جدول المحتويات
الذكاء الاصطناعي الطرفي (Edge AI) في المصنع يعني تشغيل نموذج مدرَّب على عتاد قرب الآلة، مثل وحدة في المتحكم المنطقي المبرمج (PLC) أو كاميرا ذكية أو حاسوب صناعي، بدل خادم مركزي. ويُستخدم عندما يجب أن يصدر القرار خلال أجزاء من الثانية، أو عندما تكون البيانات مثل الفيديو أثقل من أن تُرسل، أو عندما يجب أن يعمل الخط دون شبكة.
أهم النقاط
- يشير الدليل المشترك الذي تقوده CISA إلى أن بعض المتحكمات المنطقية المبرمجة الحديثة أو المتحكمات الطرفية تشغّل بالفعل نماذج خفيفة مدرَّبة مسبقًا لمهام مثل كشف الشذوذ محليًا (CISA et al., 2025).
- يمتد العتاد من وحدات الـ PLC إلى معالجات GPU المدمجة. وتحدد NVIDIA لوحدة Jetson AGX Orin Industrial نطاق تشغيل من -40 إلى 85 درجة مئوية وعمرًا تشغيليًا مدته 10 سنوات (NVIDIA).
- يتيح التكميم (quantization) ملاءمة النماذج للأجهزة الصغيرة: فالتكميم الصحيح الكامل يجعل النموذج أصغر بأربع مرات وأسرع بأكثر من ثلاث مرات، لكنه قد يخفض الدقة، خاصة في الشبكات الأصغر (Google LiteRT).
- درّبوا على الخوادم، وشغّلوا على الأطراف، وأديروا النماذج كحزم ذات إصدارات تواصل العمل عند انقطاع الشبكة.
- النموذج الذي يتحكم في الآلة جزء من نظام التحكم: يحتاج إلى وضع احتياطي وإدارة للتغيير ومراقبة للانجراف.
ما الذي يُعدّ «طرفيًا» في المصنع؟
يصف NIST الحوسبة الطرفية (edge computing) بأنها طبقة الأجهزة النهائية التي توفر «قدرة حوسبة محلية على مستشعر أو عدّاد أو أجهزة أخرى يمكن الوصول إليها عبر الشبكة» (NIST SP 500-325). وفي ورشة الإنتاج، يعني ذلك وحدة في حامل الـ PLC، أو كاميرا ذكية فوق سير ناقل، أو حاسوبًا صناعيًا بلا مروحة في خزانة الآلة.
والطرفي ليس مرادفًا للمحلي. فخادم GPU في قاعة الخوادم بالموقع محلي (on-premise)، لكنه ليس طرفيًا: إذ يقع في المستوى 3 أو 4 من نموذج Purdue، بعيدًا عن الآلة. ويُدرج الدليل الذي تقوده CISA النماذج الطرفية ضمن المستوى 1، حيث «تشغّل بعض المتحكمات المنطقية المبرمجة الحديثة أو المتحكمات الطرفية نماذج تنبؤية خفيفة مدرَّبة مسبقًا» لكشف الشذوذ محليًا وموازنة الأحمال والحفاظ على حالة آمنة معروفة (CISA et al., 2025).
متى يجب أن يجري الاستدلال على الطرف؟
أربعة أسباب تبرر وضع النموذج قرب الآلة.
التوقيت. يجب أن تعمل بوابة الرفض أو التقاط الروبوت أو إشارة الإيقاف ضمن دورة الآلة. ويحذّر الدليل الذي تقوده CISA من أن أنظمة الذكاء الاصطناعي «قد لا تفي بمتطلبات التوقيت الصارمة لبيئات OT»، وأن ذلك أهم عندما يشارك نظام الذكاء الاصطناعي في التحكم. والنموذج الموجود داخل المتحكم أو بجانبه يتجنب رحلة الذهاب والإياب عبر الشبكة.
حجم البيانات. تنتج الكاميرات ومستشعرات الاهتزاز بيانات أكثر بكثير مما يحتاجه القرار. فكاميرا ملونة واحدة بدقة 1080p دون ضغط وبمعدل 30 صورة في الثانية تنتج 1,920 × 1,080 × 3 بايت × 30، أي نحو 187 ميغابايت في الثانية أو 1.5 غيغابت في الثانية بحسب حسابنا، وهو أكثر مما تنقله وصلة غيغابت. وكثيرًا ما تستخدم الكاميرات الفعلية مستشعرات أحادية اللون أو معدلات صور أقل أو الضغط، لكن إرسال حكم من بضعة بايتات بدل الصور يبقى التصميم الأبسط.
