تفاوت بین لبه و نقطه پایان (endpoint) چیست

تفاوت بین لبه و نقطه پایان چیست؟ بستگی به دیدگاه شما دارد.

هنگامی که اصطلاحات جدید صنعتی ایجاد می‌شوند، چالش برای افرادی مانند ما که در مورد این موضوع می‌نویسند، این است که بفهمیم که یک شرکت دقیقاً چه منظوری دارد، به خصوص زمانی که از این اصطلاح برای هدف بازاریابی خود استفاده می‌کنند. جدیدترین اصطلاح روز در واقع یک عبارت است:
لبه هوش مصنوعی(edge AI). به دلیل فراگیرشدن اینترنت اشیا و قابلیت اضافه‌کردن یک مقدار مناسب از قدرت پردازشی یا پردازش برای فعال کردن هوش در دستگاههای مبتنی بر اینترنت اشیا، “لبه” می‌تواند کاملا گسترده باشد و می‌تواند به معنی هر چیزی از لبه یک دروازه تا نقطه پایانی باشد.
ما در جستجوی توافق صنعتی در مورد تعاریف “لبه” و نقطه پایانی هستیم، که ممکن است بخواهند هوش مصنوعی را در لبه ایجاد کنند، و این که چقدر “هوش” می‌تواند اضافه شود. ما کشف کردیم که پاسخ‌ها به دیدگاه شما بستگی دارند. اما برای شروع، اساساً هر چیزی که در فضای ابری(cloud) نیست می‌تواند به عنوان “لبه”(edge) تعریف شود.
بسیاری لبه، ولی فقط یک نقطه پایان!
شاید روشن‌ترین تعریف از لبه و نقطه پایان(endpoint) از ولفگانگ فورترنر(Wolfgang Furtner) است، مدیر ارشد بخش مهندسی سیستم در شرکت Infineon Technologies. او میگوید “عبارت “لبه هوش مصنوعی” مبهم بودن خود را از عبارت “لبه” به ارث میبرد. بعضی از افراد یک ماشین را یک دستگاه edge میدانند و بعضی دیگر این عبارت را برای یک سنسور کوچک ذخیره انرژی با اتصال بیسیم و توان پایین میدانند. لبه در مفهوم‌های نسبی استفاده میشود و اجسام محلی را از اجسام مرکزی متمایز میکند.”
اما احتیاج داریم که بین چیزهای مختلفی که در لبه پیدامیشوند فرق بگذاریم. بعضی اوقات عبارتهایی مثل لبه‌ی لبه یا گره‌های برگ را میشنوید. هوش مصنوعی لبه میتواند خیلی چیزها باشد، مثل یک سرور محاسباتی در یک ماشین.” اما او میگوید که کلید این است که هوش مصنوعی نقطه پایان در مکانی قرار دارد که دنیای مجازی شبکه با دنیای واقعی تلاقی پیدا میکند، یعنی جایی که سنسورها و دستگاههای اندازهگیری نزدیک هستند.”

به گفته مارکوس لوی..

در مورد تفاوت بین لبه و نقطه پایان، همه چیز در مورد معانی و جایی است که خط مرز را رسم می‌کنید. او سرگروه بخش تکنولوژی های یادگیری ماشین در NXP Semiconductors است.
او میگوید یادگیری ماشین لبه همان یادگیری ماشین نقطه پایان است، بهجز اینکه یادگیری ماشین لبه میتواند یادگیری ماشینی که در یک دروازه یا در یک محیط پردازش مه‌آلود باشد را هم شامل شود. “یادگیری ماشین نقطه پایان عموماً به سیستم های توزیع شده ربط دارد، مثلاً جایی که مشتریان ما دارند هوش‌مصنوعی را حتی تا مرحله سنسور پیاده میکنند. مثال دیگر یک سیستم اتوماسیون خانه است که در آن دستگاه‌های “ماهواره”، مانند ترموستات، آیفون تصویری، دوربین‌های امنیتی و یا انواع دیگر وسایل متصل وجود دارد. در حالی که این ها می‌توانند به طور مستقل عملکرد یادگیری ماشین را انجام دهند، ممکن است از یک دروازه که در آن پردازشهای یادگیری ماشین پیشرفته رخ می‌دهد هم تغذیه کنند.کریس برگی مدیر و نایبرئیس بخش زیرساخت شرکت ARM یک دیدگاه متفاوت در مورد تفاوت بین لبه و نقطه پایان دارد، او با اشاره به سطح افزاینده هوش در هم سرورهای لبه و هم خط پایانها میگوید: دستگاههای پایه مثل network bridgeها و کلیدها راه را برای سرورهای لبه بزرگی که سخت افزاری در حد یک مرکزداده در دروازه بین خط پایان و فضای ابری دارند، باز کرده است. این سرورهای لبه قدرتمند که جای خود را در پایگاه های ۵G باز کرده اند به اندازه کافی قوی هستند تا پردازشهای پیچیده یادگیری ماشین انجام دهند. نه فقط نتیجه‌گیری، بلکه حتی یادگیری.

