التعلم الآلي في إنترنت الأشياء: دليل الذكاء الطرفي 2026

ملخص سريع: تُمكّن تقنيات التعلّم الآلي في إنترنت الأشياء الأجهزة المتصلة من تحليل كميات هائلة من بيانات المستشعرات محليًا، وتحديد الأنماط، واتخاذ قرارات ذكية دون الحاجة إلى اتصال دائم بالسحابة. يُحوّل هذا التكامل بيانات إنترنت الأشياء الخام إلى رؤى قابلة للتنفيذ للصيانة التنبؤية، والكشف عن التهديدات الأمنية، وترشيد استهلاك الطاقة، وتشغيل الأنظمة ذاتيًا. تُقلّل خوارزميات التعلّم الآلي المُطبّقة على الحافة من زمن الاستجابة، وتُخفّض تكاليف النطاق الترددي، وتُعزّز الخصوصية، مع إطالة عمر بطارية الجهاز.

يُنتج إنترنت الأشياء مليارات نقاط البيانات يوميًا من أجهزة الاستشعار المدمجة في الآلات الصناعية والمنازل الذكية والأجهزة القابلة للارتداء والمركبات المتصلة. لكن البيانات الخام لا قيمة لها بدون ذكاء لتحليلها.

هنا يكمن دور التعلم الآلي في تغيير كل شيء. إذ تستطيع خوارزميات التعلم الآلي معالجة قراءات المستشعرات محليًا، واكتشاف الحالات الشاذة في أجزاء من الثانية، وإطلاق الاستجابات دون انتظار خوادم الحوسبة السحابية. هذا الذكاء المتطور يُحدث تحولًا جذريًا في قدرات أنظمة إنترنت الأشياء.

لماذا يُعدّ التعلّم الآلي مهماً لأنظمة إنترنت الأشياء؟

تقوم بنى إنترنت الأشياء التقليدية بإرسال بيانات المستشعرات إلى منصات الحوسبة السحابية لتحليلها. هذا النهج ناجح، إلى أن يصبح زمن استجابة الشبكة، أو تكاليف النطاق الترددي، أو مخاوف الخصوصية عوائق لا يمكن تجاوزها.

يساهم تطبيق التعلم الآلي على الحافة في حل هذه المشكلات. تعمل الخوارزميات مباشرة على أجهزة إنترنت الأشياء أو عقد الحوسبة الضبابية القريبة، مما يتيح اتخاذ القرارات في الوقت الفعلي حيثما تشتد الحاجة إليها.

بحسب بحثٍ نُشر على موقع arXiv، يُمكن لنماذج التعلّم الآلي المُحسّنة أن تُقلّل استهلاك الطاقة في أجهزة إنترنت الأشياء بمقدار 18.231 تيرابايت/لترا ثانية من خلال تقنيات ذكية لمعالجة البيانات. وتُشير دراسات أخرى إلى أن بنى الخدمات المصغّرة للذكاء الاصطناعي على الحافة يُمكنها خفض إجمالي استهلاك الذاكرة بمقدار 70.81 تيرابايت/لترا ثانية، وتقليل زمن استجابة الحوسبة بمقدار 59.61 تيرابايت/لترا ثانية، مقارنةً بالأنظمة الأساسية المتكاملة.

إن مكاسب الكفاءة هذه ليست مجرد مكاسب نظرية، بل إنها تترجم مباشرة إلى عمر أطول للبطارية، وتكاليف تشغيل أقل، واستجابات أسرع للنظام.

ابتكر سير عمل أفضل لإنترنت الأشياء باستخدام الذكاء الاصطناعي المتفوق

متفوقة الذكاء الاصطناعي تساعد الشركات على تقييم حالات استخدام الذكاء الاصطناعي وتحويلها إلى برامج عملية. تشمل خدماتها الاستشارات في مجال الذكاء الاصطناعي، وتطوير برامج الذكاء الاصطناعي، والبحث والتطوير، والتدريب، والتكامل مع سير العمل الحالي.

