لا تزال معظم مؤسسات الذكاء الاصطناعي اليوم تعمل ضمن حدود مراكز البيانات السحابية.
إنها تتعامل مع المهام الرقمية بشكل جيد مثل التحليل أو التخصيص، ولكنها تواجه صعوبات عندما يلزم تطبيق الذكاء في العالم المادي، حيث يجب أن تكون القرارات فورية وحيث تتغير البنية التحتية لتكنولوجيا المعلومات.
يستمر المقال أدناه
نائب رئيس تطوير البرمجيات والذكاء الاصطناعي والحافة في Couchbase.
يقوم الذكاء الاصطناعي المادي بدمج الذكاء مباشرة في المركبات والمستودعات والطائرات ومساحات البيع بالتجزئة والأنظمة الصناعية.
لقد تم تصميمه للبيئات التي ينقطع فيها الاتصال، ويكون زمن الوصول مهمًا، ولا يمكن أن تتوقف العمليات بسبب فشل ارتباط الشبكة.
مع قيام المؤسسات بنشر المزيد من أجهزة الاستشعار والأجهزة الطرفية، أصبح هذا النموذج متطلبًا تشغيليًا.
تعد إدارة البيانات أمرًا بالغ الأهمية لمكدس الذكاء الاصطناعي
يعتمد كل تطبيق فعلي للذكاء الاصطناعي على الوصول إلى البيانات المحلية المتسقة، بغض النظر عن جودة الشبكة. تعتمد القرارات على الخرائط ومدخلات أجهزة الاستشعار والقياس عن بعد والمعلومات السياقية وحالات النموذج، والتي يجب أن تظل جميعها متاحة حتى عندما يتم فصل الأجهزة أو المركبات أو الآلات عن السحابة لساعات.
وهذا يخلق ثلاثة متطلبات فنية أساسية. أولاً، يجب أن يقترب زمن الوصول من الصفر. حتى أقصر رحلة ذهابًا وإيابًا إلى السحابة تكون بطيئة جدًا بالنسبة لاتخاذ قرارات حاسمة بالمللي ثانية. لا يمكن للمركبة المستقلة التي تكتشف عائقًا مفاجئًا، أو روبوت المستودع الذي يحدد عنصرًا مفقودًا، أو نظام التصنيع الذكي الذي يستجيب لتغييرات المعدات، انتظار استجابة واجهة برمجة التطبيقات عن بُعد؛ يجب أن يتم اتخاذ القرارات محليا.
ثانياً، يجب أن تظل البيانات متاحة على الرغم من ضعف الاتصال. تحتوي العديد من البيئات التشغيلية على اتصالات متقلبة، لذلك يجب أن تستمر أنظمة الذكاء الاصطناعي المادية في العمل دون اتصال بالإنترنت. ويضمن هذا النهج “غير المتصل أولاً” بقاء تخزين البيانات والاستدلال ومنطق القرار قيد التشغيل حتى في حالة عدم توفر الوصول إلى السحابة.
ثالثا، يجب أن يكون الحساب فعالا. تعتبر الأجهزة المتطورة مقيدة بطبيعتها، مما يعني أن النماذج يجب أن تكون صغيرة ومتخصصة ومُحسّنة، وغالبًا ما تكون مع تسريع الأجهزة. يجب أن تكون قواعد البيانات ومجموعة الذكاء الاصطناعي الأوسع خفيفة الوزن وذات أداء وكفاءة في استخدام الموارد. في هذه البنية، تعد قاعدة البيانات جزءًا لا يتجزأ من مسار الذكاء الاصطناعي، حيث تقدم نماذج البيانات المطلوبة لاتخاذ القرارات في المصدر.
لماذا ينهار الذكاء الاصطناعي السحابي فقط خارج البيئات الخاضعة للرقابة
تتحرك المركبات ذاتية القيادة عبر تغطية متنقلة غير مكتملة. تواجه المستودعات تداخلًا في الترددات اللاسلكية. تعمل الطائرات والسفن السياحية لفترات طويلة بنطاق ترددي محدود. حتى مواقع التصنيع الحديثة تواجه بانتظام مناطق ميتة.
في هذه الظروف، يعد زمن الوصول، أي فكرة أن الذكاء الاصطناعي يمكنه الانتظار لرحلة ذهابًا وإيابًا إلى السحابة، عاملاً مقيدًا. يعتمد الذكاء الاصطناعي المادي على المعالجة المحلية والبيانات المحلية لأن هذه هي الطريقة الوحيدة لضمان التشغيل المتسق والموثوق.
