في عالم الذكاء الاصطناعي، حيث تتسارع وتيرة التطورات بشكل مذهل، ظهرت تقنية جديدة تحت اسم ERASE (EaRly bAckpropagation SchEdule)، تهدف إلى تحسين وتيرة تدريب أنظمة التوصية الحديثة. في الماضي، كان إنتاجيات التعليم في الأنظمة الكبيرة تحت وطأة كفاءة استخدام الموارد، حيث كانت الفترات الزمنية بين مراحل التدريب (forward وbackward) للأنظمة التقليدية غير متكافئة وتؤدي إلى إهدار الموارد.

تقنية ERASE تحدث ثورة في هذا المجال، إذ تقدم منهجًا مبتكرًا حيث يتم إعادة تفسير آلية التعلم التقليدية. من خلال فصل مخرجات مكونات الشبكة وعملية التعلم، يصبح من الممكن إطلاق مرحلة التعليم العكسي (backward pass) في وقت مبكر، مما يتيح استغلال سلاسل CUDA (CUDA Streams) في نفس الوقت بدلًا من انتظار انتهاء العمليات السابقة.

نتائج هذه التقنية تتحدث عن نفسها، حيث أظهرت التجارب على نماذج Transformers الخفيفة وُجد أن عملية فصل مكونات الشبكة يرفع من كفاءة التدريب بنسبة تصل إلى 9.51% دون التأثير على متوسط عمق المعرفة. وبذلك، تبرز ERASE كأداة حيوية تدعم المهندسين والعلماء في مجال الذكاء الاصطناعي.