التوافر. الخط الذي يعتمد على خادم مركزي يتوقف عندما تتوقف الشبكة. أما النموذج الموجود على الجهاز فيواصل الفحص أثناء عطل في المبدّل (switch) أو تحديث للخادم. وللمواقع التي تكون صلتها بالمقر نفسها غير موثوقة، راجعوا الذكاء الاصطناعي في المواقع النائية ضعيفة الاتصال.
احتواء البيانات. لا تحتاج صور المنتجات أو محطات المشغلين أو بيانات العملية إلى مغادرة الخلية أبدًا؛ إذ لا يخرج منها إلا النتائج والملخصات.
وعندما لا ينطبق أي من هذه الأسباب، يكون الخادم عادةً أسهل تشغيلًا. فـالمستشعر البرمجي الذي يُحدَّث كل دقيقة، أو النموذج الذي يحتاج إلى بيانات المصنع بأكمله، أو المساعد الذي يجيب من الوثائق، مكانه الخادم.
| أين يعمل النموذج | أمثلة على العتاد | هل يواصل العمل إذا تعطلت شبكة المصنع | النماذج المعتادة | من يملك قرار التغيير |
|---|---|---|---|---|
| داخل المتحكم | وحدة ذكاء اصطناعي للـ PLC، محرك استدلال داخل بيئة تشغيل الـ PLC | نعم | مصنِّفات صغيرة، درجات شذوذ لإشارات الآلة | مهندسو التحكم، وفق إجراءات تغيير منطق التحكم |
| بجانب الآلة | كاميرا ذكية، جهاز GPU مدمج، حاسوب صناعي | نعم | الفحص البصري، تحليل الاهتزاز، النماذج اللغوية الصغيرة | فرق الأتمتة والبيانات معًا |
| قاعة خوادم الموقع | خوادم GPU في المستوى 3 أو 4 | لا، بالنسبة لمستخدمي الورشة | التدريب، النماذج التنبؤية على مستوى المصنع، مساعدات LLM | فرق تقنية المعلومات والبيانات |
| السحابة | مراكز بيانات المزوّد | لا | التدريب والتحليلات، إذا سُمح للبيانات بمغادرة الموقع | تقنية المعلومات والمزوّد |
ما العتاد الذي يشغّل الذكاء الاصطناعي الطرفي؟
داخل المتحكم. في عام 2018 أطلقت Siemens وحدة TM NPU لمتحكمات S7-1500 ونظام ET 200MP، مزوّدة بوحدة معالجة الرؤية Intel Movidius Myriad X، ومنافذ USB 3.1 وGigabit Ethernet للكاميرات أو الميكروفونات، وشبكة عصبية مدرَّبة تُحمَّل من بطاقة SD؛ وتُقيَّم النتائج في برنامج وحدة المعالجة المركزية للمتحكم (Siemens). أما Beckhoff فتسلك طريقًا برمجيًا: إذ تنفّذ محركات الاستدلال في TwinCAT نماذج مصدَّرة بصيغة ONNX «مباشرة في سياق الزمن الحقيقي لنظام التحكم»، ويستخدم خيار خادم منفصل معالجات GPU لمعالجة «شبه آنية» للنماذج الأكبر (Beckhoff).
وحدات GPU المدمجة. عائلة NVIDIA Jetson Orin خيار شائع للرؤية على الأطراف. الأرقام من مواصفات NVIDIA:
| الوحدة | أداء الذكاء الاصطناعي (INT8 متناثر) | الذاكرة | نطاق القدرة |
|---|---|---|---|
| Jetson Orin Nano 8GB (Super) | 67 TOPS | 8 غيغابايت | من 7 إلى 25 واط |
| Jetson Orin NX 16GB | 157 TOPS | 16 غيغابايت | من 10 إلى 40 واط |
| Jetson AGX Orin 64GB | 275 TOPS | 64 غيغابايت | من 15 إلى 60 واط |
| Jetson AGX Orin Industrial | 248 TOPS | 64 غيغابايت مع ECC | من 15 إلى 75 واط |
اقرؤوا قيمة TOPS على أنها ذروة لا سرعة نموذجكم. فبالنسبة لـ Orin Nano 8GB في وضع Super، تعطي NVIDIA قيمة 67 TOPS في الحساب المتناثر (sparse) و33 TOPS في الحساب الكثيف (dense) (NVIDIA, 2025). كما تذكر الوحدة الصناعية دعم ECC المدمج، وتصنيفات لتحمّل الصدمات والاهتزاز، وعمرًا تشغيليًا مدته 10 سنوات مقابل 5 سنوات للنسخة التجارية.
