এজ কম্পিউটিং ও এজ AI

১ · কেন সব ডেটা ক্লাউডে পাঠানো সবসময় ভালো সমাধান নয়

L41-এ আলোচিত এজ-ফগ-ক্লাউড তিন-স্তর আর্কিটেকচার মনে করুন। একটি স্বাভাবিক ডিজাইন সিদ্ধান্ত হলো — প্রতিটি সেন্সর রিডিং র‌ও অবস্থায় সরাসরি ক্লাউডে পাঠিয়ে দেওয়া, আর সব প্রসেসিং সেখানেই করা। এটি সরল, কিন্তু বাস্তবে তিনটি বড় সমস্যা তৈরি করে:

• লেটেন্সি। ডেটা ডিভাইস থেকে নেটওয়ার্ক হয়ে ক্লাউডে পৌঁছানো, প্রসেস হওয়া, এবং ফলাফল ফিরে আসা — এই পুরো রাউন্ড-ট্রিপে সময় লাগে। একটি নিরাপত্তা ক্যামেরার মোশন-ডিটেকশন বা একটি শিল্প যন্ত্রের ইমার্জেন্সি-স্টপ সিদ্ধান্তে এই বিলম্ব গ্রহণযোগ্য নাও হতে পারে।
• অফলাইন সক্ষমতা। ইন্টারনেট/নেটওয়ার্ক সংযোগ বিচ্ছিন্ন হলে ক্লাউড-নির্ভর ডিভাইস কাজ করা বন্ধ করে দেয়। ডিভাইসেই সিদ্ধান্ত নেওয়ার সক্ষমতা থাকলে নেটওয়ার্ক না থাকলেও মৌলিক কাজ চালু থাকে।
• ব্যান্ডউইথ। প্রতিটি র‌ও রিডিং (বিশেষ করে উচ্চ-স্যাম্পলিং-রেট সেন্সর, যেমন ভাইব্রেশন বা অডিও) ক্রমাগত পাঠানো ব্যান্ডউইথ ও ডেটা খরচ দুটোই বাড়ায় — বিশেষত LoRaWAN/সেলুলার IoT-এর মতো সীমিত-ব্যান্ডউইথ সংযোগে (M10) এটি বড় সমস্যা।

এজ কম্পিউটিংEdge Computingর‌ও ডেটা ক্লাউডে পাঠানোর বদলে ডেটা তৈরি হওয়ার জায়গার কাছাকাছি (ডিভাইসেই বা একটি লোকাল গেটওয়েতে) প্রসেসিং করা। হলো এই সমস্যাগুলোর সমাধান — ডেটা যেখানে তৈরি হচ্ছে তার কাছাকাছি (ডিভাইসেই, বা একটি লোকাল গেটওয়ে/ফগ নোডে) প্রসেসিং করে ফেলা, এবং শুধু প্রয়োজনীয়, প্রসেসড রেজাল্ট (পুরো র‌ও ডেটা নয়) ক্লাউডে পাঠানো।

২ · এজ AI — সুযোগ ও সীমাবদ্ধতা

যখন এজে চলা প্রসেসিংটি একটি মেশিন-লার্নিং মডেলের ইনফারেন্স হয় (যেমন একটি অডিও ক্লিপে "wake word" শনাক্ত করা, বা একটি ছবিতে গতি/বস্তু শনাক্ত করা), তখন একে এজ AI বা TinyML বলা হয়। এটি honest-scope-এ বোঝা জরুরি — এটি ক্লাউডের বড় মডেলের প্রতিস্থাপন নয়, বরং একটি ভিন্ন, সীমাবদ্ধ ট্রেডঅফ:

• সীমিত কম্পিউট। একটি মাইক্রোকন্ট্রোলারের CPU একটি ক্লাউড GPU সার্ভারের তুলনায় বহু গুণ কম শক্তিশালী — বড়, জটিল নিউরাল নেটওয়ার্ক রিয়েল-টাইমে চালানো সম্ভব নয়।
• সীমিত মেমরি। একটি সাধারণ মাইক্রোকন্ট্রোলারের SRAM/Flash কিলোবাইট থেকে কয়েক মেগাবাইটের মধ্যে (L06-এ আলোচিত মেমরি ম্যাপ অনুযায়ী) — একটি সাধারণ ক্লাউড-স্কেল মডেলের ওজন এতে ধরেই না।
• কোয়ান্টাইজেশন। এই সীমাবদ্ধতা মোকাবিলার একটি সাধারণ, ভালোভাবে ডকুমেন্টেড কৌশল হলো মডেলের ওয়েট/অ্যাক্টিভেশনকে 32-বিট float-এর বদলে 8-বিট integer-এর মতো কম-প্রিসিশন ফরম্যাটে রূপান্তর করা — এতে মডেলের সাইজ ও কম্পিউট খরচ উল্লেখযোগ্যভাবে কমে, সামান্য নির্ভুলতা কমার বিনিময়ে।

