دور التعلم في مجال المعلومات المسبقة عن علم والآلات في التحسينات الحاسوبية التي لا تُستخدم

تطور الحاسوب العازل: مؤسسة للتألق الذكي

وقد أدى التحاسوب غير المكفوف إلى تحويل النموذج الأساسي لتطوير التطبيقات السحابية، بدلا من توفير أجهزة أو صقلها ورفعها، وربطها بالآلات أو الحاويات الافتراضية، إلى وضع رموزها في وظائف تنفذ بناء على الطلب، وذلك في الواقع، حيث يقوم مقدمو الخدمات مثل شركة AWS Lambda، وAzure Functions، وGogle Cloud Functions على أساس عدم الاقتباس.

إن عرض القيمة الأساسية لغير الخواديم هو البساطة التشغيلية، إذ يمكن أن تُسجّل الأفرقة بسرعة لأنها لم تعد قلقة بشأن صحة الخواديم أو تحديث نظام التشغيل أو رفع العتبات، ولكن مع نضج عملية التبني بلا حدود، ظهرت طبقة جديدة من التعقيد: كيفية تحقيق التنفيذ الأمثل، وإدارة التكاليف على نطاق واسع، وبناء تطبيقات ذكية ومستجيبة دون تدخل يدوي، وهذا هو المكان الذي تتكيف فيه الاستخبارات الاصطناعية (منظمة الدولية) والتعلم (M).

فهم الحاسوب الذي لا يُمكن تشغيله في ديبث

تقديراً لأثر الـ "أي" و "ميل" من الضروري أن نمسك بالعمل الداخلي للمنصة التي لا تُستخدم، عندما تقوم بوظيفة، يضعها مقدم السحاب في بيئة مُتفرغة، أول دعوة إلى وظيفة كانت مُجردة لبعض الوقت تؤدي إلى "بداية قديمة"

فالرصد التقليدي الذي لا يعرف عن طريق الخواديم يعتمد على العتبات الثابتة والارتقاء بأثر رجعي، مثلا، قد تحدد حدا أقصى للتوافق أو حجما للذاكرة استنادا إلى متوسط الاستخدام، ولكن عبء العمل نادرا ما يكون ثابتا، ويمكن أن تؤدي حملة تسويقية أو حدث فيروسي مفاجئ أو خط أنابيب بيانات مقررة إلى إحداث أعباء متغيرة تعالجها التشكيلات الثابتة بطريقة سيئة - إما الإفراط في التقدير (العمل المفاجئ) أو إلى حدوث أخطاء في التنبؤ.

The Intersection of AI, ML, and Serverless: A Symbiotic Relationship

إن إدماج منظمة العفو الدولية وحركة التحرير في البيئات التي لا تخدمها الخواديم ليس مجرد إضافة؛ بل يمثل تحولا أساسيا في كيفية عمل البرامج التي لا تخدم الشبكة، ونماذج التعلم التي تغنّي أفضل البيانات المتعلقة بالتقدير عن بعد - أي عدد من الأصوات، ومعدلات الخطأ، والنسب المئوية للخط، والذاكرة، وحتى الإشارات الخارجية مثل الاتجاهات اليومية أو الاجتماعية في وسائط الإعلام - ويتعلمون التنبؤ بالسلوك المستقبلي، بل إن هذه التنبؤات تؤدي إلى اتخاذ قرارات آلية بشأن تخصيص الموارد.

التلقائية ذات الدفعات الأولى: التصعيد الافتراضي وإدارة الموارد

ومن أكثر التطبيقات تأثيراً التوسع المتوقع، فبدلاً من الاستجابة لتصاعد حركة المرور بعد أن تسبب تدهوراً بالفعل، يمكن لنموذج " آي " أن يتوقّع الدقائق أو الساعات المتصاعدة مسبقاً، فعلى سبيل المثال، يمكن تدريب وحدة دعم التجارة الإلكترونية على طلبات الضبط من خلال البيانات التاريخية لتوقع أنماط حركة المرور في يوم الجمعة الأسود، وعندما يكتشف النموذج بدء حدوث طفرة، فإنه يُعدلُصُقُ على أساس آخر.

وإلى جانب التوسع، تُحدِّد المنظمة الدولية لتوحيد المقاييس والتخصيص الأمثل للذاكرة ولكل عملية احتكاكية، ويمكن تشكيل الوظائف التي لا تُستَخدم بحجم الذاكرة يتراوح بين 128 ميغابايت و240 10 ميغابايت.