بالنسبة لفرق إنترنت الأشياء، يمكن أن يدعم هذا تحليلات المستشعرات، واكتشاف الحالات الشاذة، ومراقبة الأجهزة، والصيانة التنبؤية، وأنماط الاستخدام، أو التنبيهات بناءً على بيانات الأجهزة المتصلة.

هل تحتاج إلى استخدام تقنيات التعلم الآلي لبيانات الأجهزة؟

يمكن أن تساعدك تقنية الذكاء الاصطناعي المتفوقة في:

• تقييم حالات استخدام التعلم الآلي
• بناء أدوات الذكاء الاصطناعي والتعلم الآلي المخصصة
• تطوير نماذج الشذوذ والتنبؤ
• دمج الذكاء الاصطناعي في الأنظمة المتصلة

👉 تواصل مع شركة AI Superior لمناقشة مشروعك.

خوارزميات التعلم الآلي الأساسية التي تدعم تطبيقات إنترنت الأشياء

تختلف أساليب التعلم الآلي باختلاف حالات استخدام إنترنت الأشياء. إليك ما ينجح فعلاً في البيئات ذات الموارد المحدودة.

التعلم الخاضع للإشراف في مجال التصنيف

تتفوق أشجار القرار والغابات العشوائية والشبكات العصبية في تصنيف بيانات المستشعرات. ويتعلم منظم الحرارة الذكي تفضيلات درجة الحرارة. ويصنف مستشعر صناعي اهتزازات المعدات على أنها طبيعية أو غير طبيعية.

ما هو القيد الرئيسي؟ تتطلب هذه النماذج بيانات تدريب مصنفة - الكثير منها.

التعلم غير الخاضع للإشراف لاكتشاف الأنماط

تُحدد خوارزميات التجميع مثل خوارزمية k-means الأنماط دون الحاجة إلى أمثلة مصنفة. وهي مثالية لاكتشاف الحالات الشاذة في تطبيقات أمن إنترنت الأشياء.

عندما يُظهر جهاز متصل فجأة سلوكًا غير عادي في الشبكة، يمكن للتعلم الآلي غير الخاضع للإشراف أن يُشير إليه على الفور دون الحاجة إلى أمثلة سابقة لهذا الهجوم المحدد.

التعلم المعزز لتحسين الأداء

تتعلم خوارزميات التعلم المعزز من خلال التجربة والخطأ، مما يجعلها مثالية لبيئات إنترنت الأشياء الديناميكية. وتشير الأبحاث إلى أن تعديل دورة التشغيل القائم على التعلم المعزز يمكن أن يطيل عمر العقدة بشكل ملحوظ مقارنةً ببروتوكولات CSMA-CA التقليدية.

هذا سيغير قواعد اللعبة بالنسبة لشبكات الاستشعار التي تعمل بالبطاريات.

كفاءة الطاقة: عامل حاسم

تواجه أجهزة إنترنت الأشياء التي تعمل بالبطاريات قيدًا قاسيًا: الطاقة المحدودة. كل عملية حسابية تستنزف البطارية أكثر من اللازم.

لطالما تطلبت نماذج التعلم الآلي قدرة معالجة كبيرة. أما تشغيل شبكة عصبية عميقة على متحكم دقيق؟ فسيؤدي ذلك إلى استنزاف البطارية في غضون ساعات.

تُغيّر التطورات الحديثة هذه المعادلة. إذ يمكن لتقنيات تبديل البروتوكولات أن تقلل من استهلاك الطاقة مع قبول تنازلات مقبولة في جودة الشبكة - وهو توازن يمكن لمعظم التطبيقات تحمله.

تُظهر تحسينات وضع توفير الطاقة (PSM) تحسينات في كفاءة الطاقة عبر سيناريوهات الحوسبة المختلفة. وتُعزز أساليب وضع توفير الطاقة التكيفي (APSM) هذه المكاسب بشكل أكبر.

توفر خوارزميات التدريب المتقدمة تحسينات في استهلاك الذاكرة مقارنة بطرق الانتشار العكسي التقليدية.

