Grounding Large Language Models as Generalizable Policies in Network Control
تقدم هذه الورقة "Trailblazer"، وهو إطار عمل يعمل على ترسيخ النماذج اللغوية الكبيرة في التحكم في الشبكات من خلال المواءمة النطاقية والتعاون التكيفي، مما أظهر تحسينات ملحوظة في الأداء مقارنة بالسياسات التقليدية في كل من عمليات المحاكاة واختبار (A/B) صناعي واسع النطاق على منصة "Douyin".
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل الإنترنت ليس كشبكة ضخمة من الكابلات، بل كمدينة صاخبة وفوضوية حيث تحاول ملايين السيارات (البيانات) الوصول إلى وجهاتها في نفس الوقت. أحياناً تكون الطرق واسعة وخالية؛ وأحياناً أخرى تكون مزدحمة تماماً. وللحفاظ على تدفق حركة المرور، نحتاج إلى إشارات مرور وضباط شرطة — وهذه هي "سياسات التحكم" التي تقرر مدى سرعة حركة البيانات. لعقود من الزمن، قمنا ببناء هؤلاء الضباط باستخدام أداتين رئيسيتين: إما أننا كتبنا كتب قواعد صارمة بناءً على الخبرة البشرية (مثل "إذا كانت الإشارة حمراء، توقف")، أو أننا دربنا روبوتات متخصصة لتتعلم من أنماط مرورية محددة. ولكن تكمن المشكلة هنا: الحياة الواقعية فوضوية. فعندما تظهر نوع جديد من السيارات، أو تضرب عاصفة مفاجئة، فإن تلك الكتب القدية والروبوتات المتخصصة غالباً ما ترتبك، مما يؤدي إلى اختناقات مرورية، وبطء في الفيديوهات، وشعور السائقين بالإحباط.
هنا يبرز "النموذج اللغوي الكبير" (LLM). قد تعرف هذه النماذج بصفتها برامج الدردشة الآلية الذكية جداً التي يمكنها كتابة القصائد، وحل المسائل الرياضية، وفهم أي موضوع تقريباً لأنها قرأت جزءاً ضخماً من الإنترنت. وقد تساءل العلماء: هل يمكننا استخدام هذه الأدمغة الاصطناعية العارمة المعرفة لنكون هم ضباط المرور للإنترنت؟ الفكرة مثيرة لأن هذه الأنظمة الذكية بارعة في "التعميم" — فهي تستطيع معرفة كيفية التعامل مع موقف لم تره من قبل. لكن هناك عقبة؛ فهذه الأنظمة مصممة لقراءة وكتابة الكلمات، وليس لمراقبة عدادات السرعة أو تقرير مدى سرعة تحرك سيارة ما. بالإضافة إلى ذلك، فهي بطيئة وثقيلة؛ فطلب قرار من أجل كل سيارة على الطريق السريع سيؤدي إلى خلق ازدحام مروري خاص بها. والسؤال الكبير هو: هل يمكننا تعليم هذه الأنظمة المحبة للكلمات كيف تدير إشارات المرور في الإنترنت بفعالية دون أن تبطئ كل شيء؟
يقدم هذا البحث حلاً ذكياً يسمى Trailblazer، وهو إطار عمل مصمم لتحويل هذه الأدمغة الاصطناعية القوية إلى متحكمات شبكية قابلة للتعميم. لم يحاول الباحثون مجرد إجبار الذكاء الاصطناعي على العمل فحسب، بل بنوا "مترجماً" و"مديراً" لجعل ذلك ممكناً. أولاً، أنشأوا نظام محاذاة النطاق (domain alignment). فكر في هذا الأمر كتعليم الذكاء الاصطناعي لغة جديدة. فبدلاً من تغذيته بالنصوص، قاموا بترجمة بيانات الشبكة (مثل سرعة حركة البيانات أو مدى امتلاء الذاكرة المؤقتة/buffer) إلى تنسيق يفهمه الذكاء الاصطناعي، تماماً مثل تحويل قراءات مستشعرات المرور إلى قصة يمكن للذكاء الاصطناعي قراءتها. كما بنوا "مفكك شفرة" (decoder) خاصاً يمنع الذكاء الاصطناعي من كتابة قصيدة ويجبره على إخراج أمر مروري محدد وصالح، مثل "خفف السرعة إلى 50 ميجابت في الثانية".
ومع ذلك، حتى مع وجود مترجم، لا يزال الذكاء الاصطناعي بطيئاً جداً للتعامل مع كل طلب في الوقت الفعلي. فإذا طلبت من عبقري حل مسألة رياضية لكل سيارة على الطريق السريع، فلن يتحرك الخط أبداً. لذا، أضاف الباحثون طبقة ثانية: التعاون التكيفي للسياسات (adaptive policy collaboration). هذا يشبه وجود فريق من ضابطين؛ أحدهما روبوت سريع وبسيط يتعامل مع حركة المرور اليومية السهلة (عندما يكون الطريق خالياً)، والآخر هو الذكاء الاصطناعي فائق الذكاء، ولكن لا يتم استدعاؤه إلا عندما تصبح الأمور معقدة أو خطيرة (مثل وقوع حادث مفاجئ أو نمط مروري غريب). يقوم "مجدول" (scheduler) ذكي بتقرير من سيتولى التعامل مع كل سيارة؛ فإذا كان الطريق سلساً، يتولى الروبوت السريع المهمة، وإذا كان الطريق فوضووياً، يستدعي المجدول العبقري الذكاء الاصطناعي لتحديد أفضل خطوة.
