شهدت صناعة الذكاء الاصطناعي انقساماً واضحاً في التحديات الهندسية التي تواجهها؛ فبينما تسعى مراكز البيانات الضخمة ومصانع الذكاء الاصطناعي إلى معالجة نماذج اللغة الكبيرة ذات المعاملات الهائلة، تبرز في المقابل تحديات تشغيل النماذج الأصغر محلياً على أجهزة الحافة (Edge Devices) التي تعاني من محدودية المساحة والطاقة والذاكرة، وتُعد النطاق الترددي وعرض النطاق للذاكرة العشوائية العقبة الرئيسية التي تحفز الابتكارات التقنية مثل الكم الكمي وتقنيات الضغط المتقدمة.
تتنوع أجهزة الحافة بشكل كبير لتشمل الهواتف المحمولة والأجهزة القابلة للارتداء والأجهزة المنزلية وإنترنت الأشياء الصناعي والروبوتات والأنظمة السيارات. وفي هذا السياق، يشير الخبراء إلى أن الخطوة الأولى والأساسية لتصميم نموذج ذكاء اصطناعي مدمج وصحيح الحجم تكمن في تحديد الغرض بدقة ووظائف الجهاز المستهدف، حيث إن النماذج كبيرة الحجم قد تسبب بطء الجهاز أو ارتفاع حرارته، بينما تترك النماذج الصغيرة جداً المنتج بمستوى ذكاء غير كافٍ لتلبية المتطلبات.
استراتيجيات الضغط ومفاضلات الأداء
يعتمد مصممو الأنظمة عادةً على مزيج من تقنيات الضغط بدلاً من الاعتماد على أسلوب واحد، وتتضمن هذه الاستراتيجيات:
- التقطير (Distillation): تدريب نموذج أصغر يسمى بالـ "طالب" لتقليد نموذج أكبر يسمى بالـ "معلم"، مما ينقل السلوكيات المتعلمة إلى بنية أصغر حجماً مع الاحتفاظ بقدرات الاستدلال الأساسية.
- التقليم (Pruning): إزالة الأوزان أو الخلايا العصبية أو الطبقات ذات التأثير الضعيف، سواء كان ذلك بطريقة منظمة أو غير منظمة.
- التقييس (Quantization): استخدام عدد أقل من البتات للأوزان والتنشيطات مع الحفاظ على بنية الشبكة وإدارة حدود التصحيح للحد من فقدان الدقة.
- الضغط الذاتي (Self-compression): تقليل الدقة تدريجياً أثناء مرحلة التدريب وصولاً إلى تصفير المسارات غير المؤثرة، مما يتيح استهداف الأجهزة المخصصة بكفاءة.
تحديد الوظائف وأحمال العمل
لا يقتصر التحدي على ضغط النموذج وحسب، بل يتطلب التكامل الفعّال على مستوى النظام ككل. فالموديل عادةً ما يتشارك الذاكرة وقدرات الحوسبة مع باقي مكونات التطبيق، مما يجعل الموارد المتاحة أصغر فعلياً مما تظهره المواصفات النظرية. ويتطلب ذلك تصنيف الوظائف وتحديد الأولويات بين الوظائف الأساسية الحرجة والوظائف الاختيارية، بحيث يتم بناء نواة الذكاء الاصطناعي لتكون قريبة من أجهزة الاستشعار المحلية ضمن حلقة استشعار ذاتية الاحتواء.
ما الذي يتغير عملياً؟
يتحول التركيز في هندسة الحافة من مفهوم "النموذج الأكبر يفوز دائماً" إلى مقياس "التجربة لكل واط". وتُظهر التطبيقات في قطاعات مثل السيارات والأنظمة الفيزيائية الذكية حاجة ماسة لموازنة زمن الاستجابة في الوقت الفعلي، واستهلاك الطاقة، والتكلفة، والسلامة الوظيفية، نظراً لتطور نماذج الذكاء الاصطناعي بوتيرة أسرع من دورات تطوير السيليكون.
قيود واعتبارات التصميم المستقبلية
تواجه شركات تطوير الملكية الفكرية وتقنيات الحافة تحديات إضافية تتمثل في سرية النماذج التي يتدرب عليها العملاء في قطاعات حساسة مثل السيارات الذاتية القيادة لأسباب تتعلق بالأمان والسلامة والملكية الفكرية. لذلك، فإن نجاح نشر الذكاء الاصطناعي على الحافة يبدأ بتحديد أحمال العمل واختيار البنية ذات الحجم المناسب منذ البداية، مع الاعتماد على التصميم المرن للأنظمة لمواكبة التطورات المتسارعة في كل من النماذج والأجهزة الصلبة.
كيف أعددنا هذا الخبر؟
اعتمد الخبر على المصدر الأصلي الموضح أعلاه. قد نستخدم أدوات آلية للمساعدة في الاستخراج والتصنيف والصياغة،
لكن النشر يخضع لقواعد تمنع المحتوى المكرر والقصير أو الروتيني منخفض القيمة.
اقرأ سياستنا التحريرية.