في عالم الذكاء الاصطناعي، أصبحت الأساليب التي تعتمد على تحسين النموذج بكفاءة مثل LoRA (Low-Rank Adaptation) معروفة على نطاق واسع، حيث تُعتبر هذه الأساليب طريقة تقليدية لتكييف النماذج الكبيرة. لكن التحديات تبرز عندما نحاول اعتماد أساليب التخصيص على بيئات موزعة. معظم الطرق الحالية تعتمد على التجميع المركزي، وهو ما يزيد من العبء الاتصالي ويؤدي إلى إدخال أخطاء متعددة بسبب العلميات المتزامنة.

في بحث جديد، يعرض العلماء نهجاً مبتكراً يُسمى RW-LoRA، الذي يعتمد على مفهوم السيرا للقفزات العشوائية في عملية تحسين النموذج. بدلاً من الحفاظ على نسخ متعددة من النموذج، يقوم نموذج واحد بالتنقل عبر الشبكة وتحديث نفسه بطريقة متسلسلة وباستخدام أهداف محلية.

تتمثل هذه الطريقة في التخلص من الحاجة إلى التزامن العالمي، مما يقلل بشكل كبير من تكاليف الاتصال والحوسبة، ويجنب الأخطاء الناتجة عن تجميع التحديثات.

تقدم الدراسة أدلة على تقارب هذا النهج بالنسبة للأهداف غير المحدبة تحت الافتراضات القياسية، وتظهر التجارب على مهام متعددة معالجة اللغات الطبيعية (NLP) أن الطريقة المقترحة تحقق أداءً تنافسياً أعلى مع تقليل كبير للتكاليف.

إن هذا البحث يُعد بمثابة خطوة ثورية نحو تحسين أساليب تخصيص النموذج الذكي، ويشير إلى القدرة على إحداث تغيير جذري في كيفية استخدام الذكاء الاصطناعي في مختلف التطبيقات.