في عالم الذكاء الاصطناعي المتقدم، حيث تعتمد نماذج الذكاء الاصطناعي الكبيرة (Large AI Models) بشكل متزايد على تنفيذ المهام عبر وحدات معالجة الرسوميات الموزعة (Distributed GPU Execution)، تنشأ تحديات جديدة في كيفية تحليل الأخطاء. في هذا السياق، تكشف ورقة بحثية جديدة عن إطار عمل مبتكر يُدعى GF-Bench، والذي طُوِّر باستخدام PyTorch لاستكشاف الأخطاء المختلفة في سياقات العمل الموزعة.

هدف GF-Bench هو توفير بيانات متعددة ومتنوعة تتعلق بالإخفاقات التي يمكن أن تحدث خلال تنفيذ المهام على وحدات معالجة الرسوميات. يدعم هذا الإطار تصميمات قابلة للتوسعة وتوفر منطق إدخال الأخطاء، مما يجعله أداة قوية لدراسة فعالية أداء وحدات GPU.

تناولت هذه الدراسة تحليل ثلاث طرق قائمة على التسلسل (DeepLog، LogAnomaly، وLogBERT) بالإضافة إلى نموذج LogPrompt المستند إلى نماذج اللغة الكبيرة (LLM). تشير النتائج إلى أنه عند الاعتماد على سجلات الأداء المحللة، لم تتمكن أي من الطريقتين من كشف جميع فئات الفشل بشكل موثوق، حيث سجلت الطريقة الأعلى نتيجة F1 تعادل 0.667.

لكن الوضع يتغير عند استخدام المدخلات الخام، حيث ارتفعت النتيجة الإجمالية للمدخلات إلى 0.983، بينما استخدمت LogPrompt 9.0 أضعاف معدل الاستخدام العادي. تبرز هذه النتائج التوتر الكبير بين الفعالية والكفاءة: فبينما يؤدي تحليل السجلات العامة إلى تقليل التكاليف التشغيلية، إلا أنه يتجاهل البيئة الموزعة اللازمة للكشف الدقيق عن الأخطاء.

بفضل GF-Bench، أصبح بإمكان الباحثين أن يستندوا إلى أساس قابل للتكرار لدراسة طرق تحليل فعالة من حيث التكلفة، ويمكن توسيع هذا الإطار ليشمل أنواع أخرى من أحمال العمل والأخطاء المرتبطة بوحدات GPU.