ذكاء الحافة للتعرف على الصور في الوقت الفعلي: جدول عصبي خفيف الوزن عبر استخدام توقيعات وقت التنفيذ على أجهزة حافة غير متجانسة

الملخص

برزت الحوسبة الطرفية المتنقلة (MEC) كنموذج محوري لتمكين تطبيقات الذكاء الاصطناعي عالية الكفاءة على حافة الشبكة. ومع ذلك، تُشكل قيود الأجهزة غير المتجانسة عبر أجهزة الحافة تحديات كبيرة في جدولة المهام الديناميكية. تُقدم هذه الورقة نموذجًا جديدًا لتوقيع وقت التنفيذ العصبي يتعلم أنماط الأجهزة والتحميل للتنبؤ بالتخصيص الأمثل للجهاز لمهام التعرف على الصور. بالاستفادة من مجموعة بيانات غنية جُمعت من منصات متنوعة، بما في ذلك MacBook Pro وRaspberry Pi والآلات الافتراضية، يُدرّب هذا البحث الشبكات العصبية الاصطناعية خفيفة الوزن (ANNs) والمُدركات متعددة الطبقات (MLPs) لتصنيف كفاءة التنفيذ بدقة تتجاوز 99%. يلتقط نموذج البحث هذا خصائص دقيقة للحمل الزمني والحسابي، مما يُمكّن من جدولة ذكية تُقلّل زمن الوصول مع تعظيم استخدام الموارد. تُظهر النتائج التجريبية أداءً فائقًا في سيناريوهات العلامات المتوازنة وغير المتوازنة، مما يُبرز متانة النموذج وقابليته للتوسع. يربط هذا العمل بين التحليلات التنبؤية وتنسيق الحافة، مُقدّمًا نموذجًا عمليًا لأنظمة ذكاء الحافة من الجيل التالي.   بالإضافة إلى ذلك، يقدم هذا البحث مُجدولًا عصبيًا جديدًا وخفيف الوزن يستخدم توقيعات وقت التنفيذ وميزات زمنية وأداء مُصممة للتنبؤ بكفاءة المهام بدقة تزيد عن 99% عبر أجهزة طرفية متنوعة مثل Raspberry Pi وMacBook Pro. يُمكّن هذا البحث من جدولة آنية مستقلة عن الأجهزة دون معايرة لكل جهاز، مما يوفر حلاً قابلاً للتطوير ومستقلًا عن السحابة لأنظمة ذكاء الحافة من الجيل التالي.