فناوری پردازش لبه و اهمیت آن در ارایه سرویس‌های ۵G
فناوری محاسبات لبه چند دسترسی (MEC) مفهومی در محاسبات لبه ای است که به کاربران امکان می دهد داده ها را نزدیک به نقطه تولید و مصرف (یعنی نزدیک به دستگاه های کاربر نهایی) پردازش کنند. هدف MEC کاهش تأخیر، بهبود کارایی شبکه و کاهش پهنای باند مورد نیاز در شبکه های ابری مرکزی است.
ترکیب فناوری لبه با هوش مصنوعی، فناوری هوش مصنوعی لبه یا هوش مصنوعی لبه را ایجاد می کند که به استفاده از الگوریتم های هوش مصنوعی (AI) در دستگاه های نزدیک به منبع داده یا کاربر نهایی، به عبارت دیگر، در هوش مصنوعی لبه، داده ها اشاره دارد. به طور مستقیم در دستگاه هایی مانند گوشی های هوشمند، دوربین ها، حسگرها یا دستگاه های اینترنت اشیا پردازش می شود.
در این گزارش ابتدا به بررسی مزیت های فناوری MEC و ارائه نمونه هایی از فناوری های مرتبط با Edge AI می پردازیم و در نهایت به تجربه اولین شرکت در تجاری سازی MEC اشاره می کنیم.
مزایای فناوری MEC
پردازش داده ها به صورت محلی به جای ارسال آن به سرورهای راه دور، تأخیر را به حداقل می رساند. این ویژگی برای برنامه‌های حساس به زمان، مانند ماشین‌های خودران و جراحی‌های از راه دور، حیاتی است.
از آنجایی که داده ها در لبه شبکه پردازش می شوند، نیاز به ارسال حجم زیادی از داده ها به مراکز داده مرکزی کاهش یافته و ترافیک شبکه کاهش می یابد. در نتیجه، پهنای باند بهبود یافته ای خواهیم داشت.
پردازش داده های محلی به کاهش انتقال داده های حساس به سرورها و بهبود حفاظت از اطلاعات کاربران کمک می کند. به این ترتیب امنیت افزایش یافته و حریم خصوصی افراد حفظ می شود.
با توزیع بار پردازشی در نقاط مختلف لبه شبکه، از ازدحام در مراکز داده مرکزی جلوگیری می کند و به گسترش سیستم های هوشمند کمک می کند.
فناوری MEC با کاهش تأخیر و افزایش پردازش محلی، ایجاد و گسترش برنامه های کاربردی پیشرفته مانند واقعیت افزوده، واقعیت مجازی و بازی های آنلاین را امکان پذیر می کند. فراهم می کند
در MEC، سرورهای محاسباتی در لبه شبکه قرار می‌گیرند (مانند ایستگاه‌های پایه مخابراتی، برج‌های سلولی یا گره‌های دسترسی شبکه) تا پردازش داده‌ها را به‌جای ارسال به یک مرکز داده از راه دور انجام دهند.
فن آوری های مرتبط با هوش مصنوعی Edge
یادگیری عمیق
مدل‌های یادگیری عمیق برای اجرا بر روی دستگاه‌های لبه‌ای بهینه شده‌اند تا منابع محدودی را در خود جای دهند.
فشرده سازی مدل
تکنیک هایی مانند Quantization و Pruning برای کاهش اندازه مدل های هوش مصنوعی و افزایش سرعت اجرا در دستگاه های لبه استفاده می شود.
پردازنده های ویژه (شتاب دهنده های هوش مصنوعی)
تراشه هایی مانند GPU، TPU و NPU برای اجرای کارآمد مدل های هوش مصنوعی در دستگاه های لبه طراحی شده اند.
شبکه های عصبی سبک
مدل هایی مانند MobileNet و TinyML برای اجرا بر روی دستگاه های لبه محدود با منابع توسعه یافته اند.
تشخیص چهره در دستگاه های لبه:
سیستم‌هایی مانند دوربین‌های امنیتی مجهز به هوش مصنوعی Edge می‌توانند چهره افراد را در یک دستگاه بدون نیاز به ارسال داده‌ها به سرورهای ابری تجزیه و تحلیل کنند. این امر امنیت و حریم خصوصی را بهبود می بخشد.
ماشین های خودران
خودروهای خودران از فناوری‌های هوش مصنوعی لبه‌ای برای پردازش داده‌های حسگرها (مانند دوربین، لیدار و رادار) در زمان واقعی استفاده می‌کنند. این فناوری‌ها تصمیم‌گیری سریع‌تر را امکان‌پذیر می‌کنند که برای ایمنی و عملکرد خودرو ضروری است.
دستیاران مجازی هوشمند
دستگاه هایی مانند Amazon Echo یا Google Home از الگوریتم های هوش مصنوعی لبه برای پردازش دستورات صوتی به صورت محلی استفاده می کنند. این ویژگی تاخیر را کاهش می دهد و تجربه کاربری را بهبود می بخشد.
پردازش تصویر در صنعت پزشکی (پردازش تصویر پزشکی)
در دستگاه های پزشکی قابل حمل، هوش مصنوعی Edge می تواند به سرعت تصاویر پزشکی (مانند اسکن) را تجزیه و تحلیل کند و به پزشکان در تشخیص کمک کند.
واقعیت افزوده و مجازی (VR/AR)
عینک های هوشمند یا هدست های VR/AR با استفاده از هوش مصنوعی Edge می توانند داده های محیطی را تجزیه و تحلیل کنند و محتوای تعاملی را به طور همزمان نمایش دهند.
این موارد تاثیر ترکیب محاسبات لبه و هوش مصنوعی را در دنیای فناوری نشان می‌دهد و نشان می‌دهد که چگونه MEC و Edge AI نقش کلیدی در صنایع مختلف دارند.
تجربه دست اول در تجاری سازی MEC
سحروب شرکت به عنوان پیشرو در استفاده از فناوری MEC در ایران، اولین پلتفرم بومی MEC را تجاری کرده و به صورت عملیاتی از آن در شبکه 5G استفاده کرده است. این اقدام نه تنها زمینه ساز ارتقای کیفیت خدمات است، بلکه نشان دهنده ظرفیت بالای این فناوری برای تحول در صنعت ارتباطات کشور است.
