معهد ماساتشوستس يسرع التدريب الخاص للذكاء الاصطناعي على الأجهزة العادية للطب والمالية

أظهر باحثون في معهد ماساتشوستس للتكنولوجيا (MIT) طريقة لتسريع التعلم الفيدرالي بشكل ملحوظ — وهو نهج يتم فيه ضبط الذكاء الاصطناعي مباشرة على أجهزة المستخدمين، والبيانات الخام لا تترك الهاتف الذكي أو الساعة الذكية أو المستشعر. يجب أن تساعد الطريقة الجديدة على نشر نماذج أكثر دقة في الرعاية الصحية والمالية والسيناريوهات الحساسة الأخرى، حتى حيث تكون الأجهزة أقل قوة والاتصال غير مستقر.

لماذا تبطأ الشبكة

يعتبر التعلم الفيدرالي منذ فترة طويلة أحد أكثر الطرق العملية لتدريب النماذج دون جمع مركزي للبيانات الشخصية. يوزع الخادم نموذجاً مشتركاً على أجهزة عديدة، وكل منها يعدله باستخدام بيانات محلية، ثم يعيد فقط تحديثات المعاملات. بهذه الطريقة، يمكن استخدام المعلومات من الهواتف والساعات الذكية والمستشعرات دون تحميل البيانات نفسها إلى السحابة.

المشكلة هي أن الشبكة الحقيقية لهذه الأجهزة لم تكن موحدة أبداً: البعض منها يمتلك ذاكرة محدودة، والبعض الآخر يمتلك معالجات ضعيفة، والآخر لديه اتصالات غير مستقرة. لهذا السبب، يبدأ المخطط الكلاسيكي في التعثر. عادة ما ينتظر الخادم المركزي التحديثات من جميع المشاركين في جولة قبل المضي قدماً. إذا استجابت حتى بعض الأجهزة ببطء شديد، فإن العملية برمتها تتباطأ وتصبح أحياناً غير عملية. بالنسبة للسيناريوهات الواقعية، هذا عقبة خطيرة: في الرعاية الصحية والخدمات المصرفية والمجالات الحساسة الأخرى، تعتبر الخصوصية والاستقرار مهمين، لكن تلك هي بالضبط المجالات التي غالباً ما تكون البنية التحتية المحدودة متاحة.

كيف يعمل FTTE

اقترحت فريق MIT إطار عمل FTTE — Federated Tiny Training Engine. الهدف منه بسيط: تمكين حتى الأجهزة الأضعف من المشاركة في التدريب دون تعطيل النظام بأكمله من خلال التأخيرات ونقل البيانات غير الضروري. يتم بناء النهج حول ثلاث تغييرات تقنية ومبدأ عام واحد: تكييف العملية ليس لهاتف ذكي مثالي، بل للعقدة الأكثر قيداً في الشبكة.

• يرسل الخادم إلى الأجهزة ليس النموذج الكامل، بل فقط جزء من المعاملات الكافية لخطوة تدريب محلية.

• يتم اختيار مجموعة المعاملات باستخدام إجراء بحث خاص للتناسب مع حد الذاكرة لأضعف جهاز.

• يتم قبول التحديثات بشكل شبه غير متزامن: الخادم لا ينتظر جميع المشاركين بل يستمر في الجولة بمجرد جمع ردود كافية.

• تتلقى التحديثات الأقدم وزناً أقل بحيث لا تبطئ البيانات المتأخرة التدريب ولا تقلل من الدقة النهائية.

"نحتاج إلى أن يعمل الذكاء الاصطناعي على الأجهزة التي يحملها الناس معهم

كل يوم، وليس فقط على الخوادم الكبيرة ومعالجات الرسوميات"، كما تشرح الباحثة إيرين تينسون.

يعالج هذا التصميم نقطتي ألم في نفس الوقت: نقص الذاكرة على الجهاز نفسه والتأخيرات غير الضرورية على جانب الخادم. بدلاً من استبعاد الأجهزة البطيئة من العملية، يحاول المطورون الحفاظ عليها في الحلقة حتى يتعلم النموذج من بيانات أكثر تنوعاً. هذا مهم بشكل خاص في المناطق حيث لا يملك المستخدمون هواتف رائدة واتصالات مكلفة، لكن لديهم بيانات يمكنها تحسين جودة النموذج.

ما أظهرته الاختبارات

في المحاكاة مع مئات الأجهزة غير المتجانسة، سرع FTTE التدريب بشكل ملحوظ مقارنة بأساليب التعلم الفيدرالي المعيارية. في المتوسط، اكتمل النظام التدريب 81% أسرع، وقلل تكاليف الذاكرة المحلية بحوالي 80%، وقلل حجم نقل البيانات بمقدار 69%. يلاحظ الباحثون أن الدقة ظلت قريبة من نتائج الأساليب البديلة. بعبارة أخرى، قد يتم فقدان بعض الجودة، لكن المكاسب في السرعة وكفاءة الموارد تثبت أنها كبيرة جداً.

اختبرت الفريق بشكل منفصل النهج ليس فقط في المحاكاة بل أيضاً على شبكة صغيرة من الأجهزة الحقيقية ذات القوة الحسابية المختلفة. هناك، أظهر FTTE أيضاً قابلية توسع أفضل مع زيادة عدد المشاركين وكان مفيداً بشكل خاص في البيئات ذات الهواتف الضعيفة والاتصالات غير المستقرة.

الخطوة التالية هي دراسة ليس فقط الجودة المتوسطة للنموذج المشترك، بل أيضاً كيف يمكن لهذا النهج تعزيز التخصيص على كل جهاز فردي. يريد الباحثون أيضاً إجراء اختبارات أكبر على الأجهزة الحقيقية.

ماذا يعني هذا

إذا تأكدت النتائج خارج المختبر، سيصبح التعلم الفيدرالي عملياً بشكل ملحوظ للأجهزة السائدة. بالنسبة للسوق، هذه إشارة مهمة: يمكن نشر الذكاء الاصطناعي الخاص ليس فقط حيث توجد خوادم قوية وبنية تحتية مكلفة، بل أيضاً في بيئات أفقر أو موزعة، حيث تكون حماية البيانات حرجة والموارد الحسابية محدودة.