في عالم الذكاء الاصطناعي المتطور، تسعى العديد من التطبيقات لتوحيد الأداء بين الحافة (Edge) والسحابة (Cloud) والفضاء (Space). وتعتبر أنظمة الذكاء الاصطناعي المركبة (Compound AI Systems) عنصراً أساسياً لتحقيق ذلك، حيث تجمع بين مهام متباينة مثل كشف الأشياء (Object Detection) وتحليل السلاسل الزمنية (Time-Series Analytics) ومعالجة اللغة الطبيعية (Natural Language Processing).

ومع تزايد الاحتياجات، أصبحت القدرة على تحقيق أهداف مستوى الخدمة الدقيقة (Service Level Objectives - SLOs) المتعلقة بالدقة (Accuracy)، والكمون (Latency)، وتكاليف التنفيذ (Cost) أكثر أهمية. هنا يأتي دور PLAIground، وهو إطار مبتكر يتيح عملية اختيار نماذج الذكاء الاصطناعي في وقت التنفيذ (Runtime Model Selection) لضمان التزام الأنظمة بهذه المتطلبات.

تتميز PLAIground بمفهوم مركب خاص يُعرف بـ Compoundable AI Model (CAIM)، والذي يفصل المعاني المتعلقة بالمهام عن تنفيذات النماذج، مما يتيح تبديل النماذج بين المهام دون الحاجة لتغيير سير العمل. بينما يقدم PLAIground أيضًا خوارزمية Pixie المدفوعة بـ SLO، التي تختار النموذج الأكثر ملاءمة لكل مهمة أثناء التنفيذ.

من خلال تقييمات عملية محسوبة لعمليتين معقدتين، أثبتت خوارزمية Pixie قدرتها على تحقيق دقة تصل إلى 91.3% مع الامتثال لأهداف مستوى الخدمة، في حين أن الاستراتيجيات التقليدية كانت معرضة لانتهاك حدود التكلفة والكمون حتى 21 مرة، أو فقدان أهداف الدقة بنسبة 4%.

هذا التطور يمثل خطوة كبيرة إلى الأمام في عالم الذكاء الاصطناعي المركب، مما يفتح آفاقاً جديدة لتحسين أداء التطبيقات بتكاليف معقولة.