صناعة القرارات في الوقت الفعلي، وهي قدرة مهمة للأجهزة التي يدعمها.

أصبح الذكاء الاصطناعي للحافة شائعًا أيضًا كوسيلة لتحسين سير العمل في الصناعات المعقدة مثل التصنيع وإدارة سلسلة التوريد. وهي طريقة تستطيع المؤسسات من خلالها تقليل حركة البيانات وزمن الانتقال عبر شبكاتها.

على عكس أنواع الذكاء الاصطناعي الأخرى، يمكن لأجهزة الذكاء الاصطناعي للحافة العمل دون اتصال بالإنترنت، ما يجعلها مثالية للتطبيقات التي لا يمكنها الاعتماد على اتصال دائم بالإنترنت لأداء وظائفها.

يُشير الذكاء الاصطناعي للسحابة إلى نوع من الذكاء الاصطناعي يعتمد على البنية التحتية السحابية لمعالجة البيانات والتحليلات. في الذكاء الاصطناعي للسحابة، يتم جمع البيانات من مصدرها ونقلها إلى السحابة من خلال اتصال بالإنترنت. ومن هنا يمكن الوصول إلى موارد الحوسبة الافتراضية المتصلة بمعالجة البيانات وتحليلها وتخزينها.

على الرغم من أن الذكاء الاصطناعي للسحابة أقدم ولا يُعَد متقدمًا مثل الذكاء الاصطناعي للحافة، فإنه لا يزال للذكاء الاصطناعي للسحابة العديد من التطبيقات للمؤسسات الحديثة. فهو يساعد المطورين على نشر تطبيقات الذكاء الاصطناعي المعقدة للغاية والتي تتطلب حوسبة مكثفة بحيث لا يمكن نشرها على الحافة. وتشمل الأمثلة تدريب نماذج التعلم العميق (DL) وأنواع معينة من معالجة اللغة الطبيعية (NLP) لتحليل التوجهات والتحليلات التنبؤية. 

يتم تدريب نماذج الذكاء الاصطناعي للحافة وللسحابة من خلال التعلم الآلي (ML)، وهو فرع من الذكاء الاصطناعي أصبح العمود الفقري لمعظم أنظمة الذكاء الاصطناعي الحديثة.

ومع ذلك، بينما يهدف كل من الذكاء الاصطناعي للحافة وللسحابة إلى معالجة وتحليل البيانات لتطبيقات ذكاء اصطناعي قوية، فإنهما ينجزان هذه المهام بطرق مختلفة: حيث يعالج الذكاء الاصطناعي للحافة البيانات محليًا على أجهزة صغيرة، في حين يستفيد الذكاء الاصطناعي للسحابة من قوة الحوسبة في السحابة. وفيما يلي نظرة فاحصة على كل طريقة.

يستخدم الذكاء الاصطناعي للحافة نماذج ذكاء اصطناعي تم تدريبها للتعرُّف على الأشياء باستخدام الشبكات العصبية والتعلم العميق. وبينما يتم نشر الذكاء الاصطناعي للحافة على الأجهزة نفسها، تعتمد عمليات التدريب المستخدمة لإنشاء نماذجه على البنية التحتية السحابية المركزية. تُعَد مراكز البيانات ضرورية لمعالجة كميات كبيرة من البيانات في الوقت الفعلي، وهو أمر أساسي لأغراض التدريب.

بعد نشر نماذج الذكاء الاصطناعي للحافة، "تتعلم" بمرور الوقت، وتتحسَّن قدراتها تدريجيًا. وتستمر بذلك حتى تتمكَّن من تحديد البيانات التي لا يمكنها معالجتها محليًا ونقلها إلى السحابة بدلًا من ذلك. من خلال هذه الطريقة القائمة على التعليقات المستمرة، يتم في النهاية استخدام نموذج جديد تم تدريبه تدريجيًا في السحابة بدلًا من النموذج الأوَّلي للذكاء الاصطناعي للحافة.

على عكس الذكاء الاصطناعي للحافة، يعتمد الذكاء الاصطناعي للسحابة على قوة الحوسبة وقدرات التخزين الهائلة للبنية التحتية السحابية لأداء وظائفه. عادةً ما يتم تقديم هذه الخدمات من قِبَل مزوِّدي خدمات سحابية عالميين كبار مثل Amazon (AWS) وGoogle وMicrosoft.

