MIT تسرّع التدريب الخاص للذكاء الاصطناعي على الأجهزة العادية لخدمة قطاعي الطب والمالية

أظهر باحثو MIT طريقة تسرّع التعلم الفيدرالي بوضوح. والتعلم الفيدرالي نهج يُعاد فيه تدريب نموذج الذكاء الاصطناعي مباشرة على أجهزة المستخدمين، بينما لا تغادر البيانات الخام الهاتف الذكي أو الساعة أو المستشعر. ومن المفترض أن تساعد الطريقة الجديدة على تشغيل نماذج أدق في الطب والمالية وغيرهما من السيناريوهات الحساسة، حتى حيث تكون الأجهزة أضعف والاتصال غير مستقر.

لماذا تتباطأ الشبكة

يُعدّ التعلم الفيدرالي منذ وقت طويل من أكثر الطرق عملية لتدريب النماذج دون جمع البيانات الشخصية مركزيًا. يرسل الخادم نموذجًا مشتركًا إلى عدد كبير من الأجهزة، ويعيد كل جهاز تدريبه على بياناته المحلية، ثم يُعيد إلى الخادم تحديثات المعاملات فقط. وبهذه الطريقة يمكن الاستفادة من المعلومات الموجودة على الهواتف والساعات وأجهزة الاستشعار دون رفع السجلات نفسها إلى السحابة.

تكمن المشكلة في أن شبكة الأجهزة الواقعية لا تكون متجانسة تقريبًا أبدًا: بعضها يملك ذاكرة قليلة، وبعضها معالجًا ضعيفًا، وبعضها يفقد الاتصال باستمرار. ولهذا تبدأ الصيغة التقليدية بالتعثر. فالخادم المركزي ينتظر عادةً التحديثات من جميع المشاركين في الجولة، ثم يتقدم بعد ذلك فقط. وإذا استجاب جزء ولو صغير من الأجهزة ببطء شديد، تطول العملية كلها، وقد تفقد معناها أحيانًا. وهذه عقبة جدية للتطبيقات العملية، ففي الرعاية الصحية والخدمات المصرفية وغيرها من المجالات الحساسة تهمّ الخصوصية والاستقرار معًا، لكن العمل هناك كثيرًا ما يجري على بنية تحتية محدودة.

كيف يعمل FTTE

اقترح فريق MIT إطار عمل باسم FTTE، وهو اختصار Federated Tiny Training Engine. وهدفه بسيط: أن يتمكن حتى أضعف الأجهزة من المشاركة في التدريب، دون أن ينهار النظام بسبب الانتظار أو نقل البيانات الزائد. ويقوم النهج على ثلاثة تغييرات تقنية ومبدأ عام واحد: تكييف العملية لا مع هاتف مثالي، بل مع أكثر العقد محدودية في الشبكة.

• يرسل الخادم إلى الأجهزة جزءًا من المعاملات فقط، لا النموذج كاملًا، وهو الجزء الكافي لخطوة تدريب محلية.
• تُختار مجموعة المعاملات بإجراء بحث خاص بحيث تلتزم بحد الذاكرة لأضعف جهاز.
• تُستقبل التحديثات بصورة شبه غير متزامنة: لا ينتظر الخادم جميع المشاركين، بل يواصل الجولة عندما يتجمع العدد المطلوب من الردود.
• تحصل التحديثات الأقدم على وزن أقل، حتى لا تبطئ البيانات المتأخرة التدريب ولا تُضعف الدقة النهائية.

«نريد أن يعمل الذكاء الاصطناعي على الأجهزة التي يحملها الناس معهم كل

يوم، لا على الخوادم الكبيرة ووحدات GPU فقط»، توضح الباحثة آيرين تينيسون.

يعالج هذا التصميم مشكلتين دفعة واحدة: نقص الذاكرة على الجهاز نفسه، والتوقفات الزائدة على جانب الخادم. ولا يستبعد المطوّرون الأجهزة البطيئة من العملية، بل يحاولون إبقاءها ضمن الحلقة، كي يتعلم النموذج من بيانات أكثر تنوعًا. ويكتسب هذا أهمية خاصة حيث لا يملك المستخدمون هواتف رائدة ولا اتصالًا باهظ الثمن، لكن لديهم بيانات قد تحسّن جودة النموذج.

ماذا أظهرت الاختبارات

في محاكاة شملت مئات الأجهزة غير المتجانسة، سرّع FTTE التدريب بوضوح مقارنةً بالنهج القياسية للتعلم الفيدرالي. وفي المتوسط، أنهى النظام التدريب أسرع بنسبة 81%، وخفّض تكاليف الذاكرة المحلية بنحو 80%، وقلّص حجم البيانات المنقولة بنسبة 69%. ويذكر الباحثون في الوقت نفسه أن الدقة بقيت قريبة من نتائج الطرق البديلة. وبعبارة أخرى، قد يُفقد جزء من الجودة، لكن المكسب في السرعة وفي استهلاك الموارد كبير جدًا.

واختبر الفريق النهج على نحو منفصل لا في المحاكاة فحسب، بل على شبكة صغيرة من الأجهزة الحقيقية ذات القدرات الحاسوبية المختلفة. وأظهر FTTE هناك أيضًا أنه يتوسع بصورة أفضل مع زيادة عدد المشاركين، وأنه مفيد خصوصًا في البيئات التي تضم هواتف ضعيفة وقناة اتصال غير مستقرة.

والخطوة التالية هي دراسة لا متوسط جودة النموذج المشترك فحسب، بل أيضًا كيف يمكن لهذا النهج أن يعزز التخصيص على كل جهاز على حدة. كما يريد الباحثون إجراء اختبارات أوسع على أجهزة حقيقية.

ماذا يعني هذا

إذا تأكدت النتائج خارج المختبر، فسيصبح التعلم الفيدرالي أكثر عملية بوضوح للأجهزة الجماهيرية. وهذه إشارة مهمة للسوق: يمكن نشر الذكاء الاصطناعي الخاص لا حيث توجد الخوادم القوية والبنية التحتية المكلفة فقط، بل أيضًا في بيئات أفقر أو أكثر توزعًا، حيث تكون حماية البيانات حاسمة بينما الموارد الحاسوبية محدودة.