تطبيقات عملية تُحدث تحولاً في الصناعات

لا تُعدّ النظرية بنفس أهمية النتائج. وهنا تكمن القيمة التجارية الملموسة التي يُقدّمها إنترنت الأشياء المدعوم بالتعلم الآلي.

الصيانة التنبؤية في التصنيع

تراقب أجهزة الاستشعار الاهتزازات ودرجة الحرارة والبصمات الصوتية في المعدات الصناعية. وتكتشف نماذج التعلم الآلي تغيرات طفيفة في الأنماط تشير إلى أعطال وشيكة - غالباً قبل أسابيع من حدوث العطل.

تتجنب الشركات فترات التوقف غير المخطط لها، وتطيل عمر المعدات، وتجدول الصيانة خلال ساعات خارج أوقات الذروة. العائد على الاستثمار فوري وقابل للقياس.

إدارة الطاقة في الشبكة الذكية

تُنتج العدادات وأجهزة الاستشعار المتصلة عبر شبكات الكهرباء تدفقات هائلة من البيانات. وتتنبأ خوارزميات التعلم الآلي بذروات الطلب، وتُحسّن التوزيع، وتُدمج مصادر الطاقة المتجددة بشكل أكثر فعالية.

وفقًا لأبحاث المعهد الوطني للمعايير والتكنولوجيا (NIST)، فإن هذه الأنظمة المتصلة تمكن منشآت التصنيع من استشعار الظروف المتغيرة وتحليلها والاستجابة لها بشكل مستقل.

الأجهزة القابلة للارتداء في مجال الرعاية الصحية والمراقبة عن بعد

تقوم الأجهزة القابلة للارتداء بتتبع معدل ضربات القلب، ونسبة الأكسجين في الدم، وأنماط الحركة، وجودة النوم. وتحدد نماذج التعلم الآلي القيم الأساسية الشخصية، وتنبه المستخدمين (أو الأطباء) عندما تنحرف القراءات عن الأنماط الطبيعية.

تتيح هذه المراقبة المستمرة اكتشاف الحالات الطبية الطارئة في وقت أبكر من الفحوصات الدورية التقليدية.

أنظمة المركبات الذاتية

تُعدّ السيارات ذاتية القيادة من أكثر تطبيقات التعلم الآلي في إنترنت الأشياء تطلباً. إذ تُنتج الكاميرات وأجهزة الاستشعار من نوع LIDAR والرادار ونظام تحديد المواقع العالمي (GPS) كميات هائلة من البيانات (جيجابايت) في الدقيقة. ويتعين على نماذج التعلم الآلي معالجة هذه البيانات في الوقت الفعلي لضمان التنقل الآمن.

الحوسبة الطرفية أمر لا جدال فيه هنا - فقد يعني زمن استجابة الشبكة الفرق بين الكبح الآمن والاصطدام.

التحديات الأمنية والحلول المدعومة بالتعلم الآلي

غالباً ما تفتقر أجهزة إنترنت الأشياء إلى أمان قوي. فقدرة المعالجة المحدودة تعني عدم وجود مجال لأنظمة التشفير القوية أو أنظمة كشف التسلل.

لكن المفاجأة هنا: يمكن للتعلم الآلي أن يعزز أمن إنترنت الأشياء على الرغم من هذه القيود.

بحسب تقارير القطاع، تُقدّم شركاتٌ مثل سيسكو وآي بي إم حلولاً أمنية مدعومة بتقنيات التعلّم الآلي، تُحلّل أنماط حركة مرور الشبكة وتُحدّد التهديدات المحتملة، مثل هجمات الحرمان من الخدمة الموزّعة. وتُشير آي بي إم إلى أن أداتها الأمنية قادرة على تصعيد أو إغلاق ما يصل إلى 851 تيرابايت من التنبيهات تلقائيًا، ما يُخفّف العبء على فرق الأمن بشكلٍ كبير.

يمكن لنماذج التعلم الآلي الخفيفة التي تعمل على الحافة أن ترصد أنماط السلوك الشاذة - محاولات الاتصال غير العادية، ونقل البيانات غير المتوقعة، وقراءات المستشعر غير الطبيعية - وعزل الأجهزة المخترقة قبل أن تنشر البرامج الضارة عبر الشبكة.

