في عالم البحث المتقدم، يبقى الاستدلال بايز (Bayesian inference) حجر الزاوية لفهم القرارات تحت عدم اليقين. ومع ذلك، يبقى العائق الأكبر هو التكلفة الحسابية المرتفعة، خاصة عند استخدام الأجهزة ذات الموارد المحدودة. وبفضل دراسة جديدة منشورة، نشهد تقدمًا ملحوظًا في هذا المجال.

تقدم الورقة منهجية موجهة للأجهزة تعمل على تسريع الاستدلال بايز المتقطع على وحدات معالجة الرسوميات (GPUs) المُدمجة المتاحة تجاريًا. من خلال التعرف على العوامل التي تزيد من الكمون خلال تنفيذ خوارزميات تمرير الرسائل المتغيرة (variational message-passing)، طورت الدراسة استراتيجيات دمج متكاملة تساهم في تحسين هيكل الذاكرة أثناء العمليات المختلفة. هذا يسهم في إنتاج مركبات متداخلة صغيرة وشكل منتظم مما يسهل تنفيذها بكفاءة أعلى.

علاوةً على ذلك، تم تقديم تمثيلات مصفوفة نادرة (sparse array representations) ونموذج التجميع الخاص بالمخرجات لتخفيف الحمولة على الذاكرة، مما يرفع من كفاءة تنفيذ العمليات. كما تضمنت الدراسة تطبيق المنهجية لإنتاج نسخ محسّنة من ثلاث خوارزميات تمرير الرسائل تُستخدم مع نماذج ماركوف المخفية (Hidden Markov Models)، بما في ذلك التصفية المتغيرة (variational filtering) وتمرير الرسائل المتغيرة (variational message passing) وتمرير الرسائل الهامشية (marginal message passing).

والأكثر من ذلك، تم استكمال الابتكار بتقنية تعلم آلي تعمل كمعاير آلي (autotuner) يختار بشكل تلقائي أفضل نسخة أداء تتلاءم مع مواصفات النموذج التوليدي المُستهدف.

عند إجراء الاختبارات على جهاز NVIDIA Jetson Orin AGX عبر 770 تكوينًا من عمليات اتخاذ القرار القابلة للرصد جزئيًا (Partially Observable Markov Decision Process - POMDP)، حققت النتائج تحسنًا في السرعة يصل إلى 5 أضعاف، مع مكاسب نمطية تتراوح بين 2 إلى 2.5 ضعف، بينما تم الحفاظ على دقة النتائج كما في النسخ الأساسية.

هل أنتم متحمسون لمثل هذه التطورات في مجال الذكاء الاصطناعي؟ شاركونا آرائكم في التعليقات!