من الخدمات السحابية إلى الحوسبة الطرفية، يصل الذكاء الاصطناعي إلى "الميل الأخير".

من المتوقع أن ينمو سوق الحوسبة الطرفية بمعدل نمو سنوي مركب قدره 36.1% خلال السنوات الخمس المقبلة

دخلت صناعة الحوسبة الطرفية مرحلة من التطور المطرد، ويتجلى ذلك في التنوع التدريجي لمزودي خدماتها، وتوسع حجم السوق، وانتشار مجالات التطبيق. وتشير بيانات تقرير التتبع الصادر عن مؤسسة IDC إلى أن حجم سوق خوادم الحوسبة الطرفية في الصين بلغ 3.31 مليار دولار أمريكي في عام 2021، ومن المتوقع أن ينمو هذا السوق بمعدل نمو سنوي مركب قدره 22.2% خلال الفترة من 2020 إلى 2025. وتتوقع شركة سوليفان أن يصل حجم سوق الحوسبة الطرفية في الصين إلى 250.9 مليار يوان صيني في عام 2027، بمعدل نمو سنوي مركب قدره 36.1% خلال الفترة من 2023 إلى 2027.

تزدهر صناعة الحوسبة الطرفية

لا تزال الحوسبة الطرفية في مراحلها الأولى، وحدودها التجارية في سلسلة التوريد غير واضحة نسبيًا. لذا، يتعين على الموردين مراعاة التكامل مع متطلبات السوق، والقدرة على التكيف مع تغيرات السوق من الناحية التقنية، وضمان توافقها التام مع المعدات، بالإضافة إلى امتلاكهم القدرة الهندسية اللازمة لتنفيذ المشاريع.

تنقسم سلسلة صناعة الحوسبة الطرفية إلى موردي الرقائق، وموردي الخوارزميات، ومصنعي الأجهزة، ومقدمي الحلول. يطور موردو الرقائق في الغالب رقائق حسابية شاملة، بدءًا من جانب المستخدم النهائي وصولًا إلى جانب الحافة ثم السحابة، بالإضافة إلى تطوير بطاقات تسريع ودعم منصات تطوير البرمجيات. يعتمد موردو الخوارزميات على خوارزميات رؤية الحاسوب كأساس لبناء خوارزميات عامة أو مخصصة، كما توجد شركات تُنشئ مراكز بيانات للخوارزميات أو منصات تدريب ونشر. يستثمر موردو المعدات بنشاط في منتجات الحوسبة الطرفية، وتتطور هذه المنتجات باستمرار، لتشكل تدريجيًا مجموعة متكاملة من منتجات الحوسبة الطرفية، بدءًا من الرقاقة وصولًا إلى الجهاز بأكمله. يقدم مقدمو الحلول حلولًا برمجية أو حلولًا متكاملة تجمع بين البرمجيات والأجهزة لقطاعات محددة.

تطبيقات صناعة الحوسبة الطرفية تتسارع.

في مجال المدن الذكية

يُستخدم حاليًا أسلوب التفتيش اليدوي في عمليات التفتيش الشاملة للممتلكات الحضرية، إلا أن هذا الأسلوب يعاني من مشاكل عديدة، منها استهلاكه الكثير من الوقت والجهد، واعتماده على الأفراد، وضعف التغطية وتكرار عمليات التفتيش، وقلة ضمان الجودة. كما أن عملية التفتيش تُسجل كميات هائلة من البيانات، إلا أن هذه البيانات لم تُستغل بالشكل الأمثل لتمكين الشركات. لذا، ومن خلال تطبيق تقنيات الذكاء الاصطناعي على عمليات التفتيش المتنقلة، ابتكرت الشركة مركبة تفتيش ذكية تعمل بالذكاء الاصطناعي لإدارة المدن، وتعتمد على تقنيات مثل إنترنت الأشياء، والحوسبة السحابية، وخوارزميات الذكاء الاصطناعي، ومجهزة بمعدات احترافية كالكاميرات عالية الدقة، وشاشات العرض، وخوادم الذكاء الاصطناعي، وتجمع بين آلية تفتيش "النظام الذكي + الآلة الذكية + مساعدة الموظفين". يُسهم هذا في تحويل إدارة المدن من الاعتماد على الموظفين إلى الذكاء الاصطناعي، ومن التقييم التجريبي إلى تحليل البيانات، ومن الاستجابة السلبية إلى الاستكشاف الفعال.

