معمارية «دي نيو» تسرّع استدلال النماذج الكبرى: خفض كلفة التوليد لمطوري المنطقة
استمع لهذا المقال
بصوت ليلى (Layla)
كشفت ورقة بحثية جديدة نشرها الباحث جيمسون ساندلر وسبعة باحثين مشاركين عبر مستودع «أركايف» عن معمارية متقدمة لتسريع استدلال النماذج اللغوية الكبرى تحمل اسم «دي نيو» (DNeo)، في خطوة تفتح أفقا عمليا لخفض فواتير التشغيل لمشاريع الذكاء الاصطناعي في المنطقة. تركز الدراسة على معالجة الاختناقات الهندسية في تقنية فك الترميز الانتشاري التخميني، وهي التقنية التي توظف نموذج مسودة متوازيا وصغيرا لتوليد حزمة من الرموز دفعة واحدة في تمريرة أمامية واحدة، قبل أن يتولى النموذج الهدف الأكبر فحصها والمصادقة عليها بالتوازي، حيث يتحقق التسارع الفعلي عند قبول عدة رموز في اللحظة نفسها.
أظهرت المراجعة التقنية التي فحصناها في تفاصيل الورقة أن النظم السابقة، وفي مقدمتها معماريتي «دي فلاش» و«دي سبارك»، حاولت رفع جودة مسودات التوليد بالاعتماد على السمات الغنية الصادرة عن النموذج الهدف عبر آلية ترميز السمات. لكن الفريق البحثي، الذي ضم شين بيرغسما ومصطفى الهوشي ونولان دي وباحثين آخرين، وثق ثلاثة عيوب هيكلية عطلت تلك المعماريات؛ أولها أن عمليات الترميز المعتادة تسبب فقدا للبيانات وتلحق ضررا بفضاء سمات النموذج الهدف نتيجة تأثير كشفه الباحثون يعرف باسم «الخلط المتبقي»، وثانيها غياب الذاكرة العاملة التي توثق المقترحات المعالجة، وثالثها الاعتماد على أخذ عينات متجانسة من طبقات النموذج الهدف مما يسقط حالات خفية بالغة الأهمية.
تغلبت معمارية «دي نيو» على هذه القيود عبر استحداث انتباه خليط السمات، المعزز بذاكرة تشغيلية تحفظ سجل المقترحات المرفوضة سابقا. واقترن هذا الحل بمجموعة تحسينات إضافية شملت التفافات سببية ثنائية الخطوة، وتطبيق انتباه متقاطع يقتصر على السوابق، بجانب التخلي عن التجانس في انتقاء طبقات النموذج الهدف واستخراج السمات من طبقات منتقاة بعناية. وبفضل هذا التكامل الهندسي، حققت المعمارية سرعة توليد تفوق أحدث ما توصلت إليه الأبحاث في معمارية «دي فلاش 2» بمقدار 1.3 مرة، دون أي تضخيم للحجم التخزيني لنموذج المسودة أو تفريط في جودة النصوص المنتجة، مسجلة مستوى قياسيا جديدا في كفاءة الاستدلال السريع.
ماذا يعني هذا للمنطقة
تضع هذه المعمارية مشغلي البنية التحتية للحوسبة في الخليج ومصر أمام خيار تقني مباشر لخفض تكاليف التشغيل. فبدلا من الاستنزاف المالي المستمر في استئجار بطاقات معالجة إضافية لتلبية متطلبات سرعة الاستجابة في التطبيقات المؤسسية، يوفر هذا النهج لفرق التطوير وسيلة لرفع إنتاجية الرموز في الثانية بنسبة ثلاثين بالمئة بالاعتماد على نفس الموارد الحوسبية المتاحة.
إذا كنت تدير منصة ذكاء اصطناعي داخل مصرف أو جهة خدمية بالمنطقة، فإن الأثر العملي هنا ينقل الرهان من التوسع العتادي إلى كفاءة الخوارزميات. فتقليل زمن الاستدلال التخميني دون المساس بدقة النموذج يحمي ميزانيات الحوسبة التشغيلية، ويمنح مهندسي النظم المحليين قدرة على خدمة أعداد أكبر من المستخدمين المتزامنين بأقل زمن انتظار ممكن، مما يرفع الجدوى الاقتصادية لمشاريع الأتمتة المحلية.