توجه مذهل في إدارة النقل: النموذج الأمثل لتوزيع نماذج الذكاء الاصطناعي!

في عالم إدارة النقل، أصبحت نماذج الذكاء الاصطناعي، بما في ذلك نماذج اللغات الضخمة (Large Language Models) ونماذج اللغة والرؤية (Vision-Language Models)، أداة حيوية لتحسين الأداء وزيادة الكفاءة. ولكن مع تزايد الاستخدام، يطرح سؤال مهم: كيف يمكن توزيع هذه النماذج بشكل مناسب لتحقيق الأقصى من الفائدة بأقل تكاليف؟

من خلال البحث الجديد المعروف بمشكلة توزيع نماذج الذكاء الاصطناعي (Foundation Model Deployment Portfolio - FMDP)، يتم تفعيل نماذج الذكاء الاصطناعي في مهام مراكز إدارة النقل (Transportation Management Centers - TMC) لمهام فعالة مثل الكشف عن الشذوذ، الإبلاغ عن الحوادث، وتوفير المعلومات للمسافرين.

تتضمن هذه المشكلة طريقة مختلطة تعتمد على تكاليف الملكية الإجمالية (Total Cost of Ownership - TCO) وتضمن التوازن بين جودة الأداء وسرعة الاستجابة وسلامة الخدمة لكل مهمة. وقد أثبت الباحثون أن هذه المشكلة تعتبر من المشاكل الصعبة (NP-hard) من خلال تقليصها إلى مشكلة الحقيبة 0-1 (0-1 Knapsack Problem)، مع اقتراح أسلوب بسيط زمنياً لحلها.

في دراسة حالة توضيحية تحتوي على خمس مهام إدارة نقل و19 زوجًا من النماذج، تمكنت FMDP من تحديد مجموعة مختلطة تكلفتها الشهرية 34 دولار فقط، وهو أقل بـ97% مقارنة بأقل مستوى ممكن عبر واجهات برمجة التطبيقات المغلقة.

الكلمة الأخيرة تظهر أن استثمار أجهزة معالجة الرسوميات (GPU) في الموقع يصبح مجديًا فقط عندما يتجاوز معدل الاستعلامات عن الرؤية 309 استعلام في الساعة أو إذا تضاعفت أسعار واجهات برمجة التطبيقات. هذه النتائج قد تدفع عالم النقل نحو استخدام أفضل لنماذج الذكاء الاصطناعي، مما يفتح أبوابًا جديدة للابتكار والكفاءة.