نموذج LAECIPS: التعاون التكيُّفي بين الحافة والسحابة مدعومًا بنموذج رؤية كبير لنظام إدراك قائم على IoT

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

المعادلات (إن وُجدت) تُكتَب بلغة LaTeX وتُعرَض عبر MathJax.

المُلخَّص

تتحلّى نماذج الرؤية الكبيرة الحديثة (مثل SAM) بقدراتٍ راسخة في دعم الإدراك الذكي مع دقّةٍ عالية. غير أنّ القيود على الموارد في بيئات IoT كثيرًا ما تُعيق نشر هذه النماذج محليًّا، ما يفضي إلى كمونٍ ملحوظ في الاستدلال ويُصعِّب دعم التطبيقات الفوريّة مثل القيادة الذاتيّة والروبوتات. يُمثّل التعاون بين الحافة والسحابة، مع التوظيف المشترك لنموذجٍ كبير وآخر خفيف، مقاربةً واعدة لتحقيق استدلالٍ دقيقٍ بكمونٍ منخفض. بيد أنّ الأساليب الحالية للتعاون تفتقر إلى المرونة اللازمة للتكيُّف مع التحوّلات الديناميكية في بيانات بيئات IoT المتنوّعة.

لمعالجة ذلك، نقترح إطار LAECIPS للتعاون التكيُّفي بين الحافة والسحابة. في هذا الإطار، يكون نموذج الرؤية الكبير على السحابة والنموذج الخفيف على الحافة قابلَين للتوصيل والتشغيل بشكلٍ مستقل. نعتمد استراتيجيّة تعاون قائمة على تقدير صعوبة المُدخلات، بغية الجمع بين الدقّة العالية والكمون المنخفض. كما نقترح آليّة لتحديث نموذج الحافة واستراتيجيّته التعاونية بإشراف النموذج الكبير، لتمكين التكيُّف مع تدفّقات البيانات المتغيّرة في IoT. تؤكِّد التحليلات النظريّة جدوى LAECIPS؛ وتُظهر التجارب العمليّة على نظام تجزئة دلاليّة روبوتي باستخدام مجموعات بيانات واقعيّة أنّ LAECIPS يتفوّق على أحدث المنافسين من حيث الدقّة والكمون وتكاليف الاتصال، مع تحسين القدرة على التكيُّف مع البيئات الديناميكية.

المُقَدِّمَة

يُستَخدَم التعلُّم الآلي على نطاقٍ واسع لدعم الإدراك الذكي في إنترنت الأشياء عبر تطبيقاتٍ متنوّعة مثل المراقبة الروبوتية والقيادة الذاتيّة (prakash2021multi, zhou2019anomalynet). وغالبًا ما يتطلّب الإدراك القائم على IoT مزيجًا من الدقّة العالية والكمون المنخفض لتلبية متطلّبات التطبيقات الفوريّة (zhou2019edge). عادةً ما تُنشَر نماذج التعلُّم الآلي على أجهزة الحافة قرب المستخدمين لتقليل زمن الاستجابة. ومع ذلك، فمن ناحيةٍ أولى، تُقيِّد الموارد المحدودة في هذه الأجهزة قدرتها على استضافة النماذج المعقّدة (shuvo2022efficient)، ومن ناحيةٍ أخرى قد تُعاني النماذج الخفيفة من انخفاضٍ في دقّة الاستدلال، خصوصًا في الحالات الحرِجة (zhang2022advancing). إضافةً إلى ذلك، قد تُواجِه النماذج المُدرَّبة مسبقًا على الحافة تحوّلاتٍ في توزيع البيانات عند انتقال الروبوت إلى بيئاتٍ غير متوقعة أو المركبة ذاتيّة القيادة إلى مناطق جديدة (de2021continual)، ما ينعكس سلبًا على الأداء.

شهدت الآونة الأخيرة تقدّمًا ملحوظًا في نماذج الرؤية الكبيرة، مثل «Segment Anything Model» من Meta (kirillov2023segment). تُظهِر هذه النماذج دقّةً عاليةً وقدرةً قويّة على مقاومة تحوّلات توزيع البيانات في مهام الإدراك الذكي (wssam). إلا أنّها تتطلّب موارد حسابية هائلة متوافرة عادةً في مراكز البيانات السحابيّة، ما يُسبّب كمونًا إضافيًّا جرّاء نقل البيانات بين الحافة والسحابة. لذا، يبرز التحدّي: كيف نُحسِن توظيف مزايا نموذج الرؤية الكبير لتحقيق استدلالٍ دقيق مع الإبقاء على كمونٍ منخفض في بيئات IoT محدودة الموارد؟

يمكن معالجة ذلك عبر التعاون الحافة-السحابة لإجراء استدلالٍ تشاركي بين النموذج الكبير والخفيف (wang2020convergence, duan2022distributed). في هذا النهج، يُستضاف نموذج الرؤية الكبير على السحابة بينما يعمل نموذجٌ خفيف على الحافة، ويُحدِّد بروتوكول التعاون لكل مُدخل ما إذا كان الاستدلال يتمّ محليًّا أم يُرسَل إلى السحابة. غير أنّ الأساليب الراهنة تفتقد مرونة البنية ولا تدعم التكيُّف مع بيئات IoT المتغيّرة.

تتلخّص مساهمتنا الرئيسة فيما يلي:

  1. نُطبِّق إطار LAECIPS (اختصارًا لـ Large-model Assisted Edge-Cloud Intelligent Perception System) على نظام تجزئة دلاليّة روبوتي في بيئة حقيقيّة بين الحافة والسحابة لإثبات قابليّة التطبيق. وتُظهِر النتائج التجريبية الواسعة أنّ الإطار يُحقّق دقّة أعلى بشكلٍ ملحوظ، وكمون معالجة أدنى، وتكاليف اتصال أقل مقارنةً بأفضل الأساليب المنافسة.

يُنظَّم باقي المقال كما يلي: نستعرض الأعمال ذات الصلة، ثم نعرض تفاصيل منهجيّتنا في إطار LAECIPS وتحليلنا النظري، فنتائج التقييم التجريبي، وأخيرًا نختتم بالخُلاصة.

الأعمال ذات الصلة

تنقسم الأبحاث حول الاستدلال التعاوني بين السحابة والحافة إلى فئتَين رئيسيتَين: تقسيم النموذج والتعاون بين النموذج الكبير والخفيف.

تقسيم النموذج

يقوم تقسيم النموذج بتوزيع أجزاء من …

الخُلاصة

تناولت هذه الورقة مسألة التعاون الآني بين الحافة والسحابة في بيئاتٍ ديناميكيّة، مع التركيز على دمج نماذج الرؤية الكبيرة ضمن منظومة إنترنت الأشياء. وضعنا استراتيجيّات تعاون متوازنة تلبّي متطلّبات الاستجابة الفوريّة والحوسبة على الحافة، مع تعزيز دقّة الاستدلال. يعتمد حلّنا إطار LAECIPS الذي يجمع نموذج رؤية كبيرًا مُستضافًا على السحابة ونموذجًا خفيفًا على الحافة، ويرتكز إلى استدلالٍ تشاركي قائم على تقدير صعوبة المُدخلات. لا يُرسِل الإطار إلى السحابة إلّا المُدخلات الصعبة، كما يُحدِّث نموذج الحافة بشكلٍ تكيُّفي مستفيدًا من مخرجات نموذج الرؤية الكبير لضمان التكيُّف مع التغيُّرات البيئيّة. استُخلِص حدّ خطأ التعميم للإطار، وأُجريت تقييمات شاملة باستخدام بياناتٍ واقعيّة في مهام التجزئة الدلاليّة الروبوتيّة. تُؤكِّد النتائج النظريّة والتجريبيّة فعاليّة وجدوى LAECIPS. نرى أنّ هذا العمل يضع أساسًا متينًا لتعاون النماذج الكبيرة على الحافة في سياق إنترنت الأشياء، ونعتزم مستقبلًا توسيع نطاق التطبيق إلى سيناريوهات وسائط متعدّدة أخرى.