تحسين عملية تجهيز البيانات: تحليلات الوقت الحقيقي وكشف حالة الشذوذ

ومن الطبيعي أن تكون البنايات التي لا تُستخدم في حالات معينة، وأن الوظائف تُستهدى بطلبات من شركة HTTP، ورسائل الاستفسار عن الرسائل، ومجاري تغيير قواعد البيانات، أو تحميل الملفات، أو الأحداث المقررة، مما يجعلها خطوطا مثالية لتجهيز البيانات، وأن تُدرج نماذج التعلم الآلي مباشرة في وظائف لا تُستخدم في الحاسوب، ويمكن أن تُستخدم في الوقت الحقيقي في الكشف عن البيانات الواردة دون توفير نماذج ملصقات فيديو غير ملائمة.

ميزة عدم وجود أي تطابق لـ (إم إل) هي أنّكِ لا تدفعين سوى الوقت المُناسب أثناء الاختبار، لا تحتاجين إلى خدمة مستمرة، النماذج محشوة من دلو تخزين (مثل (س 3 أو غولد كلود) عندما تدفئ الوظيفة أولاً ثم تُعاد استخدامها في جميع أشكال الاحتجاج، وهذا النمط المعروف بـ (العمل غير المُستقيم) يُقلل بشكل كبير من تكلفة تشغيل نظام (إكس إل)

To learn more about AI-driven optimization in cloud environments, read AWS Machine Learning Blog] and Google Cloud AI Blog.

الفوائد الرئيسية لإدماج الأنشطة المنفذة تنفيذاً مشتركاً ومعاملة المجرمين مع الموظفين الذين لا يُحتمل

ويحقق الجمع بين القانون الإنساني الدولي/القانون النموذجي والعامل غير المزود بالخدمة مزايا ملموسة تتجاوز التحسينات النظرية، ويقلل ذلك من الفوائد الرئيسية التي تترتب عليها آثار في العالم الحقيقي.

القدرة على التصعيد بدون النفقات التشغيلية

AI-driven predictions enhance automatic scaling, ensuring applications handle variable loads efficiently. Instead of relying on static concurrency limits or step-function scaling policies that can lag behind traffic changes, AI models continuously adjust scaling parameters. This means no more "thundering herd" problems where a sudden influx of requests overwhelms the system before auto-scaling kicks in. The system scales proactively, not reactively.

كفاءة التكلفة من خلال تخصيص موارد ذكية

ومن أكثر الطرق المباشرة لإدارة الموارد ارتفاعاً في إدارة الموارد، حيث يمكن للمزود السحابي أن يخفض التكاليف غير القابلة للتداول، ومن خلال التنبؤ بالمهام التي سيُحتج بها، ومن حيث الاحتياجات من الموارد، يمكن أن يشمل عمليات الإعدام في الوظائف المشتركة بين الحاويات المتاحة على نحو فعال، مما يقلل من عدد البدئات الباردة (التي تستهلك في كثير من الأحيان الوقت الذي تُطلق فيه الحاوية) ويقلل إلى أدنى حد من النفايات.

تحسين خبرة المستعملين من خلال التأشيرات الشخصية في الوقت الحقيقي

يمكن أن تؤدي وظائف لا توصف نماذج لجرائم متعددة الألوان التي تقدم محتوى شخصي أو توصيات أو تسعير دينامي في الوقت الحقيقي، مثلاً، نقطة نهاية لاسلكي لاسلكي يمكن أن تستخدم نموذجاً لتوصية مصممة على أساس تاريخ المستخدم وسلوك الدورة الحالي، كل ذلك في حدود ضيقة لدورة الاستجابة للطلبات الواحدة، لأن نموذج ML يُحمّل في الذاكرة عبر الحركات، في إطار خدمة المؤثرات.

التشغيل الآلي للعمليات الروتينية

ويمكن أن تكون مهام تشغيلية كثيرة في بيئات لا تخدم الحاسوب آليا باستخدام نظام المعلومات المسبقة عن علم: تحليل سجلات كشف أنماط الخطأ، ومنطق إعادة التلقائية مع التخلف الأمثل، والتدفئة الذاتية عن طريق إعادة أداء وظائف سوء السلوك، بل وحتى الاقتراحات المتعلقة بالتشفير على أساس البيانات المميزة، مما يحرر المطورين من الصمامات ويتيح لهم التركيز على العمل ذي القيمة العالية، مثلا، يمكن لنظام الرصد القائم على أساس AIf أن يحدد تلقائيا وظيفة.

