في عصر تسارع الابتكارات التقنية، يزداد الإقبال على تطبيقات إنترنت المركبات (Internet of Vehicles) التي تعتمد على الذكاء الاصطناعي. ولتلبية حاجات هذا السوق المتنامي، تم التوجه نحو حلول تعلم الآلة (Machine Learning) التي يمكن أن تواكب حركة المركبات السريعة والبيانات الموزعة بكفاءة.

لقد ظهر مفهوم التعلم الفيدرالي الهرمي (Hierarchical Federated Learning)، الذي يمكننا من القيام بتدريب نماذج مشتركة عبر الشبكات المتكاملة بين السيارات والأطراف السحابية. ومع ذلك، لا تزال هناك تحديات رئيسية ينتظرها هذا المجال. على سبيل المثال، يحتاج العديد من السيارات إلى تنفيذ مهام تعليمية متعددة في الوقت ذاته، مما يزيد من تعقيد البيئة التدريبية.

تتضمن هذه التحديات أساليب تجميع غير صحيحة تؤدي إلى تقادم النماذج وزيادة أوقات التدريب، وأيضًا قد تؤدي الحركة العالية للمركبات إلى عدم استغلال البيانات بشكل فعّال. لذا، تصبح إدارة الموارد المتنوعة لتوازن المهام ضرورة ملحة لتحقيق فعالية التدريب التعاوني.

ولتجاوز هذه العقبات، تم اقتراح إطار جديد يعرف باسم HEART (Hybrid Evolutionary And gReedy allocaTion). يتضمن هذا النموذج ثلاث مراحل رئيسية، حيث يتم أولاً جدولة المهام بشكل متوازن من خلال نهج هجين يجمع بين تحسين طائر السرب (Particle Swarm Optimization) والخوارزميات الجينية (Genetic Algorithms). ثم، يتم استخدام خوارزمية جشعة منخفضة التعقيد لتحديد الأولوية في تدريب المهام المخصصة للمركبات.

استخدمت التجارب على مجموعات بيانات حقيقية لبيان تفوق نموذج HEART على الأساليب الحالية، مما يجعله خيارًا مثاليًا في عالم السيارات الذكية. يعتبر مفهوم هذا النموذج نقلة نوعية في كيفية التعامل مع تحديات التعلم الآلي في بيئات تنقل المركبات.

ما رأيكم في هذا الابتكار؟ هل ترونه خطوة نحو مستقبل يعتمد على الذكاء الاصطناعي في حركة المرور؟ شاركونا آراءكم في التعليقات!