في عالم قائم على البيانات، يعتبر البحث عن الجار الأقرب (Approximate Nearest Neighbor Search - ANNS) واحداً من التحديات الأساسية في مجالات التعلم الآلي واسترجاع المعلومات. توفر بطاقات الرسوميات (GPUs) طريقًا واعدًا لتحقيق أداء عالي في هذا المجال، حيث تقدم إمكانية معالجة متوازية ضخمة وتتوفر بسهولة. لكن، على الرغم من هذه المميزات، تواجه أنظمة ANNS المدعومة بالمؤشرات ثلاث تحديات رئيسية.

أولاً، التطبيقات الحديثة تعمل على بيانات تتغير باستمرار وتتطلب تحديثات سريعة، ولكن العديد من أنظمة GPU تتطلب إعادة بناء الفهارس من البداية عندما يتم إضافة بيانات جديدة. ثانيًا، تضع المتجهات عالية الأبعاد ضغوطًا على عرض النطاق الترددي للذاكرة، لكن أنظمة GPU الحالية تفتقر إلى تقنيات التكميم الفعالة التي تقلل من حركة البيانات بدون إحداث أضرار في أداء الوصول العشوائي إلى الذاكرة. ثالثًا، إن الوصول إلى الذاكرة القائم على البيانات يجعل من الصعب تحقيق تداخل بين الحساب والذاكرة، مما يؤدي إلى تقليل الأداء.

هنا يأتي دور نظام Jasper، الذي يُعتبر نظام بحث عن الجار الأقرب Native-GPU مع سعة كبيرة لاستعلامات فعالة وقابلية تحديث. يبني Jasper على فهرس Vamana ويتجاوز العقبات الحالية من خلال ثلاث خدمات رئيسية:

1. خوارزمية بناء تعتمد على CUDA تتيح إدخالات تدفقية خالية من الإغلاق.
2. تنفيذ فعال لتقنية RaBitQ للتكميم التي تقلل من مساحة الذاكرة حتى 8 مرات دون العقوبات الناتجة عن الوصول العشوائي.
3. تحسين نواة البحث الجشع التي تزيد من استخدام الحساب، مما ينتج عنه تحسين في إخفاء الكمون وزيادة في السعة.

تظهر تقييماتنا عبر خمسة مجموعات بيانات أن Jasper يُحقق قدرة استعلام تفوق 1.84 مرة مقارنة بنظام CAGRA، ويحقق استخدامًا يصل إلى 80% عند قياسه باستخدام نموذج السقف. إن بناء Jasper يتميز بالكفاءة، حيث يقوم ببناء الفهارس بمعدل أسرع 7 مرات من CAGRA، مع توفير قابلية التحديث التي يفتقر إليها CAGRA. مقارنةً بنظام BANG، الذي يعد الأسرع سابقًا لتنفيذ Vamana عبر GPU، يوفر Jasper أسرع استعلامات تصل إلى 10-74 مرة.