تحول التعلم المتدفق في الأنظمة المدمجة: تقييم استهلاك الذاكرة لطرق التعلم المتدفق

تمثل أنظمة التعلم المتدفق (Stream Learning) إحدى التقنيات البارزة في الذكاء الاصطناعي اليوم، حيث يتم تقييم هذه الأنظمة عادة من خلال أدائها في التنبؤ وقدرتها على التكيف مع تغير المفاهيم. لكن في الوقت نفسه، يتطلب تشغيل نظام التعلم المتدفق لفترات طويلة أيضًا استخدام موارد محفوظة وقابلة للتنبؤ، خاصةً عند الانتقال من الخوادم إلى الأنظمة المدمجة القريبة من المستشعرات (Embedded Systems) حيث تكون الذاكرة والموارد المعالجة نادرة.

قد أجريت دراسة شاملة على سبعة مصنفين تمثيليين للتعلم المتدفق ضمن 13 تيارًا حقيقيًا وصناعيًا تحت ميزانيات حجم النموذج تتراوح من 128 KiB إلى 8 MiB تقريبًا. هذه الدراسة تضمنت دورات تجريبية بلغت 6,463 تجربة، وقيست دقة الفشل والذاكرة القصوى للنموذج ووقت استنفاد الميزانية وتأخير التحديثات.

نتائج هذه الدراسة كشفت عن وجود نمطين مختلفين من فشل الموارد. حيث يمكن أن تتجاوز التجميعات التكيفية (Adaptive Ensembles) الميزانيات الصغيرة على الفور بسبب بصمتها الأولية، حتى لو بقي حجمها ثابتًا بعد ذلك. من ناحية أخرى، يمكن أن تتناسب الأشجار المتزايدة بدايةً لكنها تنمو على مدى الزمن مع التدفقات الطويلة، حيث زادت أشجار هوفدين (HoeffdingTrees) وأشجار القرار السريعة للغاية (Extremely Fast Decision Trees) بمعدل يصل إلى 7.37 و5.87 على التوالي.

تظل الطرق الواضحة المضغوطة (Explicitly Compact Methods) الخيار الوحيد القابل للتطبيق في ظل أصغر الميزانيات، لكنهم عادةً ما يُتجاوزون عند اتخاذ ميزانيات أكبر، مما يجعل التجميعات التكيفية تنافسية. لذلك، تشير النتائج إلى أن العديد من الأساليب الحديثة لا يمكن تطبيقها بشكل كامل في الأنظمة المدمجة أو الأنظمة طويلة الأمد. كما تدعو هذه الدراسة مجتمع التعلم المتدفق إلى جعل استهلاك الموارد المحدودة هدفًا تصميميًا أساسيًا، إلى جانب التكيف مع تغير المفاهيم، مع اقتراح خطوات ملموسة لتحقيق هذا الهدف، بما في ذلك API يمكن من خلاله للمتعلمين المتدفقين الكشف عن ميزانيات الموارد واحترامها.