في عالم الذكاء الاصطناعي المتطور، تزداد أهمية وكالات اللغة الكبيرة (Large Language Models) في توليد أكواد وحدات معالجة الرسوميات (GPU). لكن ما يواجه المطورون هو تحدي معرفة متى يجب تنفيذ تحسينات معينة لتحقيق النتائج المثلى. هنا تظهر تقنية جديدة تدعى KLineage.

KLineage ليست مجرد طريقة تحسين تقليدية، بل إنها ترتكز على تعلم ما يُعرف بـ "متى"، من خلال استقراء المعرفة من أكواد الخبراء. بدلاً من الاعتماد على إجراءات التجريب العشوائي، تقوم هذه التقنية بالتراجع عبر مراحل التنفيذ التي نجح بها الخبراء، ثم تعكس الخطوات المعتمدة لتحويلها إلى مهارات تحسين قابلة لإعادة الاستخدام.

تتضمن المهارات المسجلة معلومات عن نية التحسين، موضع التطبيق في الكود، الظروف التي جعلتها صالحة، التأثير الناتج عنها، والأخطاء المحتملة التي يمكن تجنبها. تُستخدم هذه المهارات بواسطة نماذج لغة كبيرة في معالجة أكواد جديدة، مما يؤدي إلى تمكين المطورين من تحويل الأكواد تحت نفس المعايير الخاصة بالتجميع والتصحيح.

من خلال التجارب على خمسة أعباء عمل خبراء عبر بنى معمارية مختلفة لشركة NVIDIA، أظهرت KLineage أنها تتفوق في كلا الجودة والكفاءة. كما تم استخدام فحص منفصل بـ 22 حالة اختبارية لمعرفة دقة النتائج ومكافحة أخطاء التذكر المباشر.

هل سيلعب KLineage دورًا محوريًا في المستقبل؟ ما هي ابتكارات الذكاء الاصطناعي التي تترقبونها؟ شاركونا آراءكم في التعليقات!