Google تكشف عن STATIC: تسريع البحث التوليدي 948 مرة

تقف أنظمة التوصية، التي تحدد ما يظهر لك في خلاصة YouTube أو Google Play أو أي خدمة كبرى أخرى، على أعتاب تحول جوهري. فبدلًا من النهج الكلاسيكي القائم على البحث عن أقرب الجيران في فضاء التضمينات (embeddings)، يتجه القطاع بوتيرة متزايدة إلى تجربة البحث التوليدي، حيث يقوم نموذج لغوي كبير بـ«ابتكار» معرّفات العناصر المناسبة مباشرة. وقد قدمت Google AI للتو إطار العمل STATIC الذي يعالج إحدى أكثر مشكلات هذا النهج إيلامًا، ويحقق ذلك بتسريع لافت يبلغ 948 مرة.

ولفهم أهمية هذا العمل، لا بد من استعراض السياق. البحث التوليدي (Generative Retrieval, GR) نموذج يُرمَّز فيه كل عنصر في الكتالوج، سواء كان مقطع فيديو أو منتجًا أو مقالًا، في صورة ما يسمى المعرّف الدلالي (Semantic ID)، أي سلسلة من الرموز المنفصلة (tokens). ويُدرَّب النموذج اللغوي على توليد هذه السلاسل بصورة انحدارية ذاتية، رمزًا تلو الآخر، على غرار توليد GPT للنصوص.

تبدو الفكرة أنيقة، لكنها تصطدم عمليًا بعقبة جدية: فأنظمة التوصية الإنتاجية لا تعمل في فراغ. إذ تفرض منطق الأعمال قيودًا صارمة: يجب أن يكون المحتوى حديثًا، وأن يتوافق مع القواعد الإقليمية، وألا ينتهك التصنيفات العمرية، وأن يراعي اتفاقيات الترخيص. ولا يستطيع النموذج ببساطة توليد المعرّفات بحرية، إذ يجب التحقق في كل خطوة من خطوات فك الترميز من امتثالها لهذه القيود.

ومن هنا تبدأ المشكلات. فالفك المقيَّد للترميز (constrained decoding) في التطبيقات القائمة بطيء إلى حد مؤلم. ففي كل خطوة توليد، يتعين على النموذج مطابقة مجموعة ضخمة من الاستمرارات المسموح بها، واستبعاد الخيارات غير المقبولة، وإعادة توزيع الاحتمالات. ومع كتالوجات تضم عشرات الملايين من العناصر وقيود تركيبية معقدة، يتحول ذلك إلى كابوس حسابي. وقد استخدمت المقاربات السابقة هياكل بيانات شجرية، هي الأشجار البادئية (tries)، لكنها لا تتسع جيدًا عند فرض قيود متعددة متقاطعة، ويصعب عمليًا موازاتها بكفاءة على وحدات GPU.

يقترح STATIC (Sparse maTrix frAmework for consTraIned deCoding) نهجًا مختلفًا جذريًا. فبدلًا من اجتياز الأشجار، يترجم الإطار منطق القيود بأكمله إلى لغة العمليات على المصفوفات المتناثرة. ويُمثَّل كل قيد، سواء كان مرشّحًا لتاريخ النشر أو الموقع الجغرافي أو الفئة، في صورة مصفوفة متناثرة، ويُختزل الجمع بينها في عمليات مصفوفية قياسية: الضرب والتقاطع والاتحاد. ويمنح ذلك ميزتين حاسمتين. أولًا، العمليات على المصفوفات المتناثرة محسَّنة بشكل ممتاز على وحدات GPU وTPU الحديثة، إذ أنشأت عقود من العمل على الجبر الخطي في تعلم الآلة بنية تحتية قوية لهذا الغرض. وثانيًا، يتيح هذا النهج الجمع بسلاسة بين عدد اعتباطي من القيود دون نمو أسّي في التعقيد.

ورقم التسريع البالغ 948 مرة يستحق وقفة خاصة. ففي أبحاث التحسين كثيرًا ما تظهر معاملات مبهرة تتبين عند التمحيص أنها نتيجة مقارنة بحل أساسي ضعيف عن قصد. أما في حالة STATIC، فالمقارنة تجري مع أساليب فك ترميز مقيَّد حقيقية مستخدمة في بيئات الإنتاج. وتسريع بهذا الحجم يعني أن عملية كانت تستغرق دقائق باتت تُنجَز في أجزاء من الثانية، وهذا هو الفارق بين تقنية مثيرة للاهتمام نظريًا وأخرى قابلة للتطبيق عمليًا.

وقد تكون تبعات ذلك على قطاع أنظمة التوصية كبيرة. فحتى الآن ظل البحث التوليدي إلى حد بعيد مفهومًا بحثيًا، وذلك تحديدًا بسبب صعوبة الالتزام بقيود الأعمال في الزمن الحقيقي. فالشركات التي تدير كتالوجات تضم مئات الملايين من العناصر لم تكن قادرة ببساطة على تحمل التأخير في فك الترميز. ويزيل STATIC هذا القيد من حيث المبدأ، ويفتح الطريق أمام استبدال النماذج التقليدية ثنائية الأبراج التي تعتمد على البحث التقريبي عن أقرب الجيران بمسارات معالجة توليدية بالكامل. وقد يحسّن ذلك بدوره جودة التوصيات، فالنماذج التوليدية قادرة على التقاط أنماط أعقد لتفضيلات المستخدمين مما تلتقطه التضمينات الساكنة.

وثمة سياق أوسع أيضًا. فالفك المقيَّد للترميز ليس مشكلة أنظمة التوصية وحدها. إذ تظهر المشكلة نفسها في توليد النصوص المهيكلة، وفي الأنظمة التي ينبغي فيها للنماذج اللغوية أن تُخرج JSON صالحًا أو استعلامات SQL أو شيفرة برمجية تتوافق مع قواعد نحوية صورية. وإذا ثبت أن نهج STATIC قابل للتعميم، فقد تجد مبادئه تطبيقات تتجاوز التوصيات بكثير.

تواصل Google بمنهجية تحويل النماذج اللغوية من أدوات لتوليد النصوص إلى محركات حسابية شاملة. وSTATIC ليس إعلانًا صاخبًا عن روبوت محادثة جديد، بل ابتكار في البنية التحتية قد يغيّر بهدوء، ولكن بصورة جذرية، معمارية الأنظمة التي يتعامل معها مليارات المستخدمين يوميًا. وأعمال كهذه، غير المرئية للجمهور العريض والحاسمة للمهندسين، هي التي تحدد في نهاية المطاف مدى ذكاء الخدمات التي نستخدمها وسرعتها.