فيوز إف إس إس: تعزيز أمان استنتاج نماذج اللغة الكبيرة عبر تقنيات مشاركة الأسرار الوظيفية

في عالم تكنولوجيا الذكاء الاصطناعي، تتصاعد الحاجة إلى طرق آمنة وفعالة لاستنتاج نماذج اللغة الكبيرة (Large Language Models) دون المساس بسرية المستخدمين. وقد تمثل FuseFSS، التي تعتمد على تقنيات مشاركة الأسرار الوظيفية (Function Secret Sharing)، الخطوة التالية في هذا المجال.

تسمح تقنية الاستنتاج الآمن عبر خادمين للمستخدمين بتقديم استفسارات لنموذج اللغة الكبير مستضف بشكل آمن، مما يحافظ على سرية المدخلات (prompts) والتضمينات (embeddings). ومع تقدم أنظمة المعالجة القائمة على وحدات معالجة الرسوميات (GPUs)، إلا أن العمليات غير الخطية الثابتة والعمليات المساعدة تظل تمثل نقاط ضعف رئيسية نظراً لأن تصميم كل مشغل يتم بشكل منفصل مع إعداد محتوى خاص به.

تقدم FuseFSS مبدأ جديداً لتبسيط العمليات، حيث تعمل كأداة تجميع تستبدل تصميم بروتوكولات المشغلين المتعددة بخط عملية تجميع واحد. لكل مشغل ثابت، تقدم التصميمات تفصيلاً حول تقسيم الفواصل الزمنية، وأجزاء الرياضيات ذات الدرجة المنخفضة، والبتات المطلوبة. يقوم المجمع بإصدار تقييمات FSS مجمعة على القيمة المMasked العامة، مما يؤدي إلى تحسين الكفاءة بشكل كبير.

عندما نتحدث عن الأداء، فإن FuseFSS لا يضحي بالدقة على الإطلاق، بل على العكس، فهو يحقق تسريعاً يتراوح بين 1.24 إلى 1.50 مرة مقارنة بأساليب FSS الحالية، بالإضافة إلى تقليل الاتصال الشبكي بنسبة تتراوح بين 9% و16% على نماذج مثل BERT وGPT. كما أن وقت توليد المفاتيح أصبح أخف بنسبة 14% إلى 23%، مما يمثل علامة فارقة في تسريع عمليات المعالجة.

باختصار، FuseFSS ليست مجرد تقنية جديدة، بل هي تقدم ثورة في عالم استنتاج نماذج اللغة الكبيرة بفضل سرعتها وكفاءتها وأمانها المعزز. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.