في عالم شبكات الاتصال السريعة والمتغيرة، تُعتبر الخوارزميات الذكية أمرًا بالغ الأهمية. لذا، قد يبدو أن تطوير خوارزمية التعديل التلقائي (ABR) لشبكة واحدة يمثل تحديًا كبيرًا، حيث قد يتطلب من المهندسين أشهرًا لإتمامه. لكن مع ظهور نماذج اللغات الكبيرة (Large Language Models)، أصبح بإمكاننا إنجاز هذه المهمة في ساعات قليلة، بل وبتفوق على التصاميم اليدوية. ومع ذلك، تكمن التحديات في أن التصميم الأولي للخوارزمية يكون مرتبطًا بالبيئة عند ولادته، مما يجعله غير قادر على التكيف مع التغيرات المستقبلية.

إليكم الحل المبتكر...

نعرض لكم ReForge، وهو إطار عمل للتعلم الهجين المستمر يعمل على تعديل الخوارزمية لتتوافق مع السيناريوهات المتغيرة باستمرار. يعمل ReForge بالتوازي مع نموذج لغوي كبير (LLM)، حيث يتلقى النموذج البيانات حول نقاط الضعف في التصميم الحالي ويقترح تعديلًا بسيطًا في كل جولة. هذه التعديلات تُعيد تقييم الخوارزميات المستخدمة عبر الشبكات الحالية.

ما يميز ReForge هو أنه يعدل صفحة واحدة من القواعد غير المؤكدة، مما يضمن توجيه كل قرار إلى مجموعة من السياسات المدربة مسبقًا. يبدأ النموذج بقراءة القياسات الحالية، ويقوم بكتابة أول صفحة من هذه القواعد، ثم يقوم بتحسينها باستمرار بمفرده. وفي كل جولة، ينتبه إلى أين تنقص القواعد الحالية ويقترح تعديلاً طفيفًا، حيث يتم اتخاذ القرار بناءً على الأداء عبر جميع الشبكات المعنية.

لقد تم تقييم ReForge على تسع عائلات فعلية من الشبكات، التي تم تقديمها واحدة تلو الأخرى، بدءًا من 3G، ثم 4G، وأخيرًا 5G. وقد أظهرت بعض التعديلات البسيطة تحسنًا ملحوظًا في جودة تجربة المستخدم (QoE) من 1.23 إلى 1.74، متجاوزة أفضل سياسة واحدة سابقًا التي حققت 1.66، وبلوغ 94% من أداء النموذج المثالي.

تجدر الإشارة إلى أن جميع الأكواد والبيانات وسجلات التجارب ستصبح مفتوحة المصدر بعد التنظيف.

هذا التطور يعد بمثابة نقلة نوعية في كيفية إدارة الشبكات وكيفية تحسين تجربة المستخدم على مر الزمن. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.