في عالم اليوم الذي تسوده الحاجة المتزايدة للخدمات الذكية على الأجهزة المحمولة، برزت تقنية الحوسبة الحافة (Edge Computing) كمفتاح لتقديم أداء عالٍ على الأجهزة ذات القدرات المحدودة. ومن أبرز الابتكارات في هذا المجال هو إطار العمل المبتكر المعروف باسم CANS (Cooperative Autodidactic NeuroSurgeon)، الذي يجعل من الممكن للأجهزة المختلفة أن تتعاون في استنتاج البيانات بطريقة أكثر ذكاءً وكفاءة.

تتضمن الفكرة الأساسية لـ CANS قدرة الأجهزة على تقسيم نماذج الشبكات العصبية العميقة (DNN) بشكل مستقل، حيث تقوم كل جهاز بإجراء جزء من عمليات الاستنتاج ثم تقوم بإرسال النتائج إلى خادم حافة مشترك عبر الشبكات اللاسلكية. لكن التحدي يكمن في تحديد الطريقة الأمثل لتقسيم هذه النماذج، خاصة في ظل وجود ظروف نظام متغيرة وبيانات غير معروفة.

هنا يأتي دور CANS، حيث يُمَكن هذا الإطار الأجهزة من تعلم الطرق المثلى لتقسيم الشبكات العصبية الديناميكية من خلال تبادل التغذية الراجعة المفيدة أثناء عملية الاستنتاج في الوقت الفعلي. باستخدام خوارزمية حديثة تُعرف باسم FedLinUCB-DW، يتمكن CANS من تصنيف الأجهزة من نفس النوع وتسهيل عملية الاستكشاف السريع باستخدام خبرات سابقة للاستنتاج.

تجارب تم إجراؤها على بيئة محاكاة ونموذج أولي ادعَت أن نجاح CANS يتمثل في تقليل زمن التأخير في الاستنتاج بشكل كبير، حيث أظهر نتائج مثيرة تتجاوز الـ 50% مقارنةً بأساليب التعاون التقليدية.

في النهاية، يعكس الابتكار الذي يقدمه CANS كيف يمكن لتكنولوجيا الذكاء الاصطناعي أن تجعل الأجهزة المحمولة أكثر فعالية في تقديم الخدمات الذكية، مما يعيد تعريف القدرة التنافسية في المستقبل القريب.