TempoNet: Slack-Quantized Transformer-Guided Reinforcement Scheduler for Adaptive Deadline-Centric Real-Time Dispatchs

تخيل مدينة صاخبة حيث يتسابق آلاف سائقي التوصيل ضد عقارب الساعة. بعض الطرود يجب أن تصل في غضون خمس دقائق؛ والبعض الآخر يمكنه الانتظار ساعة كاملة. مركز التحكم في حركة المرور بالمدينة لديه عدد محدود من ضباط الشرطة (الحواسيب) لتوجيه هؤلاء السائقين. إذا اتخذ المركز قراراً خاطئاً، فسيفقد طرد حرج موعد تسليمه، وقد ينهار النظام بأكمده. هذا هو عالم الجدولة في الوقت الحقيقي (real-time scheduling)، وهو فرع من علوم الحاسوب مخصص لاتخاذ قرارات في أجزاء من الثانية حول من يحق له استخدام مورد ما (مثل المعالج) ومتى. لعقود من الزمن، استخدم الخبراء قواعد رياضية صارمة لإدارة هذه الحركة. تعمل هذه القواعد بشكل مثالي عندما تسير الأمور بسلاسة، ولكن عندما تصبح المدينة فوضوية - عندما تصل الكثير من الطرود في وقت واحد أو يعلق سائق في الازدحام - غالباً ما تنهار تلك القواعد القديمة، مما يتسبب في تفويت المواعيد النهائية والفوضى.

هنا يأتي دور التعلم التعزيزي (Reinforcement Learning - RL)، وهو نوع من الذكاء الاصطناعي الذي يتعلم من خلال التجربة والخطأ، تماماً مثل شخصية في لعبة فيديو تتعلم كيف تجتاز مرحلة ما. بدلاً من اتباع كتاب قواعد جامد، يحاول وكيل التعلم التعزيزي تجربة استراتيجيات مختلفة، ويحصل على نقاط للحركات الجيدة، ويخسر نقاطاً للحركات السيئة، ليصل في النهاية إلى أفضل طريقة للتعامل مع الفوضى. ومع ذلك، فإن تعليم ذكاء اصطناعي ليكون شرطي مرور أمر صعب؛ إذ يحتاج لأن يكون سريعاً للغاية (يتخذ القرارات في أجزاء من الملي ثانية) ويجب أن يدرك أن طرداً موعد تسليمه بعد ثانية واحدة يختلف تماماً عن طرد موعد تسليمه بعد دقيقة واحدة. إذا ارتبك الذكاء الاصطناعي أو استغرق وقتاً طويلاً في التفكير، سيفشل النظام.

وهنا يأتي دور اختراع جديد يسمى TempoNet. فكر في TempoNet كمنظم حركة مرور فائق الذكاء والسرعة، لا يكتفي بمجرد النظر إلى قائمة الطرود، بل "يشعر" بمدى إلحاح كل منها. لقد بنى الباحثون وراء TempoNet نظاماً يجمع بين عقل ذكاء اصطناعي قوي (Transformer، وهي نفس التقنية التي تقف وراء العديد من برامج الدردشة الحديثة) مع حيلة ذكية لقياس الوقت. فبدلاً من محاولة حساب الثواني بدقة، وهو أمر قد يكون مربكاً وبطيئاً، يقوم TempoNet بتقسيم الوقت إلى "صناديق إلحاح". إنه يسأل: "هل هذه المهمة ملحة للغاية، أم ملحة فقط، أم يمكنها الانتظار؟" ثم يخصص "رمزاً" (token) خاصاً لهذا الشعور. ومن خلال القيام بذلك، يمكن للذكاء الاصطناعي النظر إلى حشد فوضوي من مئات المهام، وتحديد المهام الأكثر حرجاً على الفور، وتخصيصها للمعالجات المناسبة دون أن يشعر بالإرهاق.

تقدم الورقة البحثية TempoNet كوسيلة جديدة لجدولة المهام على الحواسيب، مصممة خصيصاً للحالات التي يكون فيها تفويت الموعد النهائي مشكلة كبيرة. وجد الباحثون أنه باستخدام نظام "صناديق الإلحاح" هذا، تمكن ذكاؤهم الاصطناعي من اتخاذ قرارات أفضل من القواعد الرياضية القديمة ومن طرق الذكاء الاصطناعي الأخرى، خاصة عندما يكون النظام تحت ضغط شديد. وفي الاختبارات التي شملت مئات المهام، نجح TempoNet في إنجاز مهام في وقتها المحدد أكثر من منافسيه، مع بقائه سريعاً للغاية في اتخاذ قراراته - بسرعة كافية للعمل على شرائح الكمبيوتر الحقيقية دون إبطاء أي شيء. ويشير هذا إلى أنه من خلال تعليم الذكاء الاصطناعي التفكير في الوقت بطريقة أكثر شبهاً بالبشر، مثل "ملحّ مقابل غير ملحّ"، يمكننا بناء أنظمة أذكى وأكثر موثوقية لكل شيء، من خوادم السحاب إلى السيارات ذاتية القيادة.

