בשנים האחרונות מתחילות להופיע יותר ויותר מערכות AI שלא פועלות בדאטה־סנטרים ענקיים או בענן, אלא ישירות בתוך ציוד פיזי — ממערכות תעשייתיות ועד מצלמות, רובוטים ותשתיות מבנים. אחד הסיפורים שממחישים את המגמה הזאת אפשר למצוא בבלוג של חברת היילו (Hailo) הישראלית, המפתחת מאיצי AI לעיבוד מקומי (Edge AI), דרך סיפורו של טכנאי מיזוג אמריקאי שהחל לבנות בעצמו מערכות חיזוי תקלות עבור מתקני HVAC.

אותו טכנאי הוא אנדרו ג’יוול, איש HVAC עם כמעט 20 שנות ניסיון בתחום מערכות המיזוג, החימום והקירור, שניסה לפתור בעיה מאוד פשוטה: איך מונעים את קריאת החירום הבאה באמצע הלילה. ג’יוול, שעובד ביום־יום עם דודי קיטור, צ’ילרים ומערכות קירור במתקנים שונים, מצא את עצמו לאורך השנים מוזעק שוב ושוב לתקלות קריטיות — מבתי אבות שנותרו ללא חימום ועד חממות ומעבדות שמערכות הקירור שלהן קרסו ללא התרעה מוקדמת.

נקודת המפנה הגיעה לאחר תקלה בבקר של דוד קיטור בבית אבות, שהותירה כמה קומות ללא חימום. לדבריו, לא היה בקר חלופי זמין שאפשר היה להתקין במקום. מתוך אילוץ, הוא בנה בעצמו בקר זמני על גבי מחשב Raspberry Pi, המצויד בשבב AI של חברת

היילו (Hailo) הישראלית, המפתחת מאיצי AI זעירים לעיבוד מקומי (Edge AI) — כדי להחזיר את מערכת החימום לפעולה. “כמעט שני עשורים בתחום ה־HVAC לימדו אותי עד כמה תקלות ציוד יכולות להיות יקרות ומשבשות”, סיפר ג’יוול.

מה שהחל כפתרון מאולתר הפך בהמשך לפלטפורמה שלמה בשם AutomataNexus, המיועדת לניטור וניהול מערכות HVAC ומערכות תעשייתיות נוספות. כיום פועלים יותר מ־60 בקרי NexusEdge בכ־16 מתקנים שונים, ומנהלים מעל 100 מערכות מכניות — בהן דודי קיטור, צ’ילרים, מערכות קירור, חממות, מעבדות וחדרים נקיים.

בניגוד לגישות AI אוטונומיות, ג’יוול מדגיש כי הבינה המלאכותית אינה שולטת ישירות בציוד. השליטה נשארת בידי קוד הנדסי ייעודי שהוא כותב לכל מערכת, בעוד שמודלי ה־AI מנתחים נתונים כמו טמפרטורות, ויברציות וזרמים חשמליים כדי לזהות חריגות ולחזות תקלות אפשריות מראש.

אחת ההחלטות המרכזיות בפרויקט הייתה לבצע את כל העיבוד מקומית, בגישת Edge AI, ללא תלות בענן. לדברי ג’יוול, במערכות קריטיות כמו חימום, קירור ותשתיות תעשייתיות אין מקום לעיכובים או לתלות בחיבור אינטרנט רציף. לדבריו, “מודלי AI חזויים שרצים על Hailo-8 מאפשרים זיהוי מוקדם של תקלות והתערבות מרחוק לפני שהמערכת קורסת”.

לפי הנתונים שהוצגו באתר של Hailo, באחד האתרים שבהם הוטמעה המערכת נרשמה הפחתה של 5,000–6,000 דולר בחודש בעלויות קריאות שירות, הודות לזיהוי מוקדם של תקלות וניטור מרחוק. בפוסט שפרסם בקהילת המפתחים של Hailo כתב ג’יוול כי המערכת כבר מבצעת יותר מ־500 אלף חיזויים ביום, באמצעות שמונה מודלי AI שונים.

"עשה זאת בעצמך" של עידן ה-AI

הסיפור של ג’יוול משקף מגמה רחבה יותר בעולם ה־AI: מעבר ממודלים גדולים שרצים בענן, למערכות AI קטנות וזולות יחסית שפועלות ישירות “בקצה הרשת” — בתוך ציוד תעשייתי, מצלמות, רובוטים ומערכות פיזיות.

ב־Hailo משתמשים בסיפורים מסוג זה כדי להמחיש כיצד כלים שבעבר היו זמינים בעיקר לחברות ענק, הופכים נגישים גם לאינטגרטורים, טכנאים וסטארט־אפים קטנים. לצד מערכת ה־HVAC של ג’יוול, החברה מציגה דוגמאות נוספות לשימושים דומים: מערכות בדיקה אופטיות חכמות בקווי ייצור, מצלמות אבטחה שמבצעות ניתוח וידאו מקומי ללא ענן, מערכות לניטור ציוד תעשייתי וחיזוי תקלות, וכן פתרונות לקמעונאות חכמה ולרובוטיקה תעשייתית.

המכנה המשותף לרבים מהמקרים הללו הוא לאו דווקא מודל AI חדשני במיוחד, אלא העובדה שאנשים מהשטח — לעיתים ללא רקע עמוק בפיתוח תוכנה — מצליחים לבנות פתרונות ייעודיים על חומרה קטנה וזולה יחסית. עבור חברות כמו Hailo, זו גם אחת ההבטחות המרכזיות של דור ה־Edge AI: להפוך בינה מלאכותית מכלי של ענקיות טכנולוגיה, לפלטפורמה שניתן להטמיע כמעט בכל מערכת פיזית.