التطورات التكنولوجية الدافعة لاعتماد الحوسبة المتطورة

غالبًا ما يكون تطوير التكنولوجيا كقوة منتشرة عملية تستغرق وقتًا. لكن حوسبة الحافة مختلفة: نصف قطر تأثيرها ينمو بمعدل أسي. الذكاء الاصطناعي هو مجال تلعب فيه الحافة دورًا حاسمًا ، وهذا واضح في كيفية استثمار شركات مثل Kneron و IBM و Synaptic و Run: ai وغيرها في التكنولوجيا.

في قطاعات أخرى ، مثل تكنولوجيا الفضاء أو الرعاية الصحية ، تخطط شركات مثل Fortifyedge و Sidus Space بشكل كبير للحوسبة المتطورة. التطورات التكنولوجية والقضايا المتعلقة بأداء التطبيق والأمن

ومع ذلك ، فإن مثل هذا الوجود شبه الشامل لا بد أن يثير أسئلة حول أداء التطبيق وأمانه. الحوسبة المتطورة ليست استثناءً ، وفي السنوات الأخيرة أصبحت أكثر شمولاً من حيث الترحيب بالأدوات الجديدة.

من تجربتي كرائد تقني ناشئ للشركات الناشئة ، وجدت أنه من الضروري فهم إلى أين تتجه الحوسبة المتطورة قبل اعتمادها. في مقالتي السابقة لـ ReadWrtie ، ناقشت العوامل التمكينية الرئيسية للحوسبة المتطورة. في هذا المقال ، أركز على التطورات التقنية الأخيرة التي تحاول حل المشكلات الصناعية الملحة وتشكيل المستقبل. سيظهر WebAssembly كبديل أفضل لمكتبات JavaScript

تُعد مكتبات AI / ML المستندة إلى JavaScript شائعة وناضجة لتطبيقات الويب. القوة الدافعة هي زيادة الكفاءة في تقديم محتوى مخصص من خلال تشغيل التحليلات المتطورة. لكن لها قيود ولا تقدم الأمان مثل وضع الحماية. لا تضمن وحدة VM تنفيذ وضع الحماية الآمن. أيضًا ، بالنسبة للتطبيقات المستندة إلى الحاويات ، فإن وقت استجابة بدء التشغيل هو العائق الرئيسي.

يظهر WebAssembly بسرعة كبديل لتطوير تطبيقات الحافة. إنه محمول ويوفر الأمان مع بيئة وقت تشغيل sandbox. بالإضافة إلى ذلك ، فإنه يسمح للحاويات أن تبدأ بشكل أسرع من حاويات البدء الباردة (البطيئة).

يمكن للشركات الاستفادة من التعليمات البرمجية المستندة إلى WebAssembly لتشغيل استدلال AI / ML في المتصفحات بالإضافة إلى منطق البرنامج في PoP CDNs. لقد زاد تغلغلها في الصناعات بشكل كبير وتدعمها الدراسات البحثية من خلال تحليل الثنائيات من عدة مصادر تتراوح من مستودعات الكود المصدري ومديري الحزم والمواقع الحية. ستستفيد حالات الاستخدام التي تتعرف على تعبيرات الوجه وتعالج الصور أو مقاطع الفيديو لتحسين الكفاءة التشغيلية من WebAssembly. TinyML لضمان تحسين أفضل لـ Edge AI

يشير Edge AI إلى نشر تطبيقات AI / ML على الحافة. ومع ذلك ، فإن معظم الأجهزة المتطورة ليست غنية بالموارد مثل أجهزة الكمبيوتر أو الخوادم السحابية من حيث الحوسبة والتخزين وعرض النطاق الترددي للشبكة.

TinyML هو استخدام الذكاء الاصطناعي / تعلم الآلة على الأجهزة ذات الموارد المحدودة. إنه يقود تنفيذ Edge AI على حافة الجهاز. بموجب TinyML ، تتمثل أساليب التحسين الممكنة في تحسين نموذج AI / ML وتحسين إطار عمل AI / ML ، ولهذا ، تعد بنية ARM خيارًا مثاليًا.

هذه بنية مقبولة على نطاق واسع للأجهزة المتطورة. تظهر الدراسات البحثية أنه بالنسبة لأعباء العمل مثل استدلال الذكاء الاصطناعي / التعلم الآلي ، فإن بنية ARM لها سعر أداء أفضل مقارنةً بـ x86.

لتحسين النموذج ، يستخدم المطورون تقليم النموذج أو تقليل النموذج أو تكميم المعلمات.

ولكن توجد بعض القيود في TinyML فيما يتعلق بنشر النموذج ، وصيانة إصدارات النماذج المختلفة ، وإمكانية ملاحظة التطبيق ، والمراقبة ، وما إلى ذلك. بشكل جماعي ، تسمى هذه التحديات التشغيلية TinyMLOP. مع التبني المتزايد لـ TinyML ، سيتجه مهندسو المنتج أكثر نحو منصات توصيل حلول TinyMLOP.

يقدم مقدمو الخدمات السحابية (CSPs) الآن موارد أقرب إلى حافة الشبكة ، مما يوفر مزايا مختلفة. وهذا يفرض تحديات معمارية على الشركات التي تفضل العمل مع العديد من مقدمي خدمات الطاقة. يتطلب الحل الأمثل وضع عبء العمل الأمثل على الحافة بناءً على حركة مرور الشبكة في الوقت الفعلي والطلب على زمن الوصول والمعلمات الأخرى.

سيكون الطلب مرتفعًا على الخدمات التي تتعامل بشكل مثالي مع تنسيق وتنفيذ حمل العمل الموزع عند الحافة. لكن يجب عليهم ضمان المورد الأمثل ...