User-Assisted Collaborative Distributed Inference for Efficient QoS-Aware Autoscaling
تقترح هذه الورقة نظام استدلال موزع تعاوني بمساعدة المستخدمين يجمع بين البنية التحتية المخصصة وموارد المستخدمين المتطوعين لتمكين التوسع التلقائي المدرك لجودة الخدمة، مما يثبت من خلال نموذج ماركوف عالي الأبعاد وعمليات المحاكاة أن هذا النهج يحسن زمن الاستجابة وإكمال الطلبات بشكل كبير مع تقليل استهلاك الموارد المخصصة مع نمو عدد المستخدمين.
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 كمدينة ضخمة ومزدحمة حيث يطلب الجميع المساعدة باستمرار. أحياناً يحتاجون إلى إجابة سريعة، ولكن في كثير من الأحيان يطلبون شيئاً معقداً للغاية، مثل الطلب من روبوت فائق الذكاء كتابة قصة، أو حل مسألة رياضية، أو التعرف على وجه في صورة. يُسمى هذا "استدلال الذكاء الاصطناعي" (AI inference). في الوقت الحالي، يتم القيام بمعظم هذا العمل الشاق في مراكز بيانات مركزية ضخمة — فكر فيها كمصانع حصينة وعملاقة حيث تعمل آلاف الحواسيب القوية معاً. ورغم أن هذه المصانع مذهلة، إلا أن بناءها وتشغيلها أصبح مكلفاً للغاية، وهي تستهلك الكثير من الطاقة لدرجة أنها تترك بصمة كربونية هائلة على كوكبنا. الأمر يشبه محاولة تشغيل إشارات المرور في مدينة كاملة باستخدام مولد واحد هائل؛ هذا يعمل، لكنه صاخب، ومكلف، ويصعب مواكبته مع انضمام المزيد من الناس إلى الطريق.
ولحل هذه المشكلة، بحث العلماء في "الحوسبة الطرفية" (edge computing)، وهي تشبه نقل بعض العمل ليكون أقرب إلى الناس الذين يحتاجونه، ربما إلى مراكز أحياء محلية. ولكن هناك فكرة أكثر جرأة: ماذا لو استطعنا استعارة قدر ضئيل من القدرة الحوسبية من الأشخاص أنفسهم الذين يطلبون المساعدة؟ هذا هو مفهوم "الحوسبة التطوعية" (volunteer computing)، حيث يقرض هاتفك، أو حاسوبك المحمول، أو جهازك اللوحي جزءاً من قدراته الذهنية الفائضة عندما لا يكون مشغولاً. السؤال الكبير الذي يطرحه الباحثون هو: هل يمكننا دمج هذين العالمين؟ هل يمكننا الاحتفاظ ببعض الخوادم القوية للتعامل مع الأساسيات، مع السماح للملايين من المستخدمين العاديين بالمساهمة في التعامل مع الباقي، مما يخلق نظاماً يتوسع تلقائياً دون الحاجة إلى بناء المزيد من المصانع العملاقة؟
هذا هو بالضبط ما سعى الباحثون في هذه الورقة البحثية لاستكشافه. إنهم يقترحون طريقة جديدة لتشغيل خدمات الذكاء الاصطناعي تسمى "الاستدلال الموزع التعاوني بمساعدة المستخدم" (User-Assisted Collaborative Distributed Inference). فبدلاً من الاعتماد فقط على الخوادم المركزية المكلفة، يقوم نظامهم بتقسيم العمل. يعمل خادم مركزي كـ "قائد"، يتولى التعامل مع قدر أساسي من العمل لضمان سير الأمور بسلاسة، ولكنه يقوم أيضاً بتفكيك المهام الكبيرة إلى "مهام فرعية" ويرسلها إلى أجهزة المستخدمين المتواجدين عبر الإنترنت حالياً. إذا كان هاتف أحد المستخدمين في حالة خمول، فيمكنه التقاط مهمة فرعية، ومعالجة الأرقام، ثم إرسال النتيجة مرة أخرى. تم تصميم النظام ليكون ذكياً: إذا كان عدد المستخدمين صغيراً، يقوم الخادم بمعظم العمل؛ وإذا كبر الحشد بشكل هائل، يعتمد النظام تلقائياً بشكل أكبر على القوة المتطوعة من كل تلك الأجهزة.
ولمعرفة ما إذا كانت هذه الفكرة ستنجح بالفعل دون التسبب في انهيار النظام بأكمله، لم يكتفِ المؤلفون ببناء نموذج أولي في العالم الحقيقي والأمل في نجاحه. بدلاً من ذلك، قاموا ببناء "توأم رقمي" عالي التفصيل للنظام — وهو نموذج رياضي معقد يحاكي كيفية تفاعل المستخدمين، والأجهزة، والمهام بمرور الوقت. لقد تعاملوا مع النظام ككائن حي يتغير في كل ثانية، حيث يدخل المستخدمون ويخرجون، وتختلف سرعات الأجهزة، وتستغرق المهام أوقاتاً متفاوتة. استخدموا هذا النموذج لتشغيل آلاف عمليات المحاكاة، واختبار سيناريوهات مختلفة: ماذا يحدث إذا كان لدينا 100 مستخدم؟ ماذا لو كان لدينا 10,000 مستخدم؟ ماذا لو كان الخادم صغيراً، وماذا لو كان ضخماً؟ لقد قارنوا نهجهم "التعاوني" الجديد بالطريقة "المركزية فقط" التقليدية.
كانت النتائج من هذه المحاكاة واعدة للغاية. وجد الباحثون أنه مع نمو عدد المستخدمين، أصبح النظام التعاوني أفضل بكثير من النظام التقليدي. عندما كان عدد المستخدمين صغيراً، كان الخادم المركزي يتعامل مع الأمور بشكل جيد. ولكن عندما تضخم الحشد ليصل إلى 10,000 مستخدم، بدأ النظام المركزي يعاني، مع إلغاء العديد من الطلبات أو استغراق وقت طويل جداً لإنهائها. في المقابل، ازدهر النظام التعاوني. فمن خلال إسناد العمل إلى أجهزة المستخدمين، تمكن النظام من إكمال المزيد من الطلبات وحافظ على "زمن الاستجاب الأخير" (tail latency) — وهو الوقت الذي تستغرقه أبطأ الطلبات للانتهاء — منخفضاً جداً. ولعل الأهم من ذلك، أن النظام التعاوني احتاج إلى قدر أقل بكثير من قدرة الخادم المخصصة لتحقيق هذه النتائج. أشارت عمليات المحاكاة إلى أنه مع قدر متوسط من سعة الخادم — حوالي 30 إلى 50 ضعف الوحدة الأساسية — يمكن للنظام التعامل مع طلب هائل من خلال الاعتماد على المستخدمين، بينما كان النظام المركزي سيحتاج إلى الاستمرار في زيادة أجهزته إلى ما لا نهاية، وهو أمر مكلف وغير فعال.
ومع ذلك، توضح الورقة البحثية بحذر أن هذه مجرد محاكاة، وليست منتجاً نهائياً جاهزاً لهاتفك اليوم. لقد اختبر الباحثون "استراتيجيات" مختلفة لكيفية توزيع الخادم للمهام. كانت إحدى الاستراتيجيات هي مجرد توزيع المهام عشوائياً على أي مستخدم متاح، بينما حاولت استراتيجية أخرى أن تكون أكثر ذكاءً عبر تجميع المهام المتشابهة معاً على نفس الجهاز لتوفم الوقت. وقد نجح النهج "العشوائي" بشكل مفاجئ، بينما تسبب نهج "التجميع الذكي" أحياناً في مشا وللأجهزة إذا خرج جهاز مستخدم عن الإنترنت فجأة، مما أدى إلى مقاطعة مجموعة كاملة من العمل. وتخلص الدراسة إلى أنه بينما الفكرة قابلة للتطبيق والرياضيات تبدو جيدة، إلا أنه لا يزال هناك عمل يجب القيام به لإتقان قواعد الجدولة وضمان أن يكون النظام قوياً بما يكفي للعالم الحقيقي. في النهاية، تقترح الورقة أن استعارة قدر ضئيل من قوة الحشد قد يكون المفتاح لجعل خدمات الذكاء الاصطناعي أرخص، وأكثر رفقاً بالبيئة، وقادرة على التعامل مع الطلب الهائل في المستقبل دون الحاجة لبناء مراكز بيانات لا تنتهي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.