এই কারণেই এজ AI মডেল সাধারণত অনেক ছোট ও নির্দিষ্ট একটি কাজে কেন্দ্রীভূত (যেমন শুধু "কম্পন স্বাভাবিক নাকি অস্বাভাবিক" শনাক্ত করা) — একটি সাধারণ-উদ্দেশ্যের বড় মডেল নয়।

৩ · একটি সত্যিকারের গণনা — র‌ও ডেটা বনাম এজ-প্রসেসড ফলাফল পাঠানো

L41-এর মতো একই ধরনের গণনা এখানে আরেকটু বাস্তব দৃশ্যকল্পে প্রয়োগ করা হচ্ছে। ধরা যাক একটি শিল্প যন্ত্রের ভাইব্রেশন সেন্সর ৩-অক্ষে (X/Y/Z), প্রতি অক্ষে ১৬-বিট রেজোলিউশনে, ১০০০ Hz-এ স্যাম্পল করছে। নিচের কোড সেলে এই সেন্সরের র‌ও ডেটা রেট বনাম এজে প্রসেস করে শুধু একটি সংক্ষিপ্ত ফিচার পাঠানোর ডেটা রেট জেনুইনভাবে গণনা ও তুলনা করা হয়েছে।

# --- র‌ও ডেটা বনাম এজ-প্রসেসড ফলাফল পাঠানোর ব্যান্ডউইথ তুলনা ---

sample_rate_hz = 1000       # ভাইব্রেশন সেন্সরের স্যাম্পলিং রেট
axes = 3                    # X, Y, Z তিন অক্ষ
bytes_per_sample = 2        # প্রতি অক্ষে ১৬-বিট (২ বাইট) ADC রিডিং

# --- বিকল্প ১: প্রতিটি র‌ও স্যাম্পল সরাসরি ক্লাউডে পাঠানো ---
raw_bytes_per_sec = sample_rate_hz * axes * bytes_per_sample
raw_bytes_per_day = raw_bytes_per_sec * 86400

# --- বিকল্প ২: এজে প্রসেস করে প্রতি সেকেন্ডে শুধু একটি RMS ভাইব্রেশন-ম্যাগনিচিউড ফিচার (৪-বাইট float)
#     ও একটি anomaly ফ্ল্যাগ (১ বাইট) পাঠানো ---
edge_feature_bytes = 4      # RMS ম্যাগনিচিউড, float হিসেবে
edge_flag_bytes = 1         # anomaly flag (0/1)
edge_bytes_per_sec = edge_feature_bytes + edge_flag_bytes
edge_bytes_per_day = edge_bytes_per_sec * 86400

reduction_ratio = raw_bytes_per_sec / edge_bytes_per_sec
savings_pct = 100 * (1 - edge_bytes_per_sec / raw_bytes_per_sec)

print(f"সেন্সর: {axes}-অক্ষ ভাইব্রেশন, {sample_rate_hz} Hz স্যাম্পলিং, {bytes_per_sample*8}-বিট রেজোলিউশন\n")

print("বিকল্প ১ -- র‌ও ডেটা সরাসরি ক্লাউডে:")
print(f"  {raw_bytes_per_sec:,} বাইট/সেকেন্ড")
print(f"  {raw_bytes_per_day/1e6:.2f} MB/দিন\n")

print("বিকল্প ২ -- এজে প্রসেস করে শুধু ফিচার পাঠানো:")
print(f"  {edge_bytes_per_sec} বাইট/সেকেন্ড")
print(f"  {edge_bytes_per_day/1e3:.2f} KB/দিন\n")

print(f"ব্যান্ডউইথ কমেছে: {reduction_ratio:,.0f}x  ({savings_pct:.3f}% সাশ্রয়)")