التغلب على تحديات التنفيذ

إن نشر تقنيات التعلم الآلي في بيئات إنترنت الأشياء ليس بالأمر السهل. فهناك العديد من العقبات التي تتطلب التعامل معها بحذر.

قيود الأجهزة

تعتمد معظم أجهزة إنترنت الأشياء على وحدات تحكم دقيقة منخفضة الطاقة ذات ذاكرة وصول عشوائي وسعة تخزين محدودة. ولا تتناسب معها أطر عمل التعلم الآلي كاملة الميزات مثل TensorFlow.

وتشمل الحلول تقنيات ضغط النماذج، والتكميم (باستخدام الأعداد الصحيحة ذات 8 بت بدلاً من الأعداد العشرية ذات 32 بت)، وأطر عمل متخصصة مثل TensorFlow Lite لوحدات التحكم الدقيقة المصممة خصيصًا للأجهزة ذات الموارد المحدودة.

تتيح أساليب الضبط الدقيق مثل LoRA (التكيف منخفض الرتبة) التحسين عن طريق تعديل 5% فقط من المعلمات، مما يجعل التحديثات ممكنة حتى على الأجهزة الطرفية.

مشاكل الاتصال

غالباً ما تعمل أجهزة إنترنت الأشياء في بيئات ذات اتصال متقطع أو معدوم بالشبكة. يجب أن تعمل نماذج التعلم الآلي بشكل مستقل عند انقطاع الشبكة.

يُعالج النشر على الحافة هذه المشكلة من خلال ضمان حدوث الاستدلالات الأساسية محليًا. تُزامن النماذج التحديثات عند استئناف الاتصال، لكن الوظائف الأساسية لا تعتمد أبدًا على اتصال مستمر.

جودة البيانات وتصنيفها

لا تتجاوز جودة نماذج التعلم الآلي جودة بيانات التدريب الخاصة بها. وقد تكون مستشعرات إنترنت الأشياء مشوشة أو غير معايرة أو غير متسقة.

تساعد خطوط أنابيب تنظيف البيانات، وتقنيات دمج المستشعرات (التي تجمع بين مستشعرات متعددة للحصول على قراءات أكثر موثوقية)، وأساليب التعلم شبه الخاضعة للإشراف على التغلب على البيانات المتفرقة أو غير الموثوقة.

المستقبل: الذكاء الطرفي يصبح معياراً

المسار واضح: الذكاء يقترب أكثر من أجهزة الاستشعار.

لا تختفي الحوسبة السحابية، فهي لا تزال تُستخدم لتدريب النماذج الضخمة وإدارة التحديثات على مستوى الأسطول. لكن الاستدلال يحدث بشكل متزايد على الحافة، حيث تُعد السرعة والخصوصية والموثوقية في غاية الأهمية.

تتضمن المعايير التقنية لمعهد مهندسي الكهرباء والإلكترونيات (IEEE) الخاصة باتصالات إنترنت الأشياء بشكل متزايد أحكامًا تتعلق بالتعلم الآلي على الحافة. توفر شبكات المناطق الواسعة منخفضة الطاقة (LPWAN) العمود الفقري للاتصال لأنظمة التعلم الآلي الموزعة، مما يتيح الاتصال بين الآلات دون استنزاف البطاريات.

تتميز معالجات الأجهزة من الجيل التالي، المصممة خصيصًا لتطبيقات التعلم الآلي على الحافة، بصغر حجمها وانخفاض استهلاكها للطاقة مع ازدياد قدراتها. وتظهر وحدات المعالجة العصبية (NPUs) بشكل متزايد في حلول المتحكمات الدقيقة ذات التكلفة المعقولة.

ومع تحسن تقنيات ضغط النماذج، يستمر تقلص الفجوة في الأداء بين الاستدلال السحابي والاستدلال على الحافة. وفي العديد من التطبيقات، تم بالفعل سد هذه الفجوة.

الأسئلة الشائعة