```html نموذج LAECIPS: التعاون التكيفي بين الحافة والسحابة مدعوماً بنموذج الرؤية الكبير لنظام الإدراك المبني على IoT

نموذج LAECIPS: التعاون التكيفي بين الحافة والسحابة مدعوماً بنموذج الرؤية الكبير لنظام الإدراك المبني على IoT

Shijing Hu Ruijun Deng Xin Du Zhihui Lu Qiang Duan Yi He Shih-Chia Huang Jie Wu

المعادلات مكتوبة بلغة LaTeX.

مُلَخَّص

تحظى النماذج الكبيرة للرؤية الحديثة (مثل SAM) بقدرات هائلة في دعم الإدراك الذكي ودقته العالية. ومع ذلك، فإن القيود المتعلقة بالموارد في بيئة IoT غالباً ما تعيق إمكانية نشر هذه النماذج الكبيرة محلياً، مما يؤدي إلى تأخر ملحوظ في عملية الاستدلال ويجعل من الصعب دعم التطبيقات الفورية مثل القيادة الذاتية والروبوتات. يتيح التعاون بين الحافة والسحابة، مع الاستخدام المشترك للنموذج الكبير والصغير، مقاربة واعدة لتحقيق استدلال دقيق مع كمون منخفض. بيد أن طرق التعاون 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 على السحابة والنموذج الخفيف على الحافة قابلين للتوصيل والتشغيل بشكل مستقل. نعتمد استراتيجية تعاون مبنية على تصنيف المدخلات الصعبة، لتحقيق كلٍ من الدقة العالية والكمون المنخفض. كما نقترح آلية تحديث النموذج الخفيف على الحافة واستراتيجيته التعاونية تحت إشراف النموذج الكبير، لتمكين التكيف مع تدفقات البيانات المتغيرة في IoT. تؤكد التحليلات النظرية جدوى LAECIPS. إذ تُظهر التجارب العملية في نظام تجزئة دلالية روبوتية باستخدام مجموعات بيانات حقيقية أن LAECIPS يفوق أحدث المنافسين من حيث الدقة والكمون وتكاليف الاتصال، مع تحسين القدرة على التكيف مع البيئات الديناميكية.

مُقَدِّمَة

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 المبني على IoT مزيجاً من الدقة العالية والكمون المنخفض لتلبية متطلبات التطبيقات الفورية (zhou2019edge). عادةً ما يتم نشر نماذج التعلم الآلي على أجهزة الحافة قرب المستخدمين لتقليل زمن الاستجابة. ومع ذلك، من ناحية، تقيد الموارد المحدودة على هذه الأجهزة قدرتها على استضافة النماذج المعقدة (shuvo2022efficient)، ومن ناحية أخرى، قد تعاني النماذج الخفيفة منها من انخفاض في دقة الاستدلال، خصوصاً في الحالات الحرجة (zhang2022advancing). بالإضافة إلى ذلك، قد تواجه النماذج المدربة مسبقاً على الحافة تحولات في توزيع البيانات عند انتقال الروبوت إلى بيئات غير متوقعة أو المركبة الذاتية القيادة إلى مناطق جديدة (de2021continual)، مما ينعكس سلباً على الأداء.

شهدنا مؤخراً تقدماً ملحوظاً في تطوير نماذج الرؤية الكبيرة، مثل “Segment Anything Model” من Meta (kirillov2023segment). تُظهر هذه النماذج دقة عالية جداً 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 يسبب كموناً إضافياً نتيجة نقل البيانات بين الحافة والسحابة. لذا، تبرز مسألة كيفية الاستفادة الكاملة من مزايا نموذج الرؤية الكبير لتحقيق استدلال دقيق مع الحد من زمن الاستجابة في بيئات IoT محدودة الموارد.

قد يُعالج هذا الأمر عبر التعاون بين الحافة والسحابة للاستدلال التشاركي بين النموذج الكبير والصغير (wang2020convergence, duan2022distributed). ففي هذا الأسلوب، يستضيف نموذج الرؤية الكبير السحابة بينما يعمل نموذج خفيف على الحافة، ويحدد بروتوكول التعاون لكل إدخال ما إذا كان الاستدلال يتم محلياً أو يُرسل إلى السحابة. لكن الطرق الحالية تفتقر إلى المرونة في الهيكلية ولا تدعم التكيف مع بيئات IoT المتغيرة.

  1. 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 الواسعة أن هذا الإطار يحقق دقة أعلى بشكل ملحوظ، وأدنى زمن معالجة للمهام وتكاليف اتصال مقارنة بأفضل الأساليب المنافسة.

ينظم باقي المقال كما يلي. يستعرض القسم [sec: related work] الأعمال ذات الصلة. يعرض القسم [sec:method] التفاصيل التقنية لطريقة Large Area Edge-Cloud Inference and Processing System. يقدم القسم [sec:theory] الأدلة النظرية على قدراته. تناقش النتائج التجريبية في القسم [sec:evaluation]. وأخيراً نستخلص النتائج في القسم [sec: conclusion].

الأعمال ذات الصلة

تنقسم الأبحاث حول الاستدلال التعاوني بين السحابة والحافة إلى فئتين رئيسيتين: تقسيم النموذج وتعاون النموذج الكبير/الصغير.

تقسيم النموذج

يقوم تقسيم النموذج بتوزيع أجزاء من ...

الخلاصة

تناولت هذه الورقة مسألة التعاون على الخط بين الحافة والسحابة في بيئات ديناميكية، مع التركيز على دمج نماذج الرؤية الكبيرة في منظومة إنترنت الأشياء. وُضعت استراتيجيات تعاون متوازنة تلبي متطلبات الاستجابة الفورية والحوسبة على الحافة، مع تعزيز دقة الاستدلال. نعتمد في حلنا إطار عمل LAECIPS الذي يجمع نموذج رؤية كبير مستضافاً على السحابة ونموذجاً خفيفاً على الحافة، ويعتمد على استدلال تشاركي مبني على تصنيف المدخلات الصعبة. يرسل الإطار المدخلات الصعبة فقط إلى السحابة ويحدث نموذج الحافة بشكل تكيفي مستفيداً من مخرجات نموذج الرؤية الكبير لضمان الصمود أمام التغيرات البيئية. استُخلص حد الخطأ العامي للإطار، وأُجريت تقييمات شاملة باستخدام بيانات حقيقية في مهام تجزئة دلالية روبوتية. تؤكد النتائج النظرية والتجريبية فعالية وجدوى LAECIPS. نعتقد أن هذا العمل يضع أساساً متيناً لتعاون النماذج الكبيرة على الحافة في سياق إنترنت الأشياء، ونعتزم في المستقبل توسيع نطاق التطبيق إلى سيناريوهات وسائط متعددة أخرى.

``` **ملاحظات:** - لا توجد معادلات LaTeX في النص الحالي، فقط إشارات إلى وجود معادلات. - جميع العناصر البرمجية الخاصة بـ LaTeX (MathJax) موجودة وصحيحة. - لا توجد أقواس أو صيغ رياضية تحتاج تصحيحاً في LaTeX. - النص كامل ولم يتم حذف أي جزء منه. - لا توجد أخطاء LaTeX في النص الحالي.