في عالم السحابية والبيانات الضخمة، يظل تقدير الموارد واستخدام الوقت لمشاريع سير العمل أمرًا معقدًا يتطلب حلولاً مبتكرة. في هذا السياق، ظهرت "لاسير" (LASER) كأداة جديدة تقدم صيغة مبتكرة لتحقيق تقديرات دقيقة يعتمد عليها في تنفيذ مشاريع سير العمل السحابية.

تعتبر مشكلات تقدير الموارد واستخدام الوقت من التحديات الجوهرية، وذلك نتيجة للتعقيد المتزايد للبنية التحتية للمشاريع، التي تتضمن الأوامر البرمجية، والمعلمات الخاصة بالأدوات، وخرائط الاعتماد، والبيانات الوصفية. في السابق، كانت الأساليب التقليدية في التعلم الآلي تتطلب مهارات متقدمة في هندسة الميزات، مما يؤدي إلى فقدان السياق الدلالي المهم.

لكن LASER تعكس هذا الاتجاه من خلال تقديم إطار عمل يعتمد على نماذج اللغة الكبيرة (Large Language Models) لتحسين دقة التقديرات. يستخدم هذا الإطار تكيفًا خاصًا لتطبيق مهام تقدير متعددة للموارد والتوقيت، وهو ما يتيح له التعامل بشكل أكثر كفاءة مع البيانات شبه الهيكلية.

من بين الميزات البارزة التي تقدمها لاسير هو استخدام ترميز الإخراج بالصيغ العلمية، مما يتيح لها التعامل مع أهداف تتجاوز عدة أوامر من حيث الحجم. بالإضافة إلى ذلك، يقوم بتطبيق تقنيات مثل ملء الأسبقية التي تحافظ على صحة المخرجات وتقلل من زمن الاستدلال بأكثر من 30%.

تم اختبار LASER على أعمال تصميم شريحة كبيرة، بالإضافة إلى GHARuntime، معيار جديد يعتمد على أكثر من 580,000 عملية عبر 27,000 مستودع على GitHub. النتائج أظهرت تفوق LASER على الخبراء البشريين ومعايير التعلم الآلي التقليدية، مما يمهد الطريق لنموذج متطور في تقدير الموارد باستخدام نماذج اللغة الكبيرة.

مع LASER، نشهد بداية حقبة جديدة في معالجة البيانات شبه الهيكلية، مما يفتح المجال لتطبيقات مستقبلية مبتكرة في عالم الذكاء الاصطناعي.

ما رأيكم في هذه التطورات المثيرة في عالم الذكاء الاصطناعي؟ شاركونا في التعليقات.