النظرة الجديدة لفهم وتحليل وتحسين تنفيذ الذكاء الاصطناعي الاستباقي: منظور CPU

في عالم الذكاء الاصطناعي سريع التطور، تسعى الأنظمة الجديدة مثل الذكاء الاصطناعي الاستباقي (Agentic AI) إلى تحويل نماذج اللغات الضخمة (Large Language Models) إلى حلّات آلية قادرة على حل المشكلات بشكل مستقل. يعتمد هذا النوع من الذكاء الاصطناعي على أنظمة متجانسة وغير متجانسة من وحدات المعالجة المركزية (CPU) ووحدات معالجة الرسوميات (GPU)، حيث تلعب وحدات المعالجة المركزية دورًا مركزيًا في تشغيل الأدوات الخارجية وتنسيق العمليات.

تهدف دراسة جديدة إلى تحليل وتحسين أداء هذه الأنظمة من منظور متعلق بوحدات المعالجة المركزية (CPU)، حيث تمتاز بمراعاة الزمن اللازم للمعالجة وكفاءة استخدام الموارد. خلال التجارب التي أُجريت، تم اختيار مجموعة متنوعة من الأحمال التشغيلية التي تمثل تعقيد الخوارزميات، وتم دراسة زمن المعالجة الكلي على نظامين مختلفين لاستكشاف زوايا الأداء.

بالاعتماد على النتائج المستخلصة من التحليل، تم تقديم تقنيتين جديدتين لتحسين جدولة الأحمال، وهما: الأولى تُعرف باسم الجدولة المدركة لوحدة المعالجة المركزية مع الحزّم المزدوج (CPU-Aware Overlapped Micro-Batching - COMB)، والثانية تُعرف بالجدولة المختلطة للاستباقية (Mixed Agentic Scheduling - MAS). تسهم هاتان الطريقتان في تحسين الاستخدام المتزامن لوحدات المعالجة المركزية ووحدات معالجة الرسوميات، مما يؤدي إلى تقليل تخصيص الموارد الزائد.

تُظهر التجارب التي أُجريت على النظامين قدرة COMB على تقليل زمن الانتظار بمقدار 1.7 مرة في تنفيذ الأحمال المتجانسة، بينما تمكنت MAS من تقليل زمن الانتظار الكلي لأحمال الأنواع النادرة بنسبة تصل إلى 2.37 مرة. بينما قد تبدو هذه الأرقام تقنية، إلا أنها تشير إلى تحسينات رئيسية في القدرة على تقديم حلول سريعة وفعّالة في مجالات متعددة.