تفاوت این با هوش مصنوعی خط پایان چیست؟

برگی با یک مثال توضیح میدهد. به دلیل سخت افزار درونی هوشمند، گوشی های هوشمند یک محل آزمایش پرثمر برای هوش مصنوعی خط پایان بوده است. وقتی که اینترنت اشیا با پیشرفتهای هوش مصنوعی و معرفی ۵G تلاقی پیدا میکند، هوش بیشتر روی دستگاه ها به این معنی است که دستگاههای کوچکتر و ابزارهای حساس به هزینه می‌توانند هوشمندانه و کارآمدتر باشند در حالی که همزمان از حریم خصوصی و قابلیت اعتماد بیشتری به دلیل اتکای کم‌تر به فضای ابری یا اینترنت برخوردارند.

از آنجایی که این تکامل هوش بیشتری را به خط پایان می بخشید، مرز های جایی که هوش پیاده میشود هم از خط پایان تدریجاً به لبه میرود، و بر نیاز به یک زیرساخت محاسباتی ناهمگن تاکید میکند.افراد دیگری هستند که برای آنها لبه هر چیزی است که در فضای ابری نیست. مثلاً جف بیر، مؤسسEdge AI and Vision Alliance، میگوید که گروهش هوش مصنوعی لبه را “هر هوش مصنوعی ای که کل یا جزء آن خارج مرکز داده پیاده سازی شده باشد تعریف میکند. این هوش ممکن است که دقیقاً کنار سنسور واقع شده باشد، مثل یک دوربین عکاسی هوشمند، یا ممکن است دورتر باشد مثل یک قفسه لوازم در یک فروشگاه، یا حتی دورتر از آن باشد، مثل یک پایگاه تلفن همراه. یا ممکن است ترکیبی از اینها باشد.

شرکت Xilinx یک نظر مشابه دارد.

نیک نی مدیر بازاریابی محصولات هوش مصنوعی، نرم افزار و اکوسیستم میگوید: هوش مصنوعی لبه درواقع یک هوش مصنوعی خودکفاست که بدون وابستگی به یک مرکز داده پیاده سازی شده است. این برای کاربردهایی که نیازمند پاسخ بیدرنگ هستند، امنیت، مثلاً نفرستادن اطلاعات محرمانه به مرکز داده، و توان مصرفی پایین مهم است.
همانطور که انسانها برای تصمیم گیری های روزانه احتیاجی به یک مرکزداده ندارند، هوش مصنوعی لبه بازار را در کاربردهایی مثل ماشین های خودران و سیستمهای خرید و فروش اتوماتیک تصرف خواهد کرد.
اندرو گرنت، مدیر ارشد هوش مصنوعی در Imagination Technologies، این ایده را تایید میکند. او می‌گوید “همه اینها تا جایی که به ما ربط دارند لبه هستند، این مشتری است که تصمیم میگیرد کجا قرار بگیرد. ما یک پاسخ مخلوط میبینیم، و قطعاً یک نقشی برای فضای ابری و مراکزداده هم در این وجود دارد.”گرنت همچنین اضافه میکند که سرعتی که بازار در حال حرکت به سمت لبه است باورنکردنی است. او می‌گوید “موجی از حرکت به سمت لبه وجود دارد. اما برای بسیازی از کاربردها یک مقدار زمان طول میکشد تا اعمال شود. ما در حال صحبت با یک شرکت کنترل ترافیک در چین بودیم، آنها دارند داده را از فضای ابری دائم وارد و خارج میکنند. هنکامی که من برای آنها توضیح دادم که کار ما چیست، آنها فوراً مزیت اینکه چراغ راهنمایی بدون اتصال به فضای ابری خودش تشخیص دهد که ماشین در حال حرکت است یا نه را درک کردند.”

شرکت تامین کننده سیستمهای نهفته

Adesto Techonologies، لزوماً بین لبه و نقطه پایان تفاوت قائل نمیشود، با توجه به این که این شرکت هم برای سرور های اینترنت اشیا لبه تامین میکند، و هم برای دستگاههای اینترنت اشیا لبه. گیدیون اینتراتر مدیر فنی Adesto میگوید: “علی رغم اینکهما از عبارت خط پایان در مکالماتمان استفاده نمیکنیم، شاید از نظر معنا، نقطه پایان به دستگاههای لبه مربوط باشد.
هوش مصنوعی در این دستگاه ها کاربرد محلی دارد و الگوریتمها بصورت یک برنامه روی پروسسور، توسط یک شتاب دهنده مخصوص توسط پردازش داخلی انجام میشوند.”او اضافه میکند که هوش مصنوعی لبه در حال تبدیل شدن به یک واقعیت در تقریباً تمام کاربردها است.

ما یک فرصت عالی را در کاربرد های صنعتی و ساختمانی میبینیم که در آن هوش مصنوعی در طریق پشتیبانی پیش‌بینی کننده و پیشگیرانه، کنترل کیفیت درتولید و بسیاری از کاربرد های دیگر استفاده میشود. این صنعت تازه آغاز شده است و هرروز که میگذرد ما توفع داریم که هوش مصنوعی برای ما کار بیشتری بکند. وقتی وسایل قدیمیتر بدون هوش مصنوعی نیازهای ما را درک نمیکنند، اغلب ناامید میشویم زیرا ما وسایلی داریم که قابلیت شهودی را فراهم میکنند. مصرفکننده نهایی نمیداند که در یک محصول هوش مصنوعی چه چیز هایی به کار رفته است، آنها فقط انتظار دارند که کار کند.

مقاله پیشنهادی : از گذشته تا آینده برد های آردوینو