معهد كايست يطور تقنية تعاون بين الأجهزة والخوادم تقلل استدعاءات الخادم بنسبة 55%

الدكتور يي يونغ-جون من معهد الإلكترونيات والمعلومات بمعهد كايست (من اليسار)، والأستاذ لي جاي-غيل من قسم علوم الحاسوب، والدكتور كيم دو-يونغ من أمازون (الصورة الفردية في الأعلى من اليمين من اليسار)، الدكتور كانغ جون-هيوك من معهد إل جي للذكاء الاصطناعي، والأستاذ سونغ هوان-جون من قسم الهندسة الصناعية والأنظمة بمعهد كايست [الصورة: معهد كايست]

طورت فرق بحثية من معهد كايست تقنية جديدة في مجال الذكاء الاصطناعي تسمح بتخزين الحلول المكتسبة على الأجهزة وإعادة استخدامها. وقد نجحت هذه التقنية في تقليل استدعاءات الخادم بمعدل 55.61% في المتوسط مع الحفاظ على دقة المعالجة بقيام نماذج ذكاء اصطناعي صغيرة على الأجهزة بتجميع المعرفة من نماذج الخوادم الكبيرة والاستفادة منها.
 
أعلن معهد كايست في الحادي والعشرين من الشهر الحالي أن فريق البحث بقيادة الأستاذ لي جاي-غيل من قسم علوم الحاسوب قد طور تقنية تعاون بين الأجهزة والخوادم تُعرف باسم "كيور" (CURE)، وهي اختصار لـ "إعادة استخدام المعرفة المتراكمة"، وتربط بكفاءة بين نماذج الذكاء الاصطناعي الصغيرة على الأجهزة والنماذج الكبيرة على الخوادم.
 
تعتمد الأجهزة الذكية مثل الهواتف الذكية على نماذج ذكاء اصطناعي خفيفة الوزن بسبب القيود المفروضة على القدرات الحسابية والذاكرة. بينما تتمتع هذه النماذج الصغيرة بمعالجة سريعة للمشاكل البسيطة، إلا أن دقتها تنخفض أمام الصور المعقدة أو غير المألوفة. وعلى الجانب الآخر، فإن تحويل جميع المهام إلى نماذج الخوادم عالية الأداء يحسن الدقة ولكنه يزيد من وقت نقل البيانات وحجم الاتصالات وتكاليف الحوسبة على الخادم.
 
نتيجة لذلك، تم تطوير طرق تعاون تسمح لنموذج الذكاء الاصطناعي الصغير على الجهاز بإجراء الحكم الأول وإرسال المشاكل الصعبة فقط إلى الخادم. غير أن الطرق الموجودة تتخلص من إجابات الخادم بعد الاستخدام الفوري، مما يتطلب طلب المساعدة من الخادم مجددًا عند ظهور مشاكل مماثلة. ركز فريق البحث على فكرة تخزين الإجابات التي يقدمها الخادم كمعرفة قابلة للاستخدام على الجهاز في المستقبل وليس كاستهلاك لمرة واحدة.
 
تعمل تقنية "كيور" على ثلاث مراحل متتالية: أولاً، يحدد نموذج الذكاء الاصطناعي الصغير ما إذا كان بإمكانه معالجة المدخلات بشكل مستقل؛ وثانيًا، إذا كانت المعالجة صعبة، يتم الاستفادة أولاً من معرفة الخادم المخزنة على الجهاز؛ وثالثًا، يتم طلب الخادم فقط عندما تكون المعرفة المتراكمة غير كافية. بدلاً من تخزين كل حالة يقدمها الخادم على حدة، يتم تلخيص الميزات والاختلافات المشتركة بين عدة حالات وحفظها كمعرفة. يتيح هذا النهج استخدام المعرفة المتراكمة ليس فقط للحالات التي تم رؤيتها من قبل ولكن أيضًا عند الحكم على حالات مماثلة جديدة لم يتم مواجهتها من قبل.
 
تحقق فريق البحث من الأداء باستخدام نموذج رؤية-لغة يجمع بين فهم الصور والنصوص. استخدم النموذج الصغير للأجهزة MobileCLIP2، بينما استخدم النموذج الكبير للخادم EVA-CLIP بحجم 18 مليار معامل.
أظهرت نتائج التجارب على مجموعات بيانات متنوعة لتصنيف الصور أن تقنية "كيور" حافظت على دقة قريبة من معالجة جميع المدخلات بنموذج الخادم الكبير، بينما قللت عدد استدعاءات الخادم بمعدل 55.61% مقارنة بطرق التعاون بين الأجهزة والخوادم التقليدية التي لا تجمع المعرفة. كان وقت المعالجة أسرع بمعدل يصل إلى 2.8 مرات من طرق التعاون التقليدية وأسرع بمعدل يصل إلى 3.67 مرات من طريقة إرسال جميع المدخلات إلى الخادم.
 
يمكن تطبيق تقنية "كيور" على النماذج الموجودة ببساطة بإضافة مستودع لتخزين معرفة الخادم دون الحاجة إلى إعادة تدريب النماذج الصغيرة والكبيرة بشكل منفصل. بالإضافة إلى التطبيقات المعروفة مثل التعرف على الصور في الهواتف الذكية والبحث عن الصور، يمكن تطبيق هذه التقنية على أجهزة أخرى مثل الروبوتات والأجهزة القابلة للارتداء التي تحتاج إلى التعرف على البيئة المحيطة بموارد محدودة. غير أن الآثار العملية للتطبيق قد تختلف بناءً على أداء الجهاز والمساحة التخزينية وبيئة الاتصالات وخصائص البيانات المدخلة، مما يتطلب التحقق الإضافي في بيئات وأجهزة متنوعة.
 
قال الأستاذ لي جاي-غيل: "تقنية كيور تمكن نموذج الذكاء الاصطناعي الصغير على الجهاز من عدم طرح نفس السؤال على الخادم بشكل متكرر، بل تذكر المعرفة المكتسبة مرة واحدة وإعادة استخدامها."
 
شارك في هذا البحث الدكتور يي يونغ-جون، باحث ما بعد الدكتوراه في معهد الإلكترونيات والمعلومات بمعهد كايست، كمؤلف رئيسي، والأستاذ لي جاي-غيل كمؤلف مراسل. وأضاف الدكتور كيم دو-يونغ من أمازون والدكتور كانغ جون-هيوك من معهد إل جي للذكاء الاصطناعي والأستاذ سونغ هوان-جون من قسم الهندسة الصناعية والأنظمة بمعهد كايست أسماؤهم كمؤلفين مشاركين. تم عرض نتائج البحث يوم 10 من الشهر الحالي في المؤتمر الأوروبي لرؤية الحاسوب (ECCV 2026) الذي عُقد في مالمو بالسويد من 8 إلى 12 من الشهر الحالي. تم إجراء هذا البحث بدعم من وزارة العلوم والتكنولوجيا وتكنولوجيا المعلومات وهيئة تخطيط وتقييم تكنولوجيا المعلومات والاتصالات بموجب برنامج "تطوير التكنولوجيا الأساسية الموجهة للإنسان في مجال الذكاء الاصطناعي" وحدة المشروع "تطوير تقنية تحسين قدرات التعلم في الذكاء الاصطناعي".
 



* تمت ترجمة هذا المقال تلقائيًا بواسطة الذكاء الاصطناعي.