في مجال مواقع البناء الذكية

تُطبّق حلول مواقع البناء الذكية القائمة على الحوسبة الطرفية التكامل العميق لتقنية الذكاء الاصطناعي على أعمال مراقبة السلامة التقليدية في صناعة البناء، وذلك من خلال وضع محطة تحليل الذكاء الاصطناعي الطرفية في موقع البناء، وإكمال البحث والتطوير المستقل لخوارزميات الذكاء الاصطناعي المرئية القائمة على تقنية تحليل الفيديو الذكية، والكشف المستمر عن الأحداث المراد رصدها (مثل الكشف عما إذا كان الشخص يرتدي خوذة أم لا)، وتوفير خدمات تحديد نقاط المخاطر المتعلقة بالأفراد والبيئة والأمن وغيرها من نقاط المخاطر الأمنية وخدمات التنبيه والإنذار، والمبادرة إلى تحديد العوامل غير الآمنة، والحراسة الذكية بالذكاء الاصطناعي، وتوفير تكاليف القوى العاملة، لتلبية احتياجات إدارة سلامة الأفراد والممتلكات في مواقع البناء.

في مجال النقل الذكي

أصبحت بنية السحابة والطرفية هي النموذج الأساسي لنشر التطبيقات في صناعة النقل الذكي، حيث يكون جانب السحابة مسؤولاً عن الإدارة المركزية وجزء من معالجة البيانات، بينما يوفر جانب الحافة بشكل أساسي تحليل البيانات على جانب الحافة ومعالجة اتخاذ القرارات الحسابية، ويكون جانب النهاية مسؤولاً بشكل أساسي عن جمع بيانات الأعمال.

في سيناريوهات محددة، مثل تنسيق حركة المركبات على الطرق، والتقاطعات ثلاثية الأبعاد، والقيادة الذاتية، وحركة السكك الحديدية، يتم الوصول إلى عدد كبير من الأجهزة غير المتجانسة، وتتطلب هذه الأجهزة إدارة الوصول، وإدارة الخروج، ومعالجة الإنذارات، وعمليات التشغيل والصيانة. يُمكن للحوسبة الطرفية تقسيم المهام ومعالجتها، وتحويل البيانات الكبيرة إلى بيانات صغيرة، وتوفير وظائف تحويل البروتوكولات بين الطبقات، وتحقيق وصول موحد ومستقر، بل وحتى التحكم التعاوني في البيانات غير المتجانسة.

في مجال التصنيع الصناعي

سيناريو تحسين عملية الإنتاج: تعاني العديد من أنظمة التصنيع المنفصلة حاليًا من نقص البيانات، كما أن حسابات كفاءة المعدات الإجمالية وغيرها من مؤشرات الأداء تتسم بالدقة، مما يُصعّب استخدامها لتحسين الكفاءة. تعتمد منصة الحوسبة الطرفية على نموذج معلومات المعدات لتحقيق اتصال أفقي ورأسي على مستوى الدلالة في نظام التصنيع، وذلك بالاعتماد على آلية معالجة تدفق البيانات في الوقت الفعلي لتجميع وتحليل كميات كبيرة من البيانات الميدانية الآنية، بهدف دمج معلومات مصادر البيانات المتعددة لخط الإنتاج القائم على النموذج، وتوفير دعم قوي للبيانات لدعم عملية اتخاذ القرار في نظام التصنيع المنفصل.

سيناريو الصيانة التنبؤية للمعدات: تنقسم صيانة المعدات الصناعية إلى ثلاثة أنواع: الصيانة التصحيحية، والصيانة الوقائية، والصيانة التنبؤية. تُصنف الصيانة التصحيحية ضمن الصيانة اللاحقة، بينما تُصنف الصيانة الوقائية والتنبؤية ضمن الصيانة الاستباقية. تعتمد الأولى على الوقت، وأداء المعدات، وظروف الموقع، وعوامل أخرى للصيانة الدورية، وتعتمد بشكل كبير على الخبرة البشرية. أما الثانية، فتعتمد على جمع بيانات المستشعرات، والمراقبة الآنية لحالة تشغيل المعدات، وتحليل البيانات باستخدام النموذج الصناعي، والتنبؤ بدقة بموعد حدوث العطل.

سيناريو فحص الجودة الصناعية: يُعد مجال فحص الجودة الصناعية أول مجال يستخدم الفحص البصري الآلي التقليدي (AOI). إلا أن تطور تقنية AOI حتى الآن، في العديد من سيناريوهات الكشف عن العيوب المعقدة، ونظرًا لتنوع أنواع العيوب، فإن استخلاص الميزات غير مكتمل، والخوارزميات التكيفية ضعيفة التوسع، وتحديث خطوط الإنتاج بشكل متكرر، وترحيل الخوارزميات غير مرن، وغيرها من العوامل، تجعل من الصعب على نظام AOI التقليدي تلبية احتياجات تطوير خطوط الإنتاج. لذلك، تحل منصة خوارزميات فحص الجودة الصناعية المدعومة بالذكاء الاصطناعي، والممثلة بالتعلم العميق والتعلم على عينات صغيرة، تدريجيًا محل مخطط الفحص البصري التقليدي. وقد مرت منصة فحص الجودة الصناعية المدعومة بالذكاء الاصطناعي بمرحلتين: خوارزميات التعلم الآلي الكلاسيكية وخوارزميات فحص التعلم العميق.