جميع المعادلات مكتوبة بلغة LaTeX.
تحظى نماذج الرؤية الكبيرة الحديثة (مثل SAM) بقدرة هائلة على دعم الإدراك الذكي وتحقيق دقة عالية. ومع ذلك، غالباً ما تعيق القيود المفروضة على الموارد في بيئات IoT إمكانية نشر هذه النماذج محلياً، مما يسبب تأخراً ملحوظاً في الاستدلال ويصعّب دعم التطبيقات الفورية مثل القيادة الذاتية والروبوتات. يتيح التعاون بين الحافة والسحابة، مع الاستفادة المشتركة من النموذج الكبير والخفيف، نهجاً واعداً لجمع الدقة العالية والكمون المنخفض. بيد أن الأساليب الحالية تفتقر إلى المرونة اللازمة للتكيف مع التحولات الديناميكية في بيانات بيئات IoT المتنوعة. لمعالجة هذه التحديات، نقترح إطار عمل LAECIPS للتعاون التكيفي بين الحافة والسحابة. في هذا الإطار، يكون نموذج الرؤية الكبير مستضافاً على السحابة، والنموذج الخفيف على الحافة، وهما قابلان للتوصيل والتشغيل بشكل مستقل. نعتمد استراتيجية تعاون مبنية على تصنيف المدخلات الصعبة لتحقيق كل من الدقة العالية والكمون المنخفض. كما نقترح آلية تحديث النموذج الخفيف على الحافة واستراتيجيته التعاونية تحت إشراف النموذج الكبير، لتمكينه من التكيف مع تدفقات البيانات المتغيرة في IoT. تؤكد التحليلات النظرية جدوى LAECIPS، إذ تُظهر التجارب العملية في نظام تجزئة دلالية روبوتية باستخدام بيانات حقيقية أن LAECIPS يتفوق على أحدث الأساليب المنافسة من حيث الدقة والكمون وتكاليف الاتصال، مع تحسين القدرة على التكيف مع البيئات الديناميكية.
يُستخدم التعلم الآلي على نطاق واسع لدعم الإدراك الذكي في إنترنت الأشياء عبر تطبيقات متنوعة مثل المراقبة الروبوتية والقيادة الذاتية (prakash2021multi، zhou2019anomalynet). وغالباً ما يتطلب الإدراك القائم على IoT مزيجاً من الدقة العالية والكمون المنخفض لتلبية متطلبات التطبيقات الفورية (zhou2019edge). عادةً ما تُنشر نماذج التعلم الآلي على أجهزة الحافة قرب المستخدمين لتقليل زمن الاستجابة. ومع ذلك، من ناحية، تقيد الموارد المحدودة في هذه الأجهزة قدرتها على استضافة النماذج المعقدة (shuvo2022efficient)، ومن ناحية أخرى، قد تعاني النماذج الخفيفة من تدنٍ في دقة الاستدلال، خصوصاً في الحالات الحرجة (zhang2022advancing). بالإضافة إلى ذلك، قد تواجه النماذج المدربة مسبقاً على الحافة تغيراً في توزيع البيانات عند انتقال الروبوت إلى بيئات غير متوقعة أو السيارة الذاتية القيادة إلى مناطق جديدة (de2021continual)، مما ينعكس سلباً على الأداء.
شهدت الفترة الأخيرة تقدماً ملحوظاً في تطوير نماذج الرؤية الكبيرة، مثل “Segment Anything Model” من Meta (kirillov2023segment). تُظهر هذه النماذج دقة عالية جدّاً وقدرة قوية على مقاومة تحولات توزيع البيانات في مهام الإدراك الذكي (wssam). بيد أنها تتطلب موارد حسابية هائلة لا تتوفر إلا في مراكز البيانات السحابية، مما يضيف كموناً إضافياً نتيجة نقل البيانات بين الحافة والسحابة. لذلك، تبرز مسألة كيفية الاستفادة القصوى من مزايا نماذج الرؤية الكبيرة لتحقيق استدلال دقيق مع تقليل زمن الاستجابة في بيئات IoT محدودة الموارد.
يمكن معالجة هذه المسألة عبر التعاون بين الحافة والسحابة للاستدلال التشاركي بين النموذج الكبير والصغير (wang2020convergence، duan2022distributed). في هذا النهج، يُستضاف نموذج الرؤية الكبير على السحابة، بينما يعمل نموذج خفيف على الحافة، ويحدد بروتوكول التعاون لكل إدخال ما إذا كان الاستدلال يتم محلياً أو يُرسل إلى السحابة. غير أن الأساليب الحالية تفتقر إلى المرونة اللازمة في البنية ولا تدعم التكيف مع بيئات IoT المتغيرة.
نطبق إطار عمل Large Area Edge-Cloud Inference and Processing System على نظام تجزئة دلالية روبوتية في بيئة حقيقية بين الحافة والسحابة لإثبات قابليته للتطبيق. وتُظهر النتائج التجريبية الشاملة أن هذا الإطار يحقق دقة أعلى بشكل ملحوظ، وأدنى زمن معالجة للمهام، ويقلل تكاليف الاتصال مقارنةً بأفضل الأساليب المنافسة.
ينظم بقية المقال كما يلي. يستعرض القسم [sec: related work] الأعمال ذات الصلة، ويعرض القسم [sec:method] التفاصيل التقنية لطريقة Large Area Edge-Cloud Inference and Processing System. يقدم القسم [sec:theory] الأدلة النظرية على قدراته، وتناقش النتائج التجريبية في القسم [sec:evaluation]. وأخيراً نستخلص النتائج في القسم [sec: conclusion].
تنقسم الأبحاث حول الاستدلال التعاوني بين السحابة والحافة إلى فئتين رئيسيتين: تقسيم النموذج وتعاون النموذج الكبير/الصغير.
يقوم تقسيم النموذج بتوزيع أجزاء من ...
تناولت هذه الورقة مسألة التعاون الفوري بين الحافة والسحابة في بيئات ديناميكية، مع التركيز على دمج نماذج الرؤية الكبيرة في منظومة إنترنت الأشياء. تم اعتماد استراتيجيات تعاون متوازنة تلبي متطلبات الاستجابة الفورية والحوسبة على الحافة، مع تعزيز دقة الاستدلال. يقوم إطار العمل LAECIPS على جمع نموذج رؤية كبير مستضاف على السحابة ونموذج خفيف على الحافة، مع استدلال تشاركي مبني على تصنيف المدخلات الصعبة. يرسل الإطار المدخلات الصعبة فقط إلى السحابة، ويحدث نموذج الحافة بشكل تكيفي مستفيداً من مخرجات النموذج الكبير لضمان الصمود أمام التغيرات البيئية. استُخلص الحد الأقصى للخطأ العامي للإطار، وأُجريت تقييمات شاملة باستخدام بيانات حقيقية في مهام تجزئة دلالية روبوتية. تؤكد النتائج النظرية والتجريبية فعالية وجدوى LAECIPS. نعتقد أن هذا العمل يؤسس لقاعدة متينة لتطبيق النماذج الكبيرة على الحافة في سياق إنترنت الأشياء، ونسعى في المستقبل لتوسيع نطاق التطبيق إلى سيناريوهات وسائط متعددة أخرى.