كيف يتم بالفعل نشر الذكاء الاصطناعي المادي
في المركبات ذاتية القيادة والمتصلة، يعد استنتاج الحافة أمرًا ضروريًا. على سبيل المثال، تقوم إحدى شركات السيارات ذاتية القيادة بتوليد كميات كبيرة من بيانات أجهزة الاستشعار التي يجب معالجتها على الفور. إن التبعية السحابية ببساطة ليست قابلة للتطبيق لأن الميزات غير المستقلة تعتمد على التخزين المحلي والقدرة دون اتصال بالإنترنت للعمل بشكل موثوق.
يظهر الطيران العديد من نفس القيود. ترغب شركات الطيران في تحسين سير عمل الطاقم والصيانة والخدمات اللوجستية وتجربة الركاب باستخدام الذكاء الاصطناعي، لكن الطائرات تعمل باتصال متقطع. يجب جمع البيانات وتخزينها محليًا ومشاركتها بين الأنظمة الموجودة على متن الطائرة ومزامنتها بكفاءة عند إعادة توصيل الطائرة.
تقدم تجارة التجزئة والخدمات اللوجستية بعض الأمثلة التي يمكن الوصول إليها بسهولة. في شركة Pepsi، تقوم الأجهزة المتطورة في المستودعات بتشغيل نماذج الرؤية لتحليل مخزون الرفوف وبدء عملية التجديد تلقائيًا. الذكاء مهم، ولكن التحدي العملي هو إدارة البيانات محليًا ومزامنتها بشكل موثوق عندما يسمح الاتصال بذلك.
تواجه خطوط الرحلات البحرية قيودًا مماثلة. يحتاج المشغلون إلى دعم المعاملات في الوقت الفعلي والتخصيص والعمليات على متن السفن التي قد لا تتمتع باتصال مستقر لعدة أيام. وعبر هذه القطاعات، يكون النمط ثابتا: يعمل الذكاء الاصطناعي فقط عندما يعمل في المكان الذي يتم فيه إنشاء البيانات.
لماذا يواجه الكثير من إثباتات مفاهيم الذكاء الاصطناعي صعوبة في التوسع؟
وقد وجد تقرير حديث لمعهد ماساتشوستس للتكنولوجيا أن حوالي 5% فقط من البرامج التجريبية للذكاء الاصطناعي تحقق إيرادات سريعة؛ الغالبية العظمى من المماطلة، لا تحقق سوى تأثير ضئيل أو معدوم على الأرباح والخسائر. الأسباب موثقة جيدًا: تتوقع المؤسسات عائدًا فوريًا على الاستثمار. تقلل الفرق من مدى تعقيد نشر أنظمة الذكاء الاصطناعي وصيانتها.
يتم إنشاء البنى حول افتراضات سحابية لا تصمد في بيئات العالم الحقيقي. لا تحل بنية البيانات الصحيحة كل التحديات، ولكنها تعالج إحدى نقاط الفشل الأكثر شيوعًا: الفجوة بين ظروف المختبر والواقع التشغيلي.
يتطلب الانتقال إلى نموذج الذكاء الاصطناعي الفعلي تصميم أنظمة حول السلوك الفعلي للبيئات المادية مع المعالجة المحلية لاتخاذ القرارات الحساسة للوقت، والتخزين المحلي المستمر حتى تعمل الأجهزة أثناء انقطاع الخدمة، وقواعد بيانات الحافة خفيفة الوزن والنماذج المحسنة التي تتوافق مع قيود الأجهزة والمزامنة الفعالة لضمان اتساق البيانات عند عودة الاتصال. إن الحصول على هذه الطبقة بشكل صحيح يحدد ما إذا كانت أنظمة الذكاء الاصطناعي يمكنها العمل بشكل موثوق عند الحافة.
التحول المؤسسي جار بالفعل
وتتبنى شركات السيارات والطيران والخدمات اللوجستية والتصنيع والسفر بالفعل هذا النموذج لأن بيئاتها تتطلب ذلك. تظل السحابة حيوية، لكن الافتراض القائل بأن كل عبء عمل للذكاء الاصطناعي يجب أن يكون على السحابة أولاً لا يتناسب مع متطلباته.
ومع تحول المزيد من المؤسسات إلى أدوات ومستقلة، سيحتاج الذكاء الاصطناعي بشكل متزايد إلى العمل في نقطة العمل، وليس نقطة التجميع. إن المؤسسات التي تدرك ذلك مبكرًا هي التي من المرجح أن تنشر أنظمة الذكاء الاصطناعي التي تتصرف بشكل متوقع ومتسق وآمن في البيئات المهمة.
لقد قمنا بتصنيف أفضل برامج تخطيط موارد المؤسسات (ERP)..
التعليقات