الحواسيب الصناعية. كثير من الخطوط مزوّدة أصلًا بحواسيب صناعية من نوع x86. وتشغّل مجموعة الأدوات مفتوحة المصدر OpenVINO من Intel الاستدلال على وحدات CPU ومعالجات GPU من Intel ووحدات NPU من Intel، وتقبل نماذج من PyTorch وTensorFlow وONNX وأطر عمل أخرى (OpenVINO).
هل يمكن تشغيل نموذج لغوي على الطرف؟
النماذج الصغيرة نعم. قاست NVIDIA سرعات التوليد التالية على Jetson Orin Nano 8GB في وضع Super، مع تكميم 4 بت (NVIDIA, 2025):
| النموذج | رموز (tokens) في الثانية |
|---|---|
| Llama 3.2 3B | 43.1 |
| Qwen 2.5 7B | 21.8 |
| Llama 3.1 8B | 19.1 |
وهذا يكفي لمشغّل واحد يطرح سؤالًا في محطة عمله. لكنه لا يكفي لمساعد على مستوى الموقع يجيب عددًا كبيرًا من المستخدمين من وثائق طويلة بالعربية والفرنسية والإنجليزية؛ فذلك يحتاج إلى خادم محسوب للطلبات المتزامنة، كما يشرح دليلنا لتحديد حجم معالجات GPU. ويتناول دليلنا حول النماذج اللغوية الصغيرة المهام التي يؤديها نموذج من 3B إلى 8B جيدًا، ويجعل التكميم إلى 4 بت الاختبار على أسئلتكم الخاصة أكثر أهمية.
كيف يُلاءَم النموذج مع العتاد الطرفي؟
استخدام صيغة تبادل مفتوحة. ONNX هي «صيغة مفتوحة مصممة لتمثيل نماذج تعلّم الآلة»، بحيث يمكن لنموذج دُرّب في إطار عمل أن يعمل في محرك استدلال آخر (ONNX). وتقبلها محركات Beckhoff وOpenVINO كلاهما.
كمّموا ثم قيسوا. تذكر وثائق LiteRT من Google أن التكميم ذا النطاق الديناميكي يجعل النموذج أصغر بأربع مرات وأسرع بمرتين إلى ثلاث، وأن التكميم الصحيح الكامل يجعله أصغر بأربع مرات وأسرع بأكثر من ثلاث مرات، ويناسب الأخير أيضًا المتحكمات الدقيقة ووحدات Edge TPU (Google LiteRT). ويحذّر ONNX Runtime من أن التكميم «ليس تحويلًا دون فقد»، ويوصي بالتكميم الساكن مع بيانات معايرة لشبكات CNN، وهي البنية التي تقوم عليها كثير من نماذج الرؤية، وبالتكميم الديناميكي لنماذج transformer (ONNX Runtime).
شغّلوا النموذج المكمَّم والنموذج كامل الدقة على مجموعة الاختبار المحجوزة نفسها، بما فيها العيوب النادرة وظروف التشغيل غير المعتادة، قبل قبول النموذج الأصغر.
كيف يُنشر الذكاء الاصطناعي الطرفي خطوة بخطوة؟
- تحديد القرار ومهلته. ما الذي يقرره النموذج، وبأي سرعة، وما الذي تفعله الآلة إذا لم يُجب النموذج. ويطلب الدليل الذي تقوده CISA آليات أمان ترجع إلى الأتمتة التقليدية أو التشغيل اليدوي.
- جمع البيانات في محطة العمل. باستخدام الكاميرا والإضاءة والمستشعرات الحقيقية، عبر الورديات والمنتجات والفصول. ويتناول دليلنا حول الرؤية الحاسوبية لكشف العيوب الصور ووسمها.
- التدريب على خوادم تتحكمون فيها، حيث يوجد سجل البيانات وقدرة الحوسبة.
- التصدير والتكميم والتحقق من الدقة مقارنة بالنموذج كامل الدقة، كما سبق.
- قياس الأداء على الجهاز المستهدف في وضع القدرة ودرجة الحرارة والحمل البرمجي التي سيعمل بها في الخدمة.
- التشغيل في وضع الظل (shadow mode). يسجّل النموذج أحكامه بينما يعمل الخط كما كان، ويقارنها المهندسون بالواقع.
- التشغيل الفعلي في إطار إدارة التغيير، مع اختبار الوضع الاحتياطي والاحتفاظ بالإصدار السابق للرجوع إليه.
