تتجه أنظار عالم الذكاء الاصطناعي (AI) نحو التقنيات التي تحافظ على الخصوصية، حيث يركز الباحثون الآن على تعلم الآلة على الأجهزة الطرفية. وهذا يعني أنه يمكن تعديل النماذج الذكية مباشرة على الأجهزة مثل Raspberry Pi باستخدام بيانات المستخدم المحلية. لكن هذا التوجه يتطلب تحسين عمليات التدريب نظراً لقيود الموارد الموجودة في الأجهزة.

وقد قدمت ورقة بحثية جديدة تقنية مبتكرة تهدف إلى تحسين حجم الدفعات (Batch Size) أثناء التدريب على هذه الأجهزة. تعتمد هذه التقنية على تحسين بايزي (Bayesian optimization)، الذي يساهم في تحقيق أقصى قدر من الأداء من خلال ضبط حجم الدفعة بشكل فعال، مما يزيد القدرة الإنتاجية دون التأثير على دقة النموذج.

عند تقييم هذه التقنية، تم اختبارها على نوعين من التعلم: التعلم الخاضع للإشراف (Supervised Learning) والتعلم المستمر عبر الإنترنت (Online Continual Learning). وبينت النتائج التجريبية على أجهزة مختلفة أنه يوجد حد أقصى للقدرة الإنتاجية، حيث لم تعد زيادة حجم الدفعة تعطي أي مكاسب إضافية.

الأكثر إثارة للإعجاب أن الطريقة المقترحة لتعديل حجم الدفعة تستطيع تحديد الحجم الأمثل. عندما يتم دمج هذا الحجم بالإضافة إلى تقنيات مثل تجميع التدرجات (Gradient Accumulation) وتعديل معدل التعلم بشكل خطي (Linear Learning Rate Scaling)، تم الوصول إلى زيادة مضاعفة تصل إلى 2X في القدرة الإنتاجية للتدريب على منصات مثل Raspberry Pi 4 دون التأثير على دقة النموذج.

وعلاوة على ذلك، في سياق التعلم المستمر، فإن الأحجام المثلى للدفعات أثبتت قدرتها على الحفاظ على التوازن بين الاستقرار والمرونة (Stability-Plasticity Balance) المطلوبين للتعلم التدريجي، مما يساهم في التخفيف من مشكلة نسيان المعرفة الكارثية (Catastrophic Forgetting) مع تعزيز الكفاءة الحسابية في الأجهزة الطرفية.

هل رأيتم كيف يمكن لتقنيات جديدة أن تحدث ثورة في طريقة تعاملنا مع الذكاء الاصطناعي؟ ما رأيكم في هذه الخطوة المبتكرة؟ شاركونا آراءكم في التعليقات!