تعتبر عملية جدولة الأعمال في الحوسبة السحابية من التحديات الكبرى التي تتطلب ذكاءً عاليًا في تخصيص الموارد التحتية فعليًا. حيث تتطلب الأعمال الديناميكية المتزايدة وبتسلسل هرمي معقد تخصيصًا ذكيًا عبر موارد الآلات الافتراضية التي تتغير بشكل مستمر. ومع ظهور تقنيات التعلم العميق وتعزيز التعلم (Deep Reinforcement Learning - DRL)، ظهرت بعض الحلول الجيدة، لكنها تظل محاصرة بتصاميم جامدة لا تستطيع التكيف مع السيناريوهات المتنوعة.

اليوم، نُقدم لكم مفهومًا مبتكرًا بعنوان DEFT، الذي يُمثل اختصارًا لـ "Deadline-perceptive Mixture-of-Experts". يعد DEFT هيكلًا معماريًا جديدًا في مجال سياسة التعلم العميق، يستغل مزيجًا متخصصًا من الخبراء، حيث تم تدريب كل خبير على إدارة مستويات مختلفة من ضيق المواعيد النهائية.

على حد علمنا، يُعد DEFT الأول من نوعه الذي يقدم ويحقق صحة نظام "مزيج من الخبراء" في جدولة الأعمال الديناميكية على السحاب. ويعتمد DEFT على توجيه القرارات عبر الخبراء الأكثر ملاءمة، مما يمكّنه من تلبية مجموعة واسعة من متطلبات المواعيد النهائية التي لا يمكن لخبير واحد فقط تحقيقها.

في قلب DEFT يكمن آلية "اختيار هيكلي" (graph-adaptive) تركز على ترميز مواعيد انتهاء المشاريع وفعاليات العمل، حالات المهام، وظروف الآلات الافتراضية، باستخدام التقنية الحديثة لتوجيه الانتباه المتداخل (cross-attention) لتنشيط الخبراء بشكل دقيق وملائم وفقًا للمواعيد النهائية.

أظهرت التجارب التي أُجريت على معايير جدولة أعمال السحاب الديناميكية أن DEFT يقلل بشكل ملحوظ من تكاليف التنفيذ والانتهاكات الزمنية، متفوقًا بذلك على العديد من النماذج المتقدمة في أبحاث التعلم العميق. يُعطي هذا الإنجاز أملًا كبيرًا لتطوير حلول أكثر كفاءة في عالم الحوسبة السحابية.

ما رأيكم في هذا الإنجاز الجديد؟ هل تتوقعون أن تُحدث هذه التكنولوجيا تغييرًا في طريقة إدارة الأعمال السحابية؟ شاركونا آرائكم في التعليقات!