في عالم الذكاء الاصطناعي المتقدم، تتزايد الحاجة إلى طرق فعالة لتدريب نماذج الذكاء الاصطناعي عبر المناطق الجغرافية المختلفة. يعد تدريب الذكاء الاصطناعي الموزع (Geo-distributed ML training) أمرًا جذابًا في سيناريوهات متعددة مثل تدريب النماذج الكبيرة أو التعلم الفيدرالي، ولكن يواجه تحديات كبيرة تؤثر على كفاءته.

من أبرز تلك التحديات هي عدم وجود جدولة مرنة وفعالة لموارد السحابة متعددة المناطق، والتي تؤدي إلى ضعف استغلال الموارد وزيادة التكاليف. كما أن الاتصال خلال الشبكات الواسعة (WAN) يُعتبر حجرة رئيسية، حيث يتعرض لضعف النطاق الترددي وتقلباته العالية.

استجابةً لهذه التحديات، قدم الباحثون إطار العمل الجديد Cloudless-Training، والذي يهدف إلى تحقيق تدريب الذكاء الاصطناعي الموزع بكفاءة عالية. يتميز هذا الإطار بخواص ثلاث رئيسية:
1. **هيكل ذو طبقتين**: حيث يستخدم بنية مكونة من طبقتين تدعم جدولة مرنة وتواصل فعال عبر السحب، مما يعزز من قدرة النظام على التأقلم مع الظروف المختلفة.
2. **استراتيجية جدولة مرنة**: تُتيح لنماذج التدريب التكيف مع تنوع الموارد السحابية المتاحة وتوزيع مجموعات البيانات الجاهزة، مما يزيد من كفاءة العملية.
3. **استراتيجيات تزامن مبتكرة**: تم تطوير استراتيجيات جديدة مثل التزامن غير المتزامن مع تجميع التدرجات (ASGD-GA) ومتوسط ​​النماذج بين الخوادم (MA)، مما يعزز من كفاءة التدريب ويقلل من الوقت المستغرق.

تم تنفيذ هذا الإطار باستخدام OpenFaaS وتم تقييمه على منصة Tencent Cloud. أظهرت التجارب نجاح Cloudless-Training في دعم التدريب العام للذكاء الاصطناعي بطريقة موزعة جغرافيا، وجاءت النتائج لتظهر تحسينًا كبيرًا في استخدام الموارد، حيث سجلت انخفاضاً في تكاليف التدريب بنسب تتراوح بين 9.2% إلى 24.0%، بالإضافة إلى تسريع في كفاءة التزامن، يصل إلى 1.7 مرة مقارنة بالأساليب التقليدية.

إذا كنت من المهتمين بتقنيات الذكاء الاصطناعي، ما رأيك في هذا التقدم المثير؟ شاركونا في التعليقات.