Siemens ১০,০০০ কারখানায় edge-AI মনিটরিং মোতায়েন করেছে, যা যন্ত্রপাতির ডাউনটাইম ৫০% পর্যন্ত কমিয়েছে, এবং John Deere-এর নতুন আগাছা শনাক্তকারী ট্রাক্টরগুলো এমন সব ক্ষেত্রে যেখানে ইন্টারনেট সংযোগ বিচ্ছিন্ন বা দুর্বল, সেখানে কীটনাশকের ব্যবহার ৮০% পর্যন্ত কমিয়ে দিচ্ছে। ক্লাউড-কেন্দ্রিক ইনফারেন্স (inference) থেকে ডিভাইসে প্রসেসিং-এর দিকে এই পরিবর্তনটি দীর্ঘকাল ধরে প্রতিশ্রুতি দেওয়া "অফলাইন ইন্টেলিজেন্স" বা অফলাইন বুদ্ধিমত্তার স্বপ্নকে গতি, গোপনীয়তা এবং নির্ভরযোগ্যতার বাস্তব প্রাপ্তিতে রূপান্তরিত করছে।

কেন এখন এজ (edge)-এর দিকে এই পরিবর্তন গুরুত্বপূর্ণ

গত এক দশকের বেশিরভাগ সময় জুড়ে কৃত্রিম বুদ্ধিমত্তার (AI) কাজের ভার বা ওয়ার্কলোড রিমোট ডেটা সেন্টারে সীমাবদ্ধ ছিল। একটি সেন্সর বা স্মার্টফোন ক্লাউডে র (raw) ডেটা পাঠাত, মডেলটি চলার জন্য অপেক্ষা করত এবং তারপর একটি প্রতিক্রিয়া গ্রহণ করত। এই আসা-যাওয়ার প্রক্রিয়ায় কয়েক সেকেন্ডের ল্যাটেন্সি (latency) বা বিলম্ব যোগ হতো, ব্যান্ডউইথ খরচ হতো এবং র ডেটাগুলো বাহ্যিক নেটওয়ার্কের কাছে উন্মুক্ত হয়ে পড়ত।

Edge AI এই মডেলটিকে সম্পূর্ণ উল্টে দেয়: যে ডিভাইসে ডেটা সংগ্রহ করা হয়, সেখানেই একই মেশিন-লার্নিং অ্যালগরিদম চলে। Apple, Qualcomm এবং Google-এর আধুনিক চিপগুলোতে ডেডিকেটেড AI অ্যাক্সিলারেটর রয়েছে যা খুব সামান্য শক্তি খরচ করে মিলিসেকেন্ডের মধ্যে বিশাল নিউরাল নেটওয়ার্ক প্রসেস করতে পারে। এর ফলে এমন একটি আর্কিটেকচার তৈরি হয় যেখানে একটি ফ্যাক্টরি রোবট, ট্রাক্টর বা ফোন তাৎক্ষণিকভাবে কাজ করতে পারে, ডেটা স্থানীয়ভাবে রাখতে পারে এবং ইন্টারনেট সংযোগ বিচ্ছিন্ন হলেও কাজ চালিয়ে যেতে পারে।

Industrial IoT-তে উৎপাদনশীলতা বৃদ্ধি

কারখানাগুলো কম্পন (vibration), তাপমাত্রা এবং চাপের রিডিং সংগ্রহ করতে দীর্ঘকাল ধরে Industrial Internet of Things (IIoT) ব্যবহার করে আসছে। এখন পর্যন্ত বেশিরভাগ অ্যানালিটিক্স ক্লাউডে হতো, যার অর্থ হলো কোনো অস্বাভাবিকতা (anomaly) এবং তার প্রতিকারমূলক পদক্ষেপের মধ্যে একটি সময়ের ব্যবধান থেকে যেত। Siemens-এর edge-AI প্ল্যাটফর্ম সেই ডেটা স্ট্রিমগুলো অন-সাইট প্রসেস করে এবং রিয়েল টাইমে কোনো বিয়ারিং নষ্ট হওয়ার আগাম সংকেত দেয়।

