في السنوات الأخيرة، شهد استعمال الذكاء الاصطناعي (Artificial Intelligence) في الأجهزة الذكية مع قيود الموارد (IoT Devices) نمواً ملحوظاً. إلا أن الطرق الحالية المتعلقة بتقسيم الشبكات العصبية العميقة (DNN Partitioning) ونقلها عبر بيئات الحوسبة المتجانسة (Edge-Cloud Continuum) تعتمد عادة على طرق ثابتة تتجاهل الديناميكيات في وقت التشغيل.

لإيجاد حل لمثل هذه التحديات، تم اقتراح إطار عمل يتيح تقسيم طبقات الشبكة العصبية بشكل ديناميكي عبر النطاق المتجانس. يبدأ الإطار بتقييم أداء النموذج عند التشغيل، حيث يقوم بقياس ظروف الاتصال الشبكي بين النقاط (Nodes) ويعيد تقييم التقسيم بشكل دوري للتكيف مع التغيرات في البيئة المحيطة.

تم إنشاء منصة اختبار فعلية تضم جهاز Raspberry Pi كحافة، وحاسوب محمول يعمل كضباب (Fog), وحاسوب مكتبي عالي الأداء كجزء من السحابة. تم تقييم الإطار الجديد على ثلاث شبكات عصبية شهيرة: VGG16 وAlexNet وMobileNetV2. وأظهرت النتائج أن الإطار حقق تخفيضات في استهلاك الطاقة (Energy) وزمن الاستجابة (End-to-End Latency) تتراوح من 27.09% إلى 35.82% ومن 6.34% إلى 22.92% على التوالي، مقارنةً بـالأساليب الثابتة.

تؤكد هذه النتائج التقدم الكبير للتقسيم الديناميكي مقابل الأساليب الثابتة، مما يسلط الضوء على أهمية تطوير حلول مبتكرة تواكب تطورات العصر الرقمي. برأيك، كيف يمكن استغلال هذه النتائج في التطبيقات المستقبلية؟ شاركونا في التعليقات.