في عالم الذكاء الاصطناعي المتسارع، تبرز نماذج الأساس (Foundation Models) كعناصر محورية تُستخدم كأساس لمختلف التطبيقات، بدءًا من اللغة والرؤية، وصولًا إلى البيانات الزمنية والتطبيقات متعددة الوسائط. ولكن، في معظم الأنظمة الحالية، يتم نشر كل نموذج مخصص كحالة مستقلة، مما يؤدي إلى تكرار النماذج الضخمة ويهدر الذاكرة اللازمة لتشغيلها.

تقدم ورقة بحثية جديدة تصورًا مبتكرًا تحت عنوان FMplex، وهو نظام يقدم نماذج الأساس كبديل افتراضي يساعد في تقاسم موارد النماذج. يفصل FMplex بين كل مهمة ونموذجها الافتراضي (vFM)، مما يوفر بيئة خاصة ولكن مدعومة بنموذج أساسي مشترك. هذا يتيح للمهام أن تشارك نفس البنية التحتية، مع الحفاظ على خصوصية وتخصيص كل مهمة.

ولتعزيز الكفاءة، يقترح النظام أيضًا جدولة عادلة تأخذ في الاعتبار مجموعات المهام (batch-aware fair-queueing), التي تدمج بين المشاركة على مستوى المهمة ومجموعات المهام الداخلية والخارجية لجميع المهام المتواجدة.

عبر تطبيق FMplex على 7 نماذج أساس و92 مهمة مخصصة، أظهرت التجارب أن النظام يقلل من زمن الاستجابة حتى 80% مقارنة بالأنظمة التقليدية، ويمكنه استضافة ما يصل إلى 6 مرات أكثر من المهام في نطاق كبير.

ما رأيكم في هذه الثورة التقنية الجديدة؟ كيف تعتقدون أنها ستؤثر على مستقبل الذكاء الاصطناعي؟ شاركونا في التعليقات!