في عالم الذكاء الاصطناعي، تعتبر نماذج التعلم العميق (Deep Learning) للتوصية أداة قوية لفهم تفضيلات المستخدمين من خلال تحليل تاريخ تفاعلاتهم المتسلسلة. ومع ذلك، يواجه الباحثون والمطورون تحديات كبيرة تتمثل في اختلاف خصائص البيانات والتي تؤدي إلى سوء استخدام الموارد الحسابية أثناء التدريب على نطاق واسع، نتيجة لما يُعرف بفقاعات الحوسبة (Computational Bubbles) الناجمة عن مشاكل في الأداء البطيء والتواصل المحجوز.

في هذا الإطار، قدمت دراسة جديدة مصداقية عالية من خلال طرحها لتقنية فري سكال (FreeScale)، التي تعد بمثابة نقطة تحوّل في هذا المجال. يهدف فري سكال إلى معالجة مشكلات فرز البيانات بشكل هادف، عبر تحقيق توازن دقيق في تحميل عينات الإدخال، وبالتالي تقليل تأثير عوائق الأداء.

تتضمن الاستراتيجية أيضًا دمج الاتصالات المحورية للأبعاد مع العمليات الحسابية، مما يتيح تقليل فترات الانتظار. وبالإضافة إلى ذلك، يستخدم فري سكال تقنيات مبتكرة لتقليل التنافس على موارد وحدات معالجة الرسوميات (GPU) أثناء عمليات الحوسبة والاتصالات.

أظهرت التجارب أن هذه الحلول فعّالة بشكل غير عادي، حيث حققت فري سكال انخفاضًا ملحوظًا في فقاعات الحوسبة بنسبة تصل إلى 90.3% عند تطبيقها على أحمال عمل حقيقية تعمل على 256 وحدة معالجة رسوميات بهيئة H100.

هذه النتائج تعزز من قدرة الشركات على استخدام الموارد بشكل أكثر فعالية، مما يساهم في تحسين نماذج التوصية وتقديم تجرِبة مستخدم أكثر دقة وسلاسة.

هل أنتم مستعدون لاستكشاف مستقبل نماذج التوصية باستخدام فري سكال (FreeScale)؟ شاركونا آراءكم في التعليقات!