  • ডাউনটাইম হ্রাস: প্রাথমিক ব্যবহারকারীরা পরিকল্পনা বহির্ভূত শাটডাউন বা বন্ধ হওয়ার হার ৫০% পর্যন্ত কমছে বলে জানিয়েছেন।
  • ব্যান্ডউইথ সাশ্রয়: স্থানীয়ভাবে সেন্সর ডেটা ফিল্টার করার মাধ্যমে সিস্টেমটি আপস্ট্রিম ট্রাফিক প্রায় ৯৫% পর্যন্ত কমিয়ে দেয়।

এর তাৎক্ষণিক সুফল হলো উচ্চতর উৎপাদন এবং রক্ষণাবেক্ষণ খরচ হ্রাস। যে কারখানাগুলো নেটওয়ার্ক বিভ্রাটের সময়ও সচল থাকতে পারে, তারা প্রতিযোগিতামূলক সুবিধা পায়, বিশেষ করে সেইসব অঞ্চলে যেখানে ব্রডব্যান্ডের নির্ভরযোগ্যতা কম।

কৃষিতে নতুন ধরনের নির্ভুলতা

একটি সাধারণ খামারে সেলুলার কভারেজ বা নেটওয়ার্ক বিচ্ছিন্ন হতে পারে, এবং পুরো জমিতে হার্বিসাইড (আগাছানাশক) স্প্রে করা অপচয়মূলক এবং পরিবেশের জন্য ক্ষতিকর। John Deere-এর ট্রাক্টরগুলোতে এখন edge-AI ভিশন মডিউল থাকে যা ফসলের সারি স্ক্যান করে, পাতার স্তরে আগাছা শনাক্ত করে এবং শুধুমাত্র যেখানে প্রয়োজন সেখানেই টার্গেটেড স্প্রে নজল সক্রিয় করে।

  • রাসায়নিকের ব্যবহার হ্রাস: মাঠ পর্যায়ের পরীক্ষায় দেখা গেছে যে কীটনাশকের ব্যবহার ৮০% পর্যন্ত কমেছে।
  • অফলাইন অপারেশন: সেন্সরগুলো ক্লাউডের সার্বক্ষণিক সংযোগ ছাড়াই মাটির আর্দ্রতা এবং পুষ্টির মাত্রা পর্যবেক্ষণ করতে পারে, যা দুর্গম এলাকাতেও সিদ্ধান্ত নিতে সাহায্য করে।

খরচ সাশ্রয়ের পাশাপাশি, রাসায়নিকের ব্যবহার কমানো টেকসই পণ্যের ক্রমবর্ধমান ভোক্তা চাহিদা পূরণ করে এবং কৃষকদের কঠোর পরিবেশগত নিয়ম মেনে চলতে সাহায্য করে।

কনজিউমার ডিভাইসগুলোও একই পথে হাঁটছে

স্মার্টফোনগুলো ইতিমধ্যেই edge ট্রেন্ডের ইঙ্গিত দিচ্ছে। Apple-এর সাম্প্রতিক ডিভাইসগুলো একটি হাইব্রিড পদ্ধতি ব্যবহার করে, যেখানে দ্রুত এবং ব্যক্তিগত কাজের জন্য লোকাল AI এবং জটিল যুক্তিনির্ভর কাজের জন্য ক্লাউড ব্যবহার করা হয়।

যে বাধাগুলো edge-কে সর্বজনীন হতে দিচ্ছে না

  • মডেলের আকার: অত্যাধুনিক নিউরাল নেটওয়ার্কগুলো শত শত মেগাবাইট জায়গা দখল করতে পারে, যা সীমিত ফ্ল্যাশ স্টোরেজ বিশিষ্ট ডিভাইসের জন্য কঠিন। ইঞ্জিনিয়াররা মডেলগুলোকে প্রুন (prune) বা কোয়ান্টাইজ (quantize) করেন, যার ফলে কখনও কখনও নির্ভুলতা কিছুটা কমে যেতে পারে।
  • শারীরিক নিরাপত্তা: একটি ডেটা-সেন্টার র‍্যাকের তুলনায় কারখানার কোনো ডিভাইস বা ট্রাক্টরের ডিভাইস সহজেই অ্যাক্সেস করা সম্ভব, যা টেম্পারিং বা মডেল চুরির ঝুঁকি বাড়ায়।
  • আপডেট লজিস্টিকস: লক্ষ লক্ষ অফলাইন ইউনিটে নতুন AI ভার্সন পাঠানো বা আপডেট করার জন্য শক্তিশালী over-the-air মেকানিজম প্রয়োজন, অথচ অনেক শিল্পক্ষেত্রে নির্ভরযোগ্য আপলিঙ্ক ব্যান্ডউইথের অভাব রয়েছে।