- المراقبة والتحديث. تتبّع الدقة وبيانات الإدخال عبر الزمن، كما يصف دليلنا حول مراقبة انجراف النماذج.
كيف تُدار النماذج على عدد كبير من الأجهزة؟
تعاملوا مع كل نموذج كحزمة برمجية ذات إصدار. ففي Azure IoT Edge مثلًا، الوحدات (modules) هي صور حاويات، والأجهزة «يمكنها مواصلة العمل إلى أجل غير محدد» دون اتصال بعد مزامنة أولى واحدة مع الخدمة السحابية. وتنتهي صلاحية الرسائل المنتظرة للإرسال بعد مدة صلاحية (TTL) افتراضية قدرها 7,200 ثانية (ساعتان)، لذا ارفعوها إذا كانت الانقطاعات قد تطول أكثر (Microsoft). ويمكن للمصانع التي لا تريد الاعتماد على السحابة تشغيل مستوى التحكم على خوادمها الخاصة: فـ KubeEdge، وهو مشروع متخرج (graduated) في مؤسسة Cloud Native Computing Foundation، يدعم «التشغيل الذاتي للأطراف حتى أثناء الانقطاع عن السحابة» (KubeEdge).
وأيًا كانت الأداة، تنطبق أربع قواعد:
- ادفعوا النتائج إلى الخارج ولا تفتحوا مسارات إلى الداخل. يفضّل الدليل الذي تقوده CISA البنى القائمة على الدفع (push) أو على وسيط (broker)، والتي تُخرج الخصائص أو الملخصات من شبكة OT دون منح وصول وارد دائم. ونشر الأحكام إلى وسيط، كما في مساحة الأسماء الموحدة (Unified Namespace)، يتوافق مع هذا النمط.
- أمّنوا الأجهزة بوصفها مكونات OT. يحدد المعيار ISA/IEC 62443-4-2 المتطلبات الأمنية التقنية لمكونات أنظمة الأتمتة والتحكم الصناعية (IACS) (ISA). ويتناول مقالنا حول الأمن السيبراني لشبكات OT عند إضافة الذكاء الاصطناعي بقية الجوانب.
- احتفظوا بسجل لما يعمل وأين: الجهاز، وإصدار النموذج، وبيانات التدريب، وتاريخ النشر.
- حدّثوا وتحققوا بانتظام. يطلب الدليل نفسه من المشغّلين تحديث نماذج الذكاء الاصطناعي والتحقق من دقتها وفعاليتها بانتظام. وللمواقع المعزولة، خطّطوا لكيفية إدخال الإصدارات الجديدة؛ راجعوا نشر الذكاء الاصطناعي في بيئة معزولة (air-gapped).
ما لاحظناه في KABAS AI
يعمل DALILE دون اتصال تمامًا على خوادم العميل الخاصة، ويتصل بأنظمة مثل SAP وOracle وأنظمة LIMS وأنظمة إدارة الوثائق وقواعد بيانات SQL. وهو نظام يعمل على الخوادم وليس جهازًا طرفيًا، وهذا التقسيم يلخّص التوجيه العملي الذي نقدمه: ضعوا القرارات المحددة والسريعة على أجهزة طرفية قرب الآلة، واحتفظوا بالتدريب وإدارة الأسطول والمساعدات القائمة على النماذج اللغوية على خوادم تتحكمون فيها.
ويلتقي الجانبان عبر البيانات. فعندما تكتب الأجهزة الطرفية نتائجها، مثل أعداد العيوب أو تنبيهات الشذوذ، في قاعدة بيانات يستطيع المساعد الوصول إليها، يمكن للمهندسين الاستعلام عن هذه النتائج إلى جانب الأدلة الفنية وسجلات الجودة بدل استخدام أداة منفصلة أخرى. والأرقام الواردة في هذا المقال مأخوذة من المصادر العامة المذكورة، لا من عمليات نشر قامت بها KABAS. ويتولى فريق نظم المعلومات لدينا رسم خرائط هذه الأنظمة ودمجها، وتصف صفحة الصناعة التحويلية كيف ندعم فرق الإنتاج والجودة.