تجعل هذه الطريقة الذكاء الاصطناعي للسحابة خيارًا أفضل من الذكاء الاصطناعي للحافة للمهام التي تتطلب قوة حوسبية عالية مثل تحليلات البيانات الكبيرة، والحوسبة عالية الأداء، وتدريب نماذج الأساس لتطبيقات الذكاء الاصطناعي المتقدمة مثل رؤية الكمبيوتر ومعالجة اللغة الطبيعية.

من خلال دمج أنظمة الذكاء الاصطناعي في كلٍّ من المنصات السحابية العامة والخاصة، يساعد الذكاء الاصطناعي للسحابة المؤسسات على نشر تطبيقات الذكاء الاصطناعي المتقدمة على مستوى المؤسسة. تخدم هذه التطبيقات أغراضًا متعددة، مثل تحسين عمليات الأعمال، واستخلاص الرؤى، ونشر روبوتات المحادثة لخدمة العملاء. 

هناك اختلافات مهمة بين الذكاء الاصطناعي للحافة والذكاء الاصطناعي للسحابة والتي تجعل كلًا منهما أكثر ملاءمة لحالات استخدام مختلفة.

مع تسارع الشركات إلى إنشاء تطبيقات جديدة للذكاء الاصطناعي والذكاء الاصطناعي التوليدي، يتزايد الاهتمام بنماذج الذكاء الاصطناعي للسحابة وللحافة بشكل كبير.

وفقًا لتقرير صدر مؤخرًا، بلغت قيمة سوق الذكاء الاصطناعي العالمي 20.45 مليار دولار أمريكي في عام 2023، ومن المتوقع أن تصل إلى ما يقرب من 270 مليار دولار أمريكي بحلول عام 2032.¹ خلال الفترة نفسها تقريبًا، كان من المتوقع أن يقفز السوق العالمي للذكاء الاصطناعي للسحابة من 78 مليار دولار أمريكي إلى ما يقرب من 590 مليار دولار أمريكي.²

فيما يلي نظرة فاحصة على فوائد كِلا نوعَي الذكاء الاصطناعي للأعمال وكيفية استخدام الشركات لهما لتحقيق أهدافها.

• صناعة القرار في الوقت الفعلي: من خلال الاستفادة من قوة معالجة البيانات في الوقت الفعلي على حافة الشبكات، تسمح حلول الذكاء الاصطناعي للحافة لأجهزة إنترنت الأشياء بتحسين أوقات الاستجابة. تتزايد تطبيقات الذكاء الاصطناعي لهذه التقنية، بدءًا من المركبات التي يتم التحكم فيها عن بُعد أو المركبات ذاتية القيادة مثل الطائرات دون طيار، إلى المرافق المؤتمتة بالكامل والتي تعتمد على أجهزة إنترنت الأشياء مثل أجهزة الاستشعار والكاميرات.
• خصوصية البيانات: معالجة البيانات محليًا بدلًا من السحابة يحافظ عليها آمنة من الهجمات الإلكترونية ويقلل من مخاطر سوء التعامل معها. ولهذا السبب، يحظى الذكاء الاصطناعي للحافة باهتمام كبير من الصناعات الخاضعة لقيود سيادة البيانات مثل الخدمات المالية والرعاية الصحية.
• توفير التكاليف: يُعَد الذكاء الاصطناعي للحافة أقل تكلفة بكثير من الذكاء الاصطناعي للسحابة؛ لأنها تقلل من عبء العمل لأجهزة الكمبيوتر السحابية. ومن خلال معالجة البيانات محليًا، يعمل الذكاء الاصطناعي للحافة على تقليل كمية البيانات التي تعتمد على موارد السحابة، ما يقلل بشكل كبير من التكاليف التشغيلية لنشر التكنولوجيا.