قضايا الاستخدام العملي: AI و ML في البيئات التي لا توصف

وتصبح الفوائد الخلاصية ملموسة عندما تطبق على سيناريوهات العالم الحقيقي، وهناك عدة حالات استخدام توضح كيفية قيام المنظمات بتأثير تطبيق نظام المعلومات الإدارية المتكامل وقائمة على القانون النموذجي في إطار هياكل لا تخدم أي خدمة.

Intelligent Document Processing Pipeline

(أ) نمط غير قابل للتداول: تحميل إدارة دعم المشاريع لتخزين السحب، مما يؤدي إلى وظيفة تستخرج النص، ثم وظيفة أخرى تصنف نوع الوثيقة (الفواتير، العقد، التقرير) باستخدام شركة NLP، وثالث يستخرج الميادين الرئيسية باستخدام نموذج ML، وكل التجهيزات تحدث بالتوازي مع ذلك، ويرفع تلقائياً عدد الوثائق المحملة، ولا يُستخدم خط الأنابيب إلا عند وصول الوثائق، ويلغي تكلفة نظام التأمين القانوني.

كشف الاحتيال الحقيقي في المعاملات المالية

وتنشر المصارف والألياف مهاماً لا تخدم أي خواديم تستهلك أحداث المعاملات من على استفسار للرسالة (مثلاً، أمازون كينسيس أو غوغل بوب/ملحق)، وكل وظيفة تحمل نموذجاً للكشف عن الشذوذ في الوزن الخفيف (في كثير من الأحيان تكون شجرة معززة أو شبكة عصبية) وتسجل المعاملات المتعلقة بمخاطر الغش في غضون 50 ميلاً ثانية، وإذا تجاوزت قيمة المعاملات اليدوية الحد الأقصى للعيار.

استنتاج لا مثيل له بالنسبة للبيانات المتعلقة باليوت

وترسل أجهزة الصنع أجهزة استشعار إلى جهاز لاسلكي لا يستخدم الخواديم. وتدير وظيفة نموذجا بسيطا من طراز ML للتنبؤ بفشل المعدات على أساس درجة الحرارة، والاهتزاز، ومقاييس الضغط، وإذا كان النموذج يتوقع حدوث فشل وشيك، فإن المهمة تبعث إنذارا إلى فريق الصيانة، وهذا النهج التنبؤي للنفقة يقلل من تكاليف التعطل والإصلاح، فالطبيعة التي لا تتردد على الدفع إلا للضغط عند وصول بيانات الاستشعار إلى أعلى.

تحديث المحتوى الدينامي للمنصات المحتوية على مستعملين - جيند

وتستخدم منابر مثل وسائل الإعلام الاجتماعية أو المنتديات وظائف لا تخدم المحتوى المعتدل عند تحميله، وتشغل وظيفة على تحميل صور جديدة، وتدير نموذجا لتصنيف الصور لكشف رموز الكراهية أو الأعصاب أو العنف، وتصفح المحتويات فورا إذا دعت الحاجة، وتمر الوظائف القائمة على النصوص عبر خطوط أنابيب مماثلة من نظام تخطيط الموارد في المؤسسة، ويسمح الجمع بين استخدام وحدات النسخ غير المرخصة بالحواسيب، وبين نظام غبارات المميتة، باستمرار بتوفير خدمات المستعمل.

التحديات والنظر في مسألة إدماج قضايا مكافحة الفساد/العمل غير المستقر

وفي حين أن الفوائد كبيرة، فإن إدماج أنشطة التنفيذ والحركة في الهياكل التي لا تخدم أي خدمة، يطرح تحديات عديدة يتعين على المهندسين المعماريين والمهندسين التصدي لها.

درجة بدء التشغيل الباردة لنموذج ML

إن وضع نموذج كبير لجرائم متعددة (مثل شبكة عصبية عميقة) خلال فترة التبريد يمكن أن يضيف عدة ثواني إلى وقت الاستدلال، وهذا أمر غير مقبول للتطبيقات الحساسة للغرض، وتشمل الاستراتيجيات الرامية إلى التخفيف من ذلك استخدام نماذج أصغر حجماً، موزعة على الوجه الأمثل، وخواديم نموذجية مثل تينسورفلو تعمل في حالات حرارة مستمرة (وإن كانت هذه النماذج غير متجانسة جزئياً)