المشكلة: ازدحام الوقت

تخيل أنك مدير مطبخ مزدحم لديه عدد محدود من الطهاة (المعالجات). الطلبات (المهام) تأتي باستمرار. بعض الطلبات عبارة عن سلطة بسيطة تستغرق دقيقتين، ولكن يجب تقديمها في غضون 3 دقائق. والبعض الآخر عبارة عن شريحة لحم معقدة تستغرق 10 دقائق، ولكن الزبون سيكون سعيداً لو انتظر 20 دقيقة.

في الأيام الخوالي، كان مدير المطبخ يستخدم كتاب قواعد صارم: "اطبخ دائماً الطلب الذي له أقرب موعد تسليم أولاً". هذا يعمل بشكل رائع عندما يكون المطبخ هادئاً. ولكن ماذا لو وصلت 50 طلباً في وقت واحد؟ قد يعلق كتاب القواعد في محاولة تحديد الترتيب المثالي، أو قد يبدأ في طهي شريحة اللحم أولاً لأنها "مهمة"، مما يتسبب في احتراق السلطة (تفويت موعد تسليمها).

هذه هي المشكلة التي يحلها TempoNet. إنه نوع جديد من المديرين الذين لا يكتفون باتباع كتاب قواعد، بل يتعلمون من الخبرة. ولكن لكي يتعلم، يحتاج إلى فهم الوقت بطريقة يمكن للحواسيب معالجتها بسرعة.

السر الصغير: "مُرمز الإلحاح" (Urgency Tokenizer)

أكبر طفرة في هذه الورقة البحثية هي أداة ذكية تسمى Urgency Tokenizer.

تخيل أنك تحاول وصف مدى قربك من موعد نهائي لصديق. يمكنك أن تقول: "بقي لي 3.427 دقيقة". هذا دقيق، لكنه صعب التذكر وسهل الخطأ فيه. أو يمكنك أن تقول: "أنا في المنطقة الحمراء!" أو "أنا في المنطقة الصفراء!".

يقوم TempoNet بالضبط بهذا. فهو يأخذ الوقت المتبقي بالضبط قبل الموعد النهائي (الذي يسمى "الفراغ" أو slack) ويضعه في فئات أو "صناديق" متميزة.

• الصندوق 1: "سأموت في ثوانٍ!" (ملح للغاية)
• الصندوق 2: "سأتأخر." (ملح)
• الصندوق 3: "لدي متسع من الوقت." (مسترخٍ)

بمجرد وضع الوقت في هذه الصناديق، يمنح الذكاء الاصطناعي كل صندوق "رمزاً" خاصاً (مثل شارة ملونة). المهمة التي تحمل شارة "المنطقة الحمراء" تحصل على شارة مختلفة عن مهمة "المنطقة الصفراء". وهذا أمر ضخم لأن هذا يحول رقماً مستمراً وفوضوياً إلى تسمية واضحة وبسيطة يمكن للذكاء الاصطناعي فهمها فوراً. بدلاً من الارتباك بسبب الاختلافات الطفيفة في الوقت (مثل 3.4 دقيقة مقابل 3.5 دقيقة)، يركز الذكاء الاصطناعي على الصورة الكبيرة: "هذه المهمة في المنطقة الحمراء؛ إنها تحتاج للمساعدة الآن".

العقل: "ترانسفورمر" لا يهتم بالترتيب

معظم نماذج الذكاء الاصطناعي التي تتعامل مع التسلسلات (مثل قراءة جملة) تهتم بترتيب الكلمات. "القط جلس على الحصيرة" تختلف عن "الحصيرة جلست على القط". لكن في مجدول المهام بالحاسوب، لا يهم الترتيب الذي تصل به المهام. ما يهم هو مجموعة المهام المنتظرة حالياً.

يستخدم TempoNet نموذج Transformer (نوع من الذكاء الاصطناعي الشهير بفهم السياق) ولكنه يعدله ليكون ثابت التبديل (permutation-invariant). وهذه طريقة معقدة لقول: "لا يهم إذا أدرجت المهام بالترتيب أ، ب، ج أو ج، أ، ب؛ فالذكاء الاصطناعي يرى نفس المجموعة من المهام".

ولجعله سريعاً بما يكفي للاستخدام في الوقت الحقيقي، أضاف الباحثون آلية انتباه متناثر (sparse attention). تخيل غرفة مزدحمة حيث يصرخ الجميع. الذكاء الاصطناعي العادي سيحاول الاستماع إلى الجميع في وقت واحد، وهو أمر مرهق وبطيء. أما TempoNet، فيستمع فقط إلى الأشخاص الذين يصرخون بأعلى صوت (المهام الأكثر إلحاحاً) ويتجاهل الباقي. إنه يستخدم اختيار "Top-k" لاختيار المهام الأكثر أهمية للتركيز عليها، متجاوزاً الضجيج. وهذا يسمح له بالتعامل مع مئات المهام في أقل من مللي ثانية.

النتائج: الفوز في سباق ضد الزمن

اختبر الباحثون TempoNet في ثلاثة سيناريوهات مختلفة:

1. طاهٍ واحد: مطبخ بسيط بـ معالج واحد.
2. مطبخ صناعي: إعداد معقد بمهام مختلطة وعدة طهاة.
3. المطبخ شديد الازدحام: نظام ضخم مع ما يصل إلى 600 مهمة تعمل في وقت واحد.

في الاختبارات، تفوق TempoNet باستمرار على المنافسين.

• ضد القواعد القديمة: عندما كان النظام مثقلاً (مهام كثيرة جداً)، بدأت القواعد التقليدية مثل "أقرب موعد تسليم أولاً" في الفشل، وفقدت المواعيد النهائية يميًا ويسارًا. حافظ TempoNet على هدوئه، محققاً نسبة نجاح بلغت 79% في المهام الصعبة حيث تمكنت القواعد القديمة (مثل Rate Monomorphic و Earliest Deadline First) من تحقيق حوالي 11.67% فقط.
• ضد الذكاء الاصطناعي الآخر: تفوق أيضاً على طرق الذكاء الاصطناعي الأخرى. في اختبار شمل 200 مجموعة مهام عشوائية، حقق TempoNet معدل امتثال للمواعيد النهائية بلغ 87%، متفوقاً بفارق ضئيل على أفضل طرق الذكاء الاصطناعي الأخرى (التي تراوحت بين 86% و 87%)، ومتفوقاً بشكل كبير على نماذج التعلم العميق القياسية.
• السرعة: رغم ذكائه، كان سريعاً. على شريحة كمبيوتر قياسية، يمكنه اتخاذ قرارات لـ 600 مهمة في حوالي 375 ميكروثانية (أي 0.000375 ثانية)، وهو ضمن الحدود المطلوبة للأنظمة التي تعمل بالوقت الحقيقي.

لماذا يهم هذا الأمر؟

تشير الورقة البحثية إلى أن TempoNet يقدم إطار عمل عملياً لمستقبل الحوسبة. مع زيادة تعقيد أجهزتنا وتعاملها مع المزيد من البيانات، لن تكفي الطرق القديمة لإدارة المهام. نحن بحاجة إلى أنظمة يمكنها التكيف مع الفوضى.

من خلال تحويل الوقت إلى "رموز إلحاح" واستخدام ذكاء اصطناعي ذكي وسريع للتركيز فقط على ما يهم، يثبت TempoNet أنه يمكننا بناء مجدولات ذكية وسريعة في آن واحد. الأمر لا يتعلق فقط بإنجاز المزيد من العمل؛ بل يتعلق بإنجاز العمل الصحيح في الوقت الصحيح، حتى عندما يشتد الضغط.

لاحظ الباحثون أيضاً أن نظامهم مرن؛ حيث يمكن تدريبه للاهتمام باستهلاك الطاقة أو المخاطر، وليس السرعة فقط. وإذا تعرض النظام لضغط مفاجئ من المهام، فقد وجدوا أن إجراءات "التخفيف أثناء التشغيل" (مثل تغيير عدد المهام التي ينظر إليها مؤقتاً) يمكن أن تساعده على التعافي دون الحاجة إلى إعادة التدريب.

باختصار، TempoNet هو نوع جديد من شرطي المرور في العالم الرقمي، شرطي يتعلم كيف يشعر بإلحاح اللحظة ويتصرف وفقاً لذلك، مما يضمن وصول الطرود الأكثر أهمية في مواعيدها المحددة دائماً.