في عالم التعلم الآلي، تعتبر تقنيات التعلم المتباين (Contrastive Learning - CL) عاملًا أساسيًا لبناء نماذج تمثيل قوية. ومع ذلك، تواجه هذه التقنيات تحديًا كبيرًا في البيئة الحديثة، وخاصة في الأجهزة الطرفية ذات الموارد المحدودة. حيث أن هذه البيئة تتطلب اتخاذ قرارات سريعة بشأن معالجة البيانات، مما يؤدي إلى تعارض بين الحاجة إلى دفعات صغيرة من البيانات لتحقيق أداء دقيق، وبين التكاليف العالية عند الاعتماد على الحوسبة السحابية.

تقدم StreamSplit، إطار عمل متقدم، حلاً مبتكرًا يتيح استخدام التعلم المتباين بشكل فعال عبر منصات ARM المتنوعة. يعالج هذا الإطار هذه التحديات من خلال ميزة فريدة تتعلق بتجنب قيود حجم الدفعات المحلية، عن طريق استخدام تقنية جديدة تعرف باسم "خسارة هجينة" للحفاظ على جودة التمثيل حتى مع التحديثات النادرة.

كما يتميز StreamSplit بجزء خاص يُعرف بـ "المقسم الذكي القائم على عدم اليقين"، الذي يستخدم سياسة تعلم معزز خفيفة الوزن لتقسيم المعالجة ديناميكيًا. تُمكن هذه السياسة من تحسين التوازن بين دقة نموذج التعلم وزمن الاستجابة في الوقت الحقيقي، مما يجعلها خيارًا مثاليًا في بيئات التعلم المعاصر.

عند تقييم أداء StreamSplit على منصات متعددة، من Raspberry Pi 4 ذات الموارد المحدودة إلى Apple M2 عالية الأداء، أظهرت النتائج أن هذه التقنية تقلل زمن الاستجابة لكل عينة بنسبة تصل إلى 4.7 ضعف، وتقطع نسبة 77.1% في عرض النطاق الترددي و52.3% في استهلاك الطاقة.

الأهم من ذلك، مع الحفاظ على دقة النموذج بنسبة 2.2% فقط من الأنظمة السحابية المركزية، يثبت StreamSplit أن التعلم التكيفي الموزع يمثل طريقًا واعدًا لنظام الحوسبة الحافة الحديث.