اختبر الفريق هذه الفكرة بطريقتين. أولاً، أجروا عمليات محاكاة ضخمة على نوعين مختلفين تماماً من مهام الإنترنت: البث التكيفي لمعدل البت (Adaptive Bitrate Streaming) (وهي الطريقة التي تعدل بها تطبيقات مثل تيك توك أو يوتيوب جودة الفيديو حتى لا يتوقف التحميل)، وجدولة مهام العنقود (Cluster Job Scheduling) (وهي الطريقة التي تقرر بها مراكز البيانات الضخمة أي كمبيوتر يجب أن ينفذ أي مهمة). وفي هذه المحاكاة، تفوق نظام Trailblazer، المدعوم بالذكاء الاصطناعي، باستمرار على أفضل الأساليب الموجودة. لقد تعامل مع التغيرات غير المتوقعة في حركة مرور الشبكة بشكل أفضل بكثير، محققاً تحسناً في الأداء يتراوح بين 3.5% إلى 41.3% اعتماداً على المهمة.
لكن السحر الحقيقي حدث عندما نقلوا التجربة من المحاكاة إلى العالم الحقيقي. فقد نشروا هذا النظام على تطبيق Douyin (النسخة الصينية من تيك توك)، وهي منصة تضم عشرات الملايين من المستخدمين يومياً. أجروا اختباراً ضخماً لمدة ثلاثة أسابيع يقارن بين نظامهم المدعوم بالذكاء الاصطناعي وبين السياسة الصناعية المثالية الحالية للشركة. وكانت النتائج مذهلة؛ فلم يكتفِ نظام الذكاء الاصطناعي بالعمل فحسب، بل هزم البطل المصمم بشرياً. فقد قلل من الوقت الذي يقضيه المستخدمون في انتظار تحميل الفيديوهات (وقت التوقف/stall time) بمقدار يُقدر بـ 3,145 ساعة يومياً عبر المنصة بأكملها. وهذا يعادل توفير أكثر من 129 يوماً من وقت تشغيل الفيديو كل 24 ساعة.
ومن أكثر الاكتشافات إثارة للدهشة التي توصل إليها البحث هي حجم الذكاء الاصطناستحق. عادةً، مع الذكاء الاصطناعي، كلما كان أكبر كان أفضل. لكن الباحثين وجدوا شيئاً يسمونه "التشبع المبكر" (early saturation). فقد اختبروا أحجاماً مختلفة من نماذج الذكاء الاصطناعي، من الصغيرة جداً إلى الضخمة، ووجدوا أن الأداء لا يستمر في التحسن مع نمو النموذج. فبمجرد وصول النموذج إلى حجم معين صغير (حوالي 0.5 مليار معلمة/parameter)، وصل إلى مرحلة الثبات في الأداء. وجعل النموذج أكبر لم يكن يزيده إلا بطئاً وتكلفة دون أي فائدة حقيقية. وهذا يشير إلى أنه للتحكم في الإنترنت، لا تحتاج إلى دماغ ضخم وثقيل للغاية؛ بل إن الدماغ المدمج والفعال هو المثالي تماماً.
علاوة على ذلك، أثبتوا أن استراتيجية "الاستدعاء الانتقائي" (selective invocation) — أي استدعاء الذكاء الاصطناعي فقط عند الحاجة الفعلية إليه — هي المفتاح لجعل هذا العمل ممكناً في الوقت الفعلي. فمن خلال ترك القواعد البسيطة تتعامل مع الأمور السهلة واستدعاء الذكاء الاصطناعي فقط للمشاكل الصعبة، حافظوا على سرعة النظام لتلبية وقت الاستجابة الصارم البالغ 100 مللي ثانية المطلوب لمكالمات الفيديو المباشرة، مع الاستفادة من ذكاء الاصطناعي عندما كان الأمر ضرورياً حقاً.
باختصار، يوضح هذا البحث أننا لسنا بحاجة لاستبدال جميع قواعد الشبكة بنماذج ذكاء اصطناعي ضخمة. بدلاً من ذلك، يمكننا بناء فريق ذكي حيث يعمل ذكاء اصطناعي صغير ومدرب جيداً كمستشار خبير، يتدخل فقط عندما تصبح الأمور معقدة. يتيح هذا النهج للإنترنت أن يكون أكثر متانة، وقدرة على التعامل مع التغيرات غير المتوقعة في حركة المرور بشكل أفضل من ذي قبل، ويفعل ذلك دون إبطاء تجربة مليارات الأشخاص الذين يستخدمونه كل يوم. إنه تحول من محاولة بناء دماغ واحد مثالي وضخم إلى إنشاء نظام تعاوني ذكي يعرف بالضبط متى يفكر بعمق ومتى يكتفي بمجرد الحفاظ على استمرارية الحركة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.