خصوصية البيانات والامتثال

وكثيراً ما تتطلب نماذج المعلومات المسبقة عن علم التدريب على البيانات الحساسة، وعند نشر المعلومات في الوظائف التي لا تخدم الحاسوب، يجب أن تضمن عدم مغادرة البيانات للحدود الأمنية، وقد ينطوي ذلك على فرز نماذج الأثر، باستخدام نقاط نهاية فيلق حماية البيئة البحرية للحفاظ على حركة المرور داخل الهياكل الأساسية السحابية، وتنفيذ ضوابط صارمة للوصول إلى الخدمات، وبالنسبة للصناعات المنظمة مثل الرعاية الصحية والمالية، فإن الامتثال لاتفاق السلام الشامل، والناتج المحلي الإجمالي، أو نظام دعم الخدمات الإدارية المتكامل، يضيف مستويات من التعقيد.

الاستحقاق النموذجي والحفر

وفي بيئة لا تُستخدم فيها الخواديم، تحتاجون إلى آلية لرصد الأداء النموذجي، والكشف عن الانجراف، وإعادة التدريب أو تحديث النماذج دون تأخير، وهذا يتطلب بناء خط أنابيب للمبادرة يمكن أن يدفع نسخا نموذجية جديدة إلى وظائف لا تخدم، ويقدم بعض مقدمي السحابات اختبارا للنماذج في شكل غير مطابق للحواسيب، ولكن التكامل لا يزال يزدهر.

زيادة تعقيدات الهندسة

(ب) إضافة مادة AI/ML إلى نظام لا يخدم أي نظام، يستحدث عناصر جديدة: التخزين النموذجي، ومخازن السمات، ونقاط النهاية، وخطوط الأنابيب التدريبية، وألواح الرصد، ويجب على الأفرقة أن تدير التفاعل بين الوظائف التي لا تخدم الخدمة وتلك القطع الأساسية للحركة، ويصبح من الصعب التعمق في هذا الصدد لأن نموذج السلوك غير السليم قد يسبب إخفاقات صامتة أو تنبؤات متدهورة.

For more on overcoming these challenges, read InfoQ: Serverless Machine Learning Challenges and Solutions].

التوقعات المستقبلية: وجود منظمة العفو الدولية، وحركة التحرير، وشركة سيرفرليس

والمسار واضح: ستزداد الذكاء في المنابر التي لا تخدم الشبكة، حيث ستدمج منظمة العفو الدولية و ML كملامح من الدرجة الأولى بدلا من الإضافات، ونحن نرى بالفعل مقدمي الخدمات السحابية الذين يدمجون التكاليف المثلى القائمة على حركة تحرير الكونغو، والتغطية الآلية للذاكرة، والارتقاء بالمستوى المتوقع في خدماتهم التي لا تخدم الخدمة، وتشمل الحدود التالية حواسيب مستقلة، حيث يتعلم المنبر نفسه من أنماط التطبيق ومن أي تشكيلة ذاتية من دون أي نوع.

لا يعمل كعُدٍ للعارضات اللغويات الكبيرة

ومع ارتفاع معدلات الارتحال مثل GPT-4، وLlama، وClaude، هناك حاجة متزايدة إلى استنتاج قابل للتكرار وفعال من حيث التكلفة، فالمهام التي لا يمكن التنبؤ بها والتي يمكن أن تُحمَّل كميات أو تُنقَف من استخدام متغيرات الإدارة المستدامة للأراضي، مثل التلخيص والترجمة وتوليد الرموز عند الطلب، مع عدم دفع أي شكل من أشكال الاختبار الحالية، في كثير من الأحيان، عن طريق سيناريوه المتميز، وهو ما لا يمكن التنبؤ به.

Edge AI and Serverless Convergence

ويتوسع العاملون في مراكز البيانات السحابية إلى الحافة من خلال خدمات مثل AWS Lambda@Edge، وعمال السحابة، وAzure IoT Edge.() ويمكِّن تشغيل نماذج ML عند الحافة في وظائف لا تصلح للخواديم من الاستجابة في الوقت الحقيقي باستخدام الترددات العالية، والمثل الأعلى للمركبات المستقلة، والروبوت الصناعية، والتطبيقات الواقعية المعززة.

AI-Native Serverless Development Tools

وستتضمن الأطر المستقبلية التي لا تستخدم في استخدام الحاسوب تطوراً بمساعدة من منظمة العفو الدولية: وضع قواعد آلية للأنماط التي تحركها الأحداث، وإجراء اختبارات ذكية تولد أحداث اختبارية تستند إلى أنماط حركة المرور