এই সীমাবদ্ধতাগুলোর মানে হলো অনেক ক্ষেত্রে edge AI ক্লাউড সার্ভিসকে প্রতিস্থাপন করার পরিবর্তে সেটিকে পরিপূরক হিসেবে কাজ করে।

Federated learning: পরবর্তী দিগন্ত

একটি উদীয়মান কৌশল ডেটাকে স্থানীয় রাখে এবং একই সাথে গ্লোবালি মডেল উন্নত করতে সাহায্য করে। Federated learning-এ প্রতিটি ডিভাইস তার নিজস্ব ডেটা ব্যবহার করে মডেলের একটি কপি প্রশিক্ষণ দেয় এবং তারপর শুধুমাত্র অ্যাগ্রিগেটেড ওয়েট আপডেট (aggregated weight updates)—র ডেটা নয়—একটি কেন্দ্রীয় সার্ভারের সাথে শেয়ার করে। সার্ভার এই অবদানগুলোকে একটি নতুন গ্লোবাল মডেলে মিশ্রিত করে এবং তা আবার ডিভাইসগুলোতে পুনরায় বিতরণ করে।

যদি এটি ব্যাপকভাবে গৃহীত হয়, তবে federated learning গোপনীয়তার নিশ্চয়তা আরও জোরদার করতে পারে, র ডেটা স্থানান্তরের প্রয়োজনীয়তা কমাতে পারে এবং এমন পরিবেশে edge মডেলগুলোর পরিমার্জন ত্বরান্বিত করতে পারে যা একটি সাধারণ ক্লাউড সমাধানের জন্য অত্যন্ত বৈচিত্র্যময় (heterogeneous)।

আগামী বছরে যা নজরদারিতে রাখতে হবে

  • চিপ রোল-আউট: প্রধান সিলিকন ভেন্ডরদের কাছ থেকে চিপ রোল-আউটের প্রত্যাশা করা হচ্ছে।

Edge AI-এর পেছনের এই গতিবেগ কোনো সাময়িক উন্মাদনা নয়। এটি খরচ, ল্যাটেন্সি এবং গোপনীয়তার সেই চাপগুলোর একটি বাস্তবসম্মত প্রতিক্রিয়া, যা শুধুমাত্র ক্লাউড-ভিত্তিক ইনফারেন্স সবসময় মেটাতে পারে না। Siemens এবং John Deere এর প্রাথমিক এবং অত্যন্ত দৃশ্যমান উদাহরণ, তবে এই অন্তর্নিহিত পরিবর্তনটি এমন প্রতিটি ক্ষেত্রে প্রভাব ফেলবে যা রিয়েল-টাইম সেন্সর ডেটার ওপর নির্ভরশীল।

মূল কথা: যখন বুদ্ধিমত্তা সেখানেই কাজ করে যেখানে ডেটা থাকে—তা কারখানার মেঝে হোক, কৃষিজমি হোক বা পকেট—এর ফলাফল হলো দ্রুত সিদ্ধান্ত গ্রহণ, কম পরিচালন ব্যয় এবং গোপনীয়তার ওপর আরও কঠোর নিয়ন্ত্রণ। AI-এর পরবর্তী ঢেউটি ক্লাউড কতটা বড় হচ্ছে তা দিয়ে নয়, বরং ডিভাইসগুলো কতটা কার্যকরভাবে নিজেদের চিন্তা করতে পারে তা দিয়ে বিচার করা হবে।