• زيادة قابلية التوسع: يُعَد الذكاء الاصطناعي للسحابة أكثر قابلية للتوسع من الذكاء الاصطناعي للحافة بفضل اعتماده على موارد الحوسبة الافتراضية التي يمكن تكبيرها أو تصغيرها بسهولة لتلبية الاحتياجات. يتطلب الذكاء الاصطناعي للحافة الاستثمار في الأجهزة المحلية (على سبيل المثال، أجهزة الحافة وأجهزة إنترنت الأشياء وأجهزة الاستشعار) التي يمكن نشرها بالقرب من مصادر البيانات للمعالجة المحلية.
• أداء أعلى: عادةً ما تحقق تقنيات الذكاء الاصطناعي للسحابة مستويات أداء أعلى من الذكاء الاصطناعي للحافة بفضل وصولها إلى الموارد وقوة المعالجة التي توفِّرها السحابة. من ناحية أخرى، يقتصر الذكاء الاصطناعي للحافة على قوة المعالجة والموارد المتوفرة في أجهزة الحافة وأجهزة إنترنت الأشياء الفردية.
• الوصول إلى مجموعات البيانات واسعة النطاق: نظرًا لوصولها إلى الموارد السحابية، فإن نماذج الذكاء الاصطناعي للسحابة مجهزة للتعامل مع أعباء عمل الذكاء الاصطناعي الأكبر من الذكاء الاصطناعي للحافة. فالتدريب المكثف لنماذج التعلم العميق، على سبيل المثال، يتطلب مجموعات بيانات كبيرة لا يمكن الوصول إليها إلا من خلال السحابة بدلًا من المعالجة المحلية.

تختلف استخدامات الذكاء الاصطناعي للحافة وللسحابة على مستوى المؤسسات بشكل كبير؛ نظرًا للقوى والقدرات الخاصة بكل نموذج. وفيما يلي حالات الاستخدام الأكثر شيوعًا لكلٍّ منهما.

• تشغيل المركبات ذاتية القيادة: تساعد أجهزة الحافة المركبات الذاتية مثل الأقمار الصناعية والطائرات دون طيار والسيارات ذاتية القيادة على الاستجابة للتغيرات في بيئتها في الوقت الفعلي، مثل تغيُّر إشارات المرور أو وجود عقبات في طريقها.
• أجهزة مراقبة الصحة القابلة للارتداء: يتم دمج تقنيات الذكاء الاصطناعي للحافة في العديد من أجهزة مراقبة الصحة القابلة للارتداء لمساعدة المرضى ومقدِّمي الرعاية الصحية على متابعة المعلومات الحيوية مثل معدل ضربات القلب وضغط الدم ومستويات الأكسجين.
• عمليات التصنيع: تعتمد الشركات على نشر الذكاء الاصطناعي للحافة في المصانع والأنظمة التصنيعية المعقدة لأتمتة العمليات، ومراقبة أداء الآلات، وزيادة الكفاءة.
• متاجر البيع بالتجزئة: تستفيد الشركات التي تتعامل مع المستهلكين (B2C) مباشرةً من الذكاء الاصطناعي للحافة لنشر تجارب الدفع الذكية وتتبُّع المخزون وإنشاء توصيات أكثر تخصيصًا استنادًا إلى البيانات التي تتم معالجتها محليًا في الوقت الفعلي على أجهزة الحافة.

• تحليلات البيانات الكبيرة: يُتيح دمج الذكاء الاصطناعي مع مستودعات البيانات وبحيرات البيانات في السحابة للأعمال اكتشاف التوجهات في البيانات في الوقت شبه الفعلي، وهي العملية المعروفة بتحليلات البيانات الكبيرة. وهذا النوع من التحليلات كان سيستغرق من فريق المحللين البشريين سنوات طويلة لفهمه بالكامل.
• معالجة اللغة الطبيعية واسعة النطاق لتحليل المشاعر: تعتمد تقنيات معالجة اللغة الطبيعية واسعة النطاق على الذكاء الاصطناعي للسحابة لمعالجة النصوص والبيانات الأخرى المستخدمة في تحليل المشاعر، وهو تطبيق مهم للذكاء الاصطناعي يحدِّد إذا ما كان النص يعبِّر عن شعور إيجابي أو سلبي.
• تحسين نماذج الذكاء الاصطناعي: يضمن الذكاء الاصطناعي للسحابة إمكانية وصول نماذج الذكاء الاصطناعي المتطورة إلى قوة الحوسبة الهائلة والموارد اللازمة للتدريب والتطوير المستمر، وهو جانب مهم من جوانب تكنولوجيا الذكاء الاصطناعي.
• روبوتات المحادثة: تستفيد جميع روبوتات المحادثة الشهيرة مثل ChatGPT وGemini و®IBM watsonx من القوة الكبيرة وموارد الحوسبة للذكاء الاصطناعي للسحابة لمعظم وظائفها. يتضمن هذا الاستخدام أتمتة سير العمل والتحدث بشكل طبيعي مع المستخدمين والبحث في مجموعات البيانات الكبيرة عن الأنماط والرؤى.