شرح مهندس Eltex كيفية تشغيل التعلم الفيدرالي على أجهزة edge بذاكرة 256 ميجابايت

يُناقش التعلم الموحد عادةً في سياق الهواتف الذكية والسيارات والشبكات الكبيرة للإنترنت من الأشياء، لكن في الممارسة العملية يتبين أن الحاجز الرئيسي غالباً ما يكون أكثر واقعيةً: الجهاز ببساطة لا يملك ذاكرة كافية. وهذا بالضبط ما يركز عليه مهندس شركة Eltex ألكسندر لوشكاريف في مادته، المعدة بناءً على محاضرة قدمها في AiConf. يبدو الموضوع ضيقاً للوهلة الأولى، لكنه في الواقع يتعلق بأي مشروع تقريباً حيث يتعين نقل تعلم الآلة من السحابة إلى حافة الشبكة وجعله يعمل على معدات بموارد متواضعة جداً.

نتحدث عن سيناريوهات حيث يمتلك جهاز الحافة أقل من 256 ميجابايت من ذاكرة الوصول العشوائي. قد يبدو هذا بمثابة قيد شبه متطرف لفرق الخوادم، لكن بالنسبة للإلكترونيات الصناعية والبوابات والمعدات الاتصالية والأنظمة المدمجة والمتحكمات المتخصصة، هذا التكوين واقعي تماماً. في مثل هذه الظروف، لا تنحصر المهمة في مجرد أخذ نموذج جاهز وتحميله في الذاكرة.

من الضروري في الوقت نفسه توفير مساحة النموذج ذاته والبيانات والمخازن المؤقتة والعمليات النظامية ومنطق تبادل التحديثات دون فقدان استقرار الجهاز. يكون التعلم الموحد في هذا السياق مثيراً للاهتمام لأنه يسمح بتدريب النماذج أو ضبطها الدقيق دون نقل مركزي للبيانات الخام. بدلاً من ذلك، يتم إجراء العمليات الحسابية محلياً وترسل فقط المعاملات أو تغييراتها للخارج.

يساعد هذا النهج في التحكم بشكل أفضل في الخصوصية، ويقلل من الاعتماد على قناة اتصال مستمرة، ويجعل سيناريوهات الحافة أكثر قابلية للحياة. لكن له جانب معاكس: عميل FL المحلي بحد ذاته يتطلب ذاكرة وعمليات حسابية وتنظيماً دقيقاً للعملية. كلما كان الجهاز أضعف، كان يجب توفير كل ميجابايت بشكل أكثر صرامة.

بناءً على وصف الجزء الأول، تتناول المادة جانب الهندسة من هذه المشكلة على وجه التحديد، وليس النظرية المجردة. بالنسبة للفرق التي تطبق تعلم الآلة على الأطراف، هذه هي المنطقة الأكثر إيلاماً: قد يكون النموذج دقيقاً في المختبر لكنه يثبت أنه عديم الفائدة في الإنتاج إذا لم يتسع في الذاكرة أو تسبب في تدهور الخدمات الأخرى. على مثل هذه الأجهزة، لا يتعلق الأمر فقط بحجم الأوزان، بل أيضاً بالارتفاعات المؤقتة لاستهلاك الذاكرة أثناء الاستدلال وتحضير الدفعات وتسلسل التحديثات والتبادل الشبكي.

حتى لو بدا النموذج مضغوطاً بشكل ثابت، قد يجعل السلوك الديناميكي التنفيذ مستحيلاً. بهذا المعنى، الصيغة ذاتها المتعلقة بجهاز يبدو فيه 1 جيجابايت وكأنه رفاهية تصف بدقة الفجوة بين مكدس تعلم الآلة النموذجي والعالم المدمج الحقيقي. العديد من الأدوات والممارسات المألوفة من تطوير الخوادم ببساطة لا تعمل هنا بدون تكييف.

لا يمكنك زيادة حجم الدفعة بلا حد، أو الاحتفاظ بنسخ إضافية من الموترات أو الاعتماد على احتياطي ذاكرة نظام واسع. أي خطأ في تقييم ملف تعريف المورد يتحول بسرعة إلى إعادة تشغيل وتعليق أو فقدان الوظيفة التي كان من المفترض أن يوفرها النموذج في المقام الأول. من المهم بشكل خاص ملاحظة أن الأمر لا يتعلق بمجرد تشغيل الاستدلال على جهاز صغير، بل بالتعلم الموحد تحديداً.

هذا نمط أكثر تعقيداً: يحتاج النظام إلى استقبال النموذج العام دورياً وتنفيذ خطوات التدريب محلياً وتخزين الحالات الوسيطة وإعادة النتيجة. مع ذاكرة محدودة، عليك إعادة النظر في كل شيء: حجم النموذج وتنسيق تمثيل البيانات وتكرار المزامنة ومدة الجلسات المحلية وأحياناً حتى معمارية العميل نفسها. من الإعلان يتضح أن المؤلف يصيغ السؤال بشكل صحيح: قبل مناقشة جودة النموذج، عليك أن تفهم ما إذا كان من الممكن الحفاظ عليه على أجهزة الحافة الحقيقية بدون أعطال وتوازنات مستمرة في الموثوقية.

بالنسبة للسوق، هذا إشارة مهمة. الاهتمام بالذكاء الاصطناعي على حافة الشبكة ينمو، لكن التطبيق الفعلي يعترضه حد قيود الذاكرة والطاقة والمتانة وليس العروض التوضيحية الجميلة. لذا فإن هذه المواد مفيدة ليس فقط لمهندسي تعلم الآلة بل أيضاً لفرق البرمجيات الخلفية والأنظمة المدمجة وفرق المنتج: إنها تعيد الحوار من مستوى الوعود إلى مستوى هندسة الأنظمة.

إذا كان الجزء الأول يحدد إطار المشكلة، فالاستنتاج الرئيسي واضح بالفعل: في تعلم الآلة على الحافة، لا تفوز أكثر نموذج صيحة، بل ذلك الذي يستطيع الجهاز فعلياً تحمله.