المصادر
- CISA, ASD's ACSC and partners, Principles for the Secure Integration of Artificial Intelligence in Operational Technology, December 2025
- NIST SP 500-325, Fog Computing Conceptual Model, 2018
- Siemens, Artificial Intelligence for Simatic, press release PR2018110017DFEN, November 2018
- Beckhoff, TwinCAT 3 Machine Learning
- NVIDIA, Jetson Orin technical specifications
- NVIDIA, JetPack 6.2 Brings Super Mode to NVIDIA Jetson Orin Nano and Jetson Orin NX Modules, January 2025
- OpenVINO toolkit, GitHub repository
- ONNX, Open Neural Network Exchange
- Google, LiteRT post-training quantization
- ONNX Runtime, Quantize ONNX models
- Microsoft, Operate Azure IoT Edge devices offline
- Microsoft, How Azure IoT Edge modules run logic on devices
- KubeEdge project website
- ISA, ISA/IEC 62443 series of standards
الأسئلة الشائعة
ما الفرق بين الذكاء الاصطناعي الطرفي والذكاء الاصطناعي المحلي (on-premise)؟
كلاهما يبقي البيانات داخل موقعكم. يعمل الذكاء الاصطناعي المحلي عادةً على خوادم في قاعة الخوادم ويخدم عددًا كبيرًا من المستخدمين أو الخطوط من مكان واحد. أما الذكاء الاصطناعي الطرفي فيعمل على أجهزة صغيرة قرب الآلة، مثل وحدة في المتحكم المنطقي المبرمج (PLC) أو كاميرا ذكية أو حاسوب صناعي، ليستجيب ضمن توقيت الآلة ويواصل العمل إذا تعطلت شبكة المصنع. وتحتاج معظم المصانع إلى الاثنين: الأجهزة الطرفية للقرارات المحلية السريعة، والخوادم للتدريب وإدارة الأسطول والنماذج اللغوية.
هل أحتاج إلى GPU للذكاء الاصطناعي الطرفي؟
ليس دائمًا. يمكن لنماذج التصنيف أو كشف الشذوذ الصغيرة أن تعمل على CPU، خاصة بعد التكميم إلى 8 بت، وبعض المتحكمات تشغّلها داخل بيئة تشغيل الـ PLC. وتوجد أيضًا مسرّعات مثل وحدات NPU من Intel أو وحدة معالجة الرؤية في وحدة مركّبة على الـ PLC. أما معالجات GPU المدمجة مثل وحدات NVIDIA Jetson فتُبرَّر للفحص بالكاميرا بمعدلات صور عالية أو لتشغيل عدة نماذج على جهاز واحد.
هل يعمل الذكاء الاصطناعي الطرفي دون اتصال بالإنترنت؟
نعم. يجري الاستدلال على الجهاز نفسه فلا يحتاج إلى الإنترنت. كما صُممت أدوات الإدارة لذلك: إذ توضح Microsoft أن أجهزة Azure IoT Edge تواصل العمل دون اتصال إلى أجل غير محدد بعد مزامنة أولى واحدة، ويدعم KubeEdge التشغيل الذاتي أثناء الانقطاع عن السحابة. وما تفقده أثناء الانقطاع هو التحديثات عن بُعد والمراقبة المركزية، لذا خطّطوا لكيفية وصول الإصدارات الجديدة من النماذج إلى الموقع.
هل ينبغي أن يتحكم النموذج الطرفي في الآلة مباشرة؟
يمكنه ذلك، مثلًا بتشغيل بوابة رفض على سير ناقل، لكنه يصبح عندئذ جزءًا من نظام التحكم ويجب أن يخضع لمراجعة السلامة وإدارة التغيير نفسيهما المطبقتين على منطق التحكم. ويوصي الدليل المشترك الذي تقوده CISA بالحد من التحكم الفعلي للذكاء الاصطناعي دون وجود إنسان في الحلقة، وبتوفير آليات أمان ترجع إلى الأتمتة التقليدية أو التشغيل اليدوي. ولا تستخدموا نموذج ذكاء اصطناعي أبدًا كوظيفة سلامة.
هل يمكن تشغيل نموذج لغوي على جهاز طرفي؟
النماذج الصغيرة نعم. تذكر NVIDIA نحو 19 رمزًا (token) في الثانية لنموذج Llama 3.1 8B على Jetson Orin Nano 8GB في وضع Super مع تكميم 4 بت. وهذا يناسب مشغّلًا واحدًا في محطة عمل، لا مساعدًا على مستوى الموقع يجيب عددًا كبيرًا من المستخدمين من وثائق طويلة، فمكان ذلك الخادم.
كم مرة يجب تحديث النماذج الطرفية؟
لا توجد فترة ثابتة. حدّثوا النموذج عندما تُظهر المراقبة تراجعًا في الدقة، أو بعد تغيير في المنتج أو الكاميرا أو الإضاءة أو العملية، أو عندما ينجح نموذج أفضل في اختباراتكم. ويجب أن يمر كل تحديث بالاختبار والتشغيل الموازي وإدارة التغيير مثل أي تعديل آخر على الخط.



