في عالم الذكاء الاصطناعي، أصبح جدولة الطلبات بكفاءة أمراً حيوياً لتقليل الوقت المستغرق لإتمام المعاملات في نماذج اللغة الكبيرة (Large Language Models). على الرغم من أن السياسات المعتمدة على حجم الطلبات مثل "أقصر وظيفة أولاً" تحاول إعطاء الأولوية للطلبات القصيرة، إلا أن معرفة الأبعاد الفعلية للإخراج قبل التوليد كانت وما زالت تحدياً مهماً. هنا يبرز الابتكار الجديد المعروف باسم JIL.

تُعرف JIL بأنها هجوم يستغل سياسات جدولة نماذج اللغة الكبيرة من خلال التلاعب بإشارة الجدولة. الهدف من هذا الهجوم هو الحصول على أولوية أعلى وتقليل الوقت المطلوب لإكمال الطلب. باستخدام نموذج TRAIL كدراسة حالة، تم تحسين ذيل عدائي (adversarial suffix) يجعل التجربة الخفيفة لتقدير طول الطلب تفشل في تقدير الطول بالفعل.

أظهرت التجارب على مجموعتين من البيانات وأربعة نماذج للغة الكبيرة مع ملفات طلب متنوعة اختلافات ملحوظة. حيث تمكنت JIL من تقليل التوقعات الخاصة بالطول بنسبة تصل إلى 83.4%، مما أدى إلى إكمال الطلبات العدائية أسرع بمتوسط 1.53 مرة.

لكن التحدي يكمن في الفجوة الكبيرة بين تقدير الجدول والطول الفعلي المطلوب، مما يكشف عن نقص في التوافق بين ما تتنبأ به الأنظمة وما يحدث في الواقع. علينا اكتشاف آليات الدفاع من جانب الجدول، حيث أظهرت النتائج أن تجميع التوقعات في فترات خفيفة يمكن أن يقلل من مميزات مصالح JIL ويسهم في تخفيف التأخيرات على الطلبات العادية.

فما رأيكم في هذه التوجهات الجديدة في الذكاء الاصطناعي؟ كيف ترون تأثير الهجمات العدائية في هياكل جدولة الطلبات؟ شاركونا أفكاركم في التعليقات.