قدمت شركة جوجل مؤخرًا خوارزمية جديدة لتدريب الذكاء الاصطناعي تُعرف باسم JEST (اختصارًا لـ Just-Efficient-Scalable-Training) والتي تهدف إلى معالجة أحد أكبر التحديات التي تواجه مجال الذكاء الاصطناعي اليوم وهي كثافة الاستهلاك الحاسوبي.
JEST خوارزمية جوجل الجديدة لتدريب الذكاء الاصطناعي
طور باحثو Google DeepMind طريقة جديدة لزيادة سرعة تدريب الذكاء الاصطناعي والتي يمكن أن تقلل بشكل كبير من موارد الحوسبة والوقت اللازم للقيام بذلك.
تستهلك صناعة الذكاء الاصطناعي الكثير من الطاقة حيث تتطلب الأنظمة الأكبر مثل شات جي بي تي الكثير من قوة المعالجة بالإضافة إلى الكثير من الطاقة والمياه لتبريد هذه الأنظمة. على سبيل المثال سيزيد استهلاك مايكروسوفت للمياه بنسبة 34% من عام 2021 إلى عام 2022 بسبب زيادة الطلب المتعلق بالذكاء الاصطناعي. أيضًا لكل 5 إلى 50 طلبًا لشات جي بي تي يحتاجون أستهلاك حوالي نصف لتر من الماء.
ومع ذلك فإن الأساليب مثل نهج جوجل المسمى JEST (اختصارًا لـ Just-Efficient-Scalable-Training) تقدم حلاً للتخفيف من هذه التحديات. تقول جوجل في بحثها إن JEST يمكنه تقليل عدد التكرارات وقوة الحوسبة المطلوبة بشكل كبير من خلال تحسين عملية اختيار البيانات للتدريب على الذكاء الاصطناعي. وهذا يمكن أن يقلل من أجمالي الطاقة المستهلكة من الذكاء الاصطناعي.
كيف تعمل JEST؟
الطريقة التي يعمل بها JEST هي أنه من خلال اختيار مجموعة من البيانات التكميلية يتم توسيع القدرة على التعلم لنموذج الذكاء الاصطناعي. على عكس الطرق التقليدية التي يتم فيها استخدام عينات فردية تأخذ هذه الخوارزمية بعين الاعتبار تكوين المجموعة بأكملها.
على سبيل المثال، تخيل أنك تتعلم عدة لغات باستخدام هذه التقنية فبدلاً من تعلم كل لغة على حدة (على سبيل المثال، حسب ترتيب الصعوبة)، يتم استخدام دمجها وتعلمها بطريقة تجعل التعليم أكثر فعالية حيث تساهم المعرفة المتعلقة بإحدى اللغات على تعلم الآخرى. ولتحقيق ذلك استخدم باحثو جوجل أسلوب «الأمثلة المشتركة» الذي يتم من خلاله تحديد التبعيات بين نقاط البيانات.
وبمعنى أبسط، تقنية JEST التي طورتها جوجل هي طريقة جديدة لتدريب نماذج الذكاء الاصطناعي بكفاءة عالية وسرعة أكبر مقارنة بالطرق التقليدية. تعمل عن طريق تقسيم التدريب إلى مراحل متعددة، حيث يتم في كل مرحلة تحسين جزء محدد من النموذج بشكل منفصل. هذا يسمح بتوزيع حمل العمل على عدة وحدات معالجة بطريقة فعالة مما يؤدي إلى تسريع عملية التدريب بشكل كبير. علاوة على ذلك تستخدم JEST تقنيات مبتكرة لتقليل الحاجة إلى موارد حوسبية ضخمة مما يجعلها أكثر كفاءة من حيث استهلاك الطاقة والتكلفة مقارنة بالطرق التقليدية.
إذا كانت هذه التقنية تعمل على نطاقات أكبر فلن تكون هناك حاجة إلا إلى كمية صغيرة من الطاقة لتدريب نماذج الذكاء الاصطناعي. ولذلك ستتمكن الشركات والشركات الناشئة من إنتاج أدوات ذكاء اصطناعي أكثر قوة بنفس الموارد التي تستخدمها حاليًا أو تحتاج إلى موارد أقل لتطوير نماذج أحدث.
المصدر: [جوجل]
