VersaDB: A High-Performance AI Storage Database for Unifying Mutimodal Datasets

في عالم الذكاء الاصطنا حادث، تتعلم الحواسيب الرؤية والسمع وفهم اللغة من خلال دراسة مجموعات ضخمة من المعلومات. هذه المجموعات، المعروفة باسم مجموعات البيانات (datasets)، هي الوقود الذي يغذي هذه العقول الرقمية. تماماً كما لا يمكن للسيارة أن تعمل بدون بنزين، لا يمكن لنموذج الذكاء الاصطناعي أن يتعلم بدون بيانات. ومع ذلك، تأتي هذه البيانات في أشكال مختلفة: بعضها نص، وبعضها صور، وبعضها صوت، وبعضها مزيج معقد من الثلاثة معاً. لفترة طويلة، كافح الباحثون في كيفية تخزين واسترجاع هذه المعلومات المتنوعة بالسرعة الكافية لمواكبة سرعة شرائح الكمبيوتر الحديثة. ومع زيادة سرعة هذه الشرائح، أصبح الوقت المستغرق ببساطة في تحميل البيانات هو عنق الزجاجة، مما يؤدي إلى إبطاء عملية التعلم بأكملها. لا يكمن التحدي في حجم المعلومات فحسب، بل في حقيقة أن أنواع البيانات المختلفة غالباً ما تُخزن بطرق غير متوافقة، مما يجبر الحواسيب على إضاعة الوقت في ترجمة والبحث عما تحتاجه.

ولحل هذه المشكلة، طور فريق من الباحثين نظاماً جديداً يسمى VersaDB، وهو مكتبة تخزين متخصصة صُممت خصيصاً للطبيعة الفوضوية والمتنوعة لبيانات الذكاء الاصطناعي. وجد الباحثون أن الأساليب الحالية، التي كانت غالباً ما تُبنى لأنواع واحدة من البيانات أو لبرمجيات محددة، كانت غير فعالة عند مواجهة الواقع المختلط لتدريب الذكاء الاصطناعي الحديث. لقد أنشأوا نظاماً يعامل المعلومات المهيكلة، مثل الملصقات والأرقام، بشكل مختلف عن المعلومات غير المهيكلة، مثل الصور الخام أو الموجات الصوتية. ومن خلال فصل هذين النوعين من البيانات في أقسام مختلفة داخل ملف التخزين نفسه، يمكن للنظام تنظيمها بطريقة تجعل العثور عليها واستخدامها أسرع بكثير. بنى الفريق هيكلاً يعمل مثل مكتبة منظمة للغاية، حيث يكون لكل قطعة من المعلومات موقع دقيق، وخريطة منفصلة تسمح للكمبيوتر بالقفز مباشرة إلى المكان الصحيح دون الحاجة إلى القراءة من خلال كل شيء أولاً.

اختبر الباحثون هذا النظام الجديد مقابل الأساليب القديمة الراسخة باستخدام مجموعة متنوعة من مجموعات البيانات الواقعية، بما في ذلك ملايين الصور، ومكتبات ضخمة من النصوص، وساعات من التسجيلات الصوتية. أجروا هذه الاختبارات على نوعين مختلفين من الحواسيب القوية لضمان قوة النتائج. وأظهرت النتائج أن VersaDB يمكنه تسريع عملية تغذية نماذج الذكاء الاصطناعي بشكل كبير. وفي كثير من الحالات، كان النظام الجديد قادراً على تحميل وتجهيز البيانات بسرعة تصل إلى 5.35 مرة أسرع من أفضل الأساليب السابقة. لم تكن هذه السرعة مجرد طفرة لمرة واحدة؛ فقد حافظ النظام على ميزته سواء كان الباحثون يستخدمون خيط معالجة واحد (single thread) أو وزعوا العمل عبر العديد من المعالجات في وقت واحد. كما أثبت النظام أنه مرن للغاية، حيث تعامل مع كل شيء بدءاً من ملفات النصوص البسيطة وصولاً إلى مجموعات البيانات متعددة الوسائط المعقدة التي تجمع بين الفيديو والصوت دون فقدان الكفاءة.

بعيداً عن السرعة الخام، اكتشف الباحثون أن نظامهم الجديد غالباً ما يكون أكثر ذكاءً في كيفية استخدامه لذاكرة الكمبيوتر، لا سيما في بنيات x86-64 حيث تطلب ذاكرة أقل بكثير من منافسيه، حيث استخدم أحياناً أقل من نصف المساحة التي تحتاجها الأنظمة الأخرى. ومع ذلك، أشارت الدراسة أيضاً إلى أنه في بنيات AARCH64، أظهر VersaDB استهلاكاً أعلى للذاكرة لمجموعات بيانات الصوت ومعالجة اللغات الطبيعية (NLP) مقارنة بالحلول الحالية. هذه الكفاءة أمر بالغ الأهمية لأنها تسمح للباحثين بالعمل مع مجموعات بيانات أكبر على نفس الأجهزة، مما قد يوفر المال والطاقة. حقق النظام ذلك من خلال استخدام نهج ديناميكي للذاكرة، حيث يحتفظ فقط بالمعلومات الأكثر احتياجاً ويستبعد الباقي عندما تضيق المساحة. سمح هذا للكمبيوتر بالتركيز على موارده على البيانات التي يستخدمها بنشاط، بدلاً من التمسك بكل شيء في وقت واحد.

كما عالج تصميم VersaDB مشكلة شائعة في إدارة البيانات: عدم القدرة على تحديث أو تعديل البيانات بسهولة بمجرد تخزينها. على عكس تنسيقات التخزين التقليدية التي غالباً ما تتطلب من الباحثين إعادة بناء ملفات كاملة لمجرد تغيير قطعة واحدة من المعلومات، صُمم VersaDB خصيصاً للتغلب على هذا القصور. يطبق النظام مدير أقفال هرمي وبنية تخزين قائمة على الصفحات (page-based) تتيح قفلًا أكثر دقة، مما يسمح بقراءة البيانات دون التأثير على عمليات الكتابة. وهذا يعني أنه على عكس الأساليب السابقة حيث كانت تعديل البيانات تستلزم إعادة إنشاء الملف بأك-مله، يدعم VersaDB توسيع الحقول الديناميكي والتكامل السلس لأنواع البيانات المتنوعة، مما يوفر نهجاً أكثر مرونة لإدارة البيانات.

في النهاية، يشير العمل المقدم في هذه الورقة إلى أن الطريقة التي نخزن بها البيانات لا تقل أهمية عن الخوارزميات التي نستخدمها للتعلم منها. ومن خلال إعادة التفكير في الهيكل الأساسي لكيفية حفظ المعلومات والوصه إليها، أزال الباحثون عائقاً كبيراً أمام تدريب الذكاء الاصطناعي الأسرع. تشير النتائج إلى أن VersaDB يقدم بديلاً موثوقاً وعالي الأداء للمعايير الحالية، وقادراً على التكيف مع التعقيد المتزايد لمجموعات بيانات الذكاء الاصطناعي. وبينما أظهر النظام بعض الاختلافات في الأداء واستهلاك الذاكرة اعتماداً على نوع أجهزة الكمبيوتر المستخدمة، لا سيما مع بعض مجموعات النصوص والصوت الضخمة، إلا أنه تفوق باستمرار على الحلول الموجودة في معظم الاختبارات. يشير هذا العمل نحو مستقبل يمكن فيه لأنظمة الذكاء الاصطناعي أن تتعلم بسرعة وكفاءة أكبر، مدفوعة بنظام تخزين لا يقل ذكاءً وقدرة على التكيف عن النماذج التي يدعمها.