LLM-Powered Predictive Decision-Making for Sustainable Data Center Operations
تقدم هذه الورقة نظام جدولة تنبؤي مدعوم بنماذج اللغات الكبيرة (LLM) يتنبأ بوقت التنفيذ واستهلاك الطاقة من الكود المصدري لتحسين تخصيص موارد وحدة معالجة الرسومات (GPU)، محققاً خفضاً بنسبة 32% في استهلاك الطاقة وانخفاضاً بنسبة 30% في وقت الانتظار لعمليات مراكز البيانات المستدامة.
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
يعمل العالم الحديث بمحرك خفي وهادئ: مركز البيانات. هذه المستودعات الشاسعة من خوادم الكمبيوتر تشغل كل شيء، بدءاً من مشاهدة الأفس عبر الإنترنت وصولاً إلى أدوات الذكاء الاصطناعي التي تعيد تشكيل كيفية عملنا وتفكيرنا. ومع ذلك، فإن هذه الراحة الرقمية تأتي بتكلفة مادية باهظة. فتدريب أكثر نماذج الذكاء الاصطناعي تقدماً يتطلب قدرات حوسبة هائلة، والتي بدورها تتطلب كميات ضخطة من الكهربة والمياه للتبريد. ومع نمو الطلب على هذه الأنظمة الذكية، يزداء الضغط على شبكات الطاقة وبيئتنا. لم يعد التحدي الذي يواجه المهندسين مقتصرًا على جعل هذه الأنظمة أسرع فحسب؛ بل يتعلق بجعلها مستدامة، وضمان ألا يستهلك المستقبل الرقمي الموارد المادية اللازمة لدعمه.
ولمعالجة هذا التوتر المتزايد، طور فريق من الباحثين طريقة جديدة لإدارة تدفق العمل داخل مراكز البيانات هذه. فبدلاً من التخمين حول المدة التي ستستغرقها مهمة حاسوبية أو مقدار الطاقة التي ستستهلكها، أنشأوا نظاماً يستخدم نموذج لغة متطوراً لقراءة كود الكمبيوتر نفسه والتنبؤ بالنتيجة قبل بدء العمل حتى. يعامل هذا النهج "الكود المصدري" (source code) — وهو التعليمات التي يكتبها المبرمجون البشر — كقصة يمكن للكمبيوتر فهمها. ومن خلال تحليل بنية المنطق في الكود، يمكن للنظام تقدير الوقت المطلوب لإنجاز المهمة وكمية الطاقة التي ستستهلكها، وكل ذلك دون الحاجة لتشغيل المهمة أولاً. تتيح هذه القدرة التنبؤية لمركز البيانات اتخاذ خيارات أذكى بشأن شرائح الكمبيوتر القوية التي سيتم تخصيصها لكل مهمة، مما يوازن الحمل لتوفير الطاقة وتقليل أوقات الانتظار.
بنى الباحثون نظاماً نموذجياً يعمل في مرحلتين متمايزتين. أولاً، يقوم نموذج ذكاء اصطناعي مُدرب مسبقاً، مصمم لفهم اللغة البشرية والبرمجية، بقراءة التعليمات المقدمة من المستخدم. ويقوم بترجمة الكود المعقد إلى تمثيل رياضي يلتقط جوهر المهمة. لا يعتمد هذا النموذج على قواعد جامدة مكتوبة يدوياً أو سمات محددة يتعين على المهندسين تعريفها يدوياً لكل نوع جديد من البرامج، بل يستخدم تدريبه الواسع للتعرف على الأنماط وفهم سياق الكود، تماماً كما يمكن للقارئ الماهر استيعاب حبكة قصة دون الحاجة إلى ملخص لها. وبمجرد أن يفهم النظام المهمة، فإنه يتنبأ برقمين حاسمين: المدة التي ستستغرقها المهمة لإكمالها، وكمية الكهرباء التي ستستخدمها. وتتم هذه التنبؤات في أقل من ثانية، وهي سرعة كافية لاستخدامها في اتخاذ القرارات في الوقت الفعلي.
ومع الحصول على هذه التنبؤات، تتولى المرحلة الثانية من النظام زمام الأمور: وهي خوارزمية الجدولة التي تقرر كيفية توزيع موارد الكمبيوتر المتاحة. في مراكز البيانات التقليدية، تصل المهام في تدفق مستمر، ويجب على المدير تحديد الشريحة الحاسوبية التي سيتم تخصيصها لكل مهمة. فإذا خصص المدير مهمة لشريحة قوية جداً، تُهدر الطاقة. وإذا خصصها لشريحة ضعيفة جداً أو إذا انتظر طويلاً لتخصيصها، فستظل المهمة عالقة في قائمة الانتظار، مما يؤخر النتائج. يستخدم النظام الجديد التنبؤات من المرحلة الأولى لحساب أفضل تخصيص ممكن لكل مهمة واردة؛ حيث يأخذ في الاعتبار التوفر الحالي لأنواع مختلفة من شرائح الكمبيوتر، وتكلفة الطاقة المقدرة، والوقت الذي ستستغرقه المهمة. والهدف هو تقليل إجمالي الطاقة المستخدمة مع إبقاء وقت الانتظار لجميع المهام أقصر ما يمكن.
ولاختبار مدى نجاح هذه الفكرة في العالم الحقيقي، تعاون الباحثون مع مركز بيانات لتشغيل محاكاة باستخدام بيانات تشغيلية فعلية لمدة شهرين. وقارنوا نظامهم التنبئي الجديد بالطريقة القياسية المستخدمة في المنشأة، والتي تعتمد على قرارات بسيطة قائمة على القواعد. كانت النتائج كبيرة؛ فقد قلل النظام الجديد إجمالي استهلاك الطاقة في مركز البيانات بنسبة 32 بالمئة. وفي الوقت نفسه، خفض الوقت الذي تقضيه المهام في الانتظار بنسبة 30 بالمئة. تحققت هذه التحسينات ليس عن طريق تغيير الأجهزة أو البنية التحتية المادية، بل عن طريق تغيير كيفية تفكير مركز البيانات في العمل الذي يقوم به. وقد أثبت النظام أنه من خلال فهم الكود قبل التنفيذ، يمكن للمنشأة أن تعمل بكفاءة أكبر بكثير.
إن أحد أكثر جوانب هذا العمل إثارة للإعجاب هو مرونته. فالمناهج التقليدية للتنبؤ باستخدام الطاقة غالباً ما تتطلب نموذجاً منفصلاً ومخصصاً لكل نوع مختلف من البرامج الحاسوبية. وإذا ظهر نوع جديد من المهام، فإن النظام القدي سيعاني للتنبؤ باحتياجاته. ومع ذلك، يستخدم النهج الجديد نموذجاً موحداً واحداً يمكنه التعامل مع مجموعة واسعة من المهام، بدءاً من تدريب أنظمة التعرف على الصور المعقدة وصولاً إلى تشغيل نماذج اللغة. وذلك لأن نموذج الذكاء الاصطناعي الأساسي قد تعلم فهم البنية الجوهرية للكود، بدلاً من مجرد حفظ أمثلة محددة. ووجد الباحثون أنه حتى عندما كُتب الكود بأسلوب مختلف قليلاً أو بواسطة شخص آخر، لا يزال بإمكان النظام إجراء تنبؤات دقيقة. ولتحسين ذلك بشكل أكبر، أضافوا خطوة ثانوية حيث يمكن للنظام إعادة كتابة الكود غير المألوف إلى أسلوب يطابق بيانات تدريبه، مما يضمن بقاء التنبؤات دقيقة حتى بالنسبة للمهام التي لم يرها النظام من قبل.
كما تسلط الدراسة الضوء على تحول في كيفية تفكيرنا في إدارة الموارد في العصر الرقمي. لسنوات، كانت مراكز البيانات تعمل بناءً على تقديرات يقدمها المستخدمون أو على متوسطات تاريخية غالباً ما تخطئ الهدف. هذا الأسلوب الجديد يستبدل التخمين بالتنبؤ المدروس. وهو يشير إلى أن مفتاح مستقبل رقمي أكثر استدامة يكمن في أدوات اتخاذ قرار أفضل يمكنها التكيف مع تعقيد الحوسبة الحديثة. وبينما يركز النظام الحالي على الوقت والطاقة، يشير الباحثون إلى أنه يمكن توسيع الإطار نفسه للتنبؤ بالآثار البيئية الأخرى، مثل استخدام المياه للتبريد أو انبعاثات الكربون، بشرذ ما يقوم مركز البيانات بتتبع تلك المقاييس.
إن نجاح هذا النموذج الأولي يثبت أن الذكاء الاصطناعي يمكن استخدامه ليس فقط لابتكار تقنيات جديدة، بل لتحسين البنية التحتية التي تدعمها. فمن خلال قراءة الكود والتنبؤ بتكلفة العمل، يحول هذا النظام مركز البيانات إلى كائن أكثر استجابة وكفاءة. إن خفض استهلاك الطاقة بنسبة 32 بالمئة وتقليل وقت الانتظار بنسبة 30 بالمئة ليست مجرد أرقام؛ بل هي خطوة ملموسة نحو تقليل البصمة البيئية لثورة الذكاء الاصطناعي. ومع استمرار تصاعد الطلب على الذكاء الاصطناعي، تقدم طرق مثل هذه مساراً عملياً، مما يثبت أننا نستطيع بناء عالم رقمي أكثر ذكاءً واستدامة دون التضحية بالأداء. وتظهر هذه الأعمال أنه مع توفر الأدوات الصحيحة، يمكن للمحرك الخفي للإنترنت أن يعمل بشكل أنظف وأكثر كفاءة من أي وقت مضى.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.