فناوری Multi-access Edge Computing (MEC) یک مفهوم در محاسبات لبه (Edge Computing) است که به کاربران امکان میدهد دادهها را نزدیک به محل تولید و مصرف (یعنی نزدیک به دستگاههای کاربر نهایی) پردازش کنند. هدف MEC کاهش تأخیر (latency)، بهبود کارایی شبکه و کاهش پهنای باند موردنیاز در شبکههای ابری مرکزی است.
ترکیب فناوری Edge با هوش مصنوعی فناوریEdge AI یا هوش مصنوعی لبه را به وجود میآورد که به استفاده از الگوریتمهای هوش مصنوعی (AI) در دستگاههای نزدیک به منبع داده یا کاربر نهایی اشاره دارد، به عبارت دیگر در Edge AI پردازش دادهها مستقیماً در دستگاههایی مانند گوشیهای هوشمند، دوربینها، حسگرها، یا دستگاههای IoT انجام میشود.
در این گزارش ابتدا به بررسی مزایای فناوری MEC پرداخته و به ارایه مثالهایی از فناوریهای مرتبط با Edge AI میپردازیم و در نهایت اشارهای به تجربه همراه اول در تجاری سازی MEC میکنیم.
مزایای فناوری MEC
پردازش دادهها بهصورت محلی بهجای ارسال آنها به سرورهای دورافتاده باعث میشود که تأخیر به حداقل برسد. این ویژگی برای کاربردهای حساس به زمان، مانند خودروهای خودران و جراحیهای از راه دور، حیاتی است.
از آنجایی که دادهها در لبه شبکه پردازش میشوند، نیاز به ارسال حجم بالای داده به مراکز داده مرکزی کاهش یافته و ترافیک شبکه کاهش مییابد. در نتیجه پهنای باند بهبودیافته را خواهیم داشت.
پردازش محلی دادهها به کاهش انتقال دادههای حساس به سرورها و بهبود حفاظت از اطلاعات کاربران کمک میکند. بدین ترتیب امنیت افزایش یافته و حریم خصوصی افراد حفظ میشود.
با توزیع بار پردازشی به نقاط مختلف لبه شبکه، از ازدحام در مراکز داده مرکزی جلوگیری کرده و به گسترش سیستمهای هوشمند کمک میکند.
با کاهش تأخیر و افزایش پردازش محلی، فناوری MEC امکان ایجاد و گسترش برنامههای پیشرفته مانند واقعیت افزوده، واقعیت مجازی و بازیهای آنلاین را فراهم میکند.
در MEC، سرورهای محاسباتی در لبه شبکه (مانند ایستگاههای پایه مخابراتی، برجهای سلولی یا گرههای دسترسی شبکه) قرار میگیرند تا پردازش دادهها را به جای ارسال به یک مرکز داده دورافتاده، بهصورت محلی انجام دهند.
فناوریهای مرتبط با Edge AI
یادگیری عمیق (Deep Learning)
مدلهای یادگیری عمیق برای اجرا روی دستگاههای لبه بهینهسازی میشوند تا با منابع محدود سازگار باشند.
فشردهسازی مدلها (Model Compression)
تکنیکهایی مانند Quantization و Pruning برای کاهش حجم مدلهای هوش مصنوعی و افزایش سرعت اجرا روی دستگاههای لبه استفاده میشوند.
پردازندههای ویژه (AI Accelerators)
تراشههایی مانند GPU، TPU و NPU برای اجرای کارآمد مدلهای هوش مصنوعی روی دستگاههای لبه طراحی شدهاند.
شبکههای عصبی سبک (Lightweight Neural Networks)
مدلهایی مانند MobileNet و TinyML برای اجرا روی دستگاههای لبه با منابع محدود توسعه یافتهاند.
تشخیص چهره در دستگاههای لبهای:
سیستمهایی مانند دوربینهای امنیتی مجهز به Edge AI میتوانند چهره افراد را در همان دستگاه تجزیه و تحلیل کنند، بدون نیاز به ارسال دادهها به سرورهای ابری. این کار باعث بهبود امنیت و حفظ حریم خصوصی میشود.
خودروهای خودران (Self-driving cars)
خودروهای خودران از فناوریهای Edge AI برای پردازش دادههای حسگرها (مانند دوربینها، لیدار و رادار) در لحظه استفاده میکنند. این فناوریها امکان تصمیمگیری سریعتر را فراهم میکنند که برای ایمنی و عملکرد خودرو ضروری است.
دستیارهای صوتی هوشمند (Intelligent Virtual Assistants)
دستگاههایی مانند آمازون اکو یا گوگل هوم از الگوریتمهای هوش مصنوعی لبهای برای پردازش دستورات صوتی بهصورت محلی استفاده میکنند. این ویژگی تأخیر را کاهش میدهد و تجربه کاربر را بهبود میبخشد.
پردازش تصویر در صنایع پزشکی (Medical Image Processing)
در دستگاههای قابل حمل پزشکی، Edge AI میتواند تصاویر پزشکی (مانند اسکنها) را به سرعت تجزیه و تحلیل کند و به پزشکان در تشخیص کمک کند.
واقعیت افزوده و مجازی (VR/AR)
عینکهای هوشمند یا هدستهای VR/AR با استفاده از Edge AI میتوانند دادههای محیطی را تجزیه و تحلیل کنند و محتواهای تعاملی را بهصورت همزمان نمایش دهند.