در سالهای اخیر، هوش مصنوعی (AI) از یک مفهوم آیندهنگرانه به یک ابزار کاربردی در صنعت نظارت تصویری تبدیل شده است. اما سوال کلیدی دیگر این نیست که آیا از هوش مصنوعی استفاده کنیم، بلکه این است که این هوش کجا باید مستقر شود؟ به طور سنتی، مغز متفکر سیستمهای امنیتی در سرورهای مرکزی یا فضای ابری (Cloud) قرار داشت؛ جایی که حجم عظیمی از دادههای ویدئویی برای تحلیل ارسال میشد. اما اکنون، یک تغییر پارادایم در حال وقوع است: انتقال هوش مصنوعی به لبه شبکه (Edge)، یعنی مستقیماً روی خود دوربینها.
این دوربینهای هوشمند، که به آنها دوربینهای AI گفته میشود، دیگر تنها چشمانی برای دیدن نیستند؛ آنها مغزهایی برای فهمیدن و تحلیل در لحظه هستند. اما آیا قرار دادن این هوش قدرتمند در دستگاهی به کوچکی یک دوربین، همیشه بهترین راهحل است؟ این مقاله به بررسی عمیق مزایا و معایب این رویکرد تحولآفرین میپردازد.
مزایای قرار دادن هوش مصنوعی در لبه
اجرای تحلیلهای هوشمند مستقیماً روی دوربین، مزایای استراتژیک و عملیاتی قابل توجهی را به همراه دارد که در ادامه به تفصیل بررسی میشوند.
۱. کاهش هزینه کل مالکیت (TCO)
اگرچه هزینه اولیه خرید دوربینهای AI ممکن است بالاتر از دوربینهای استاندارد باشد، اما در بلندمدت، این رویکرد به صرفهجویی مالی چشمگیری منجر میشود. شای کامین براون، مدیر بازاریابی محصولات AIoT در Ambarella، میگوید: «هوش مصنوعی ابری هزینههای تکرارشوندهای بر اساس انتقال داده، ذخیرهسازی و استفاده از منابع پردازشی دارد که با وجود جریانهای دادهای مداوم و حجیم، میتواند به سرعت افزایش یابد. در مقابل، عوامل هوش مصنوعی در لبه با پردازش محلی دادهها و ارسال تنها خلاصهای از اطلاعات به ابر (در صورت نیاز)، این هزینههای جاری را به شدت کاهش داده و هزینه کل مالکیت قابل پیشبینیتر و اغلب کمتری را ارائه میدهند.»
این تفاوت مانند مقایسه خرید یک خودروی شخصی با استفاده مداوم از تاکسی است. هزینه اولیه خرید خودرو بالاتر است، اما در بلندمدت، هزینههای جاری شما بسیار کمتر از پرداخت کرایههای بیپایان خواهد بود.
۲. کیفیت بالاتر نتایج هوش مصنوعی
یکی از مهمترین و کمتر دیدهشدهترین مزایای پردازش در لبه، کیفیت تحلیل است. به گفته براون، «پردازش هوش مصنوعی روی دوربین، بر روی ویدیوی خام قبل از فشردهسازی و کدگذاری انجام میشود؛ بنابراین تمام جزئیات صحنه و رزولوشن کامل سنسور حفظ میشود.» این در حالی است که در پردازش ابری، هوش مصنوعی روی یک جریان ویدیویی کار میکند که قبلاً فشرده، کدگذاری و سپس کدگشایی شده است. این فرآیندها به ناچار منجر به افت کیفیت میشوند، به خصوص هنگام تلاش برای تشخیص اشیاء کوچک در فواصل دور. این مانند تفاوت بین بررسی یک مدرک اصلی توسط یک کارآگاه و قضاوت بر اساس یک کپی تار و بیکیفیت از آن است.
۳. کاهش تأخیر و مصرف پهنای باند
در کاربردهای امنیتی حیاتی، هر میلیثانیه اهمیت دارد. آدام لوونشتاین، مدیر محصولات قاره آمریکا در i-PRO، میگوید: «تحلیلهای مبتنی بر لبه، تأخیر را در کاربردهای حساس کاهش داده و نیاز به ارسال حجم عظیمی از ویدئو به خارج از سایت را از بین میبرند.» به جای ارسال جریانهای ویدیویی خام برای تحلیل، دوربین تنها متادیتای سبک مربوط به رویدادهای مهم را ارسال میکند. این امر به طور چشمگیری پهنای باند، فضای ذخیرهسازی و چرخههای پردازشی سرورهای پشتیبان را، چه در محل و چه در ابر، کاهش میدهد. این مانند داشتن یک نگهبان امنیتی در محل است که فوراً به یک تهدید واکنش نشان میدهد، در مقابل نگهبانی که از راه دور و با تأخیر، تصاویر را مشاهده میکند.
۴. افزایش حریم خصوصی، امنیت و قابلیت اطمینان
پردازش محلی دادهها به طور ذاتی امنتر است. براون اضافه میکند: «افزایش حریم خصوصی، انطباق با قوانین سختگیرانه حاکمیت داده را ممکن میسازد؛ امنیت بالاتر، آسیبپذیری در برابر حملات شبکهای و نشت دادههای متمرکز را به حداقل میرساند؛ و قابلیت اطمینان بالاتر با عدم وابستگی به اتصال و در دسترس بودن ابر به دست میآید.»
معایب و محدودیتهای هوش مصنوعی در لبه
با وجود مزایای فراوان، قرار دادن هوش مصنوعی روی دوربینها با چالشها و محدودیتهایی نیز همراه است.
۱. محدودیت منابع پردازشی
دوربینها دستگاههای کوچکی هستند. شان اوم، مدیر کل و رئیس تیم توسعه کسبوکار اروپا در IDIS، میگوید: «دوربینها کوچک هستند، به این معنی که سختافزار آنها محدود است و اغلب از پردازندههای کممصرف برای صرفهجویی در انرژی و کاهش گرما استفاده میکنند. تحلیلهای پیچیده مانند تشخیص چهره و تحلیل رفتار، به منابع محاسباتی بیشتری نیاز دارند.» این مانند تفاوت بین قدرت پردازشی یک گوشی هوشمند و یک ابرکامپیوتر است؛ شما نمیتوانید انتظار داشته باشید که گوشی شما همان محاسبات پیچیده را با همان سرعت انجام دهد.
۲. چالشهای بهروزرسانی تحلیلها
بهروزرسانی الگوریتمهای تحلیلی روی صدها یا هزاران دوربین نصبشده در یک مجموعه، بسیار دشوارتر از بهروزرسانی یک نرمافزار متمرکز است. اوم میگوید: «وصلههای امنیتی و ارتقاء مدلها نیز میتواند از نظر لجستیکی چالشبرانگیز شود.»
۳. هزینه اولیه بالاتر
همانطور که اشاره شد، دوربینهای AI قیمت بالاتری دارند. اگرچه هزینه کل مالکیت ممکن است در آینده کمتر باشد، اما بودجه اولیه یک عامل تعیینکننده است. شان اوم اشاره میکند: «بسیاری از کاربران به تحلیلهای پیچیده نیاز ندارند. قابلیتهای تشخیص ضروری که تهدیدات امنیتی معمول و خطرات ایمنی را کاهش میدهند، نیاز اکثر مشتریان را برآورده میکنند. بنابراین، در حال حاضر تقاضای قابل توجهی برای کاربردهای رایج که نیاز به ویژگیهای پیشرفته در لبه داشته باشند، وجود ندارد.»
در نهایت، انتخاب بین پردازش در لبه و پردازش ابری، یک تصمیم استراتژیک است که به نیازهای خاص هر پروژه، بودجه و اولویتهای امنیتی بستگی دارد. آینده احتمالاً در یک مدل هیبریدی نهفته است؛ جایی که تحلیلهای سریع و حیاتی در لبه و پردازشهای پیچیدهتر و تحلیل دادههای کلان در ابر انجام میشود تا بهترینهای هر دو دنیا را در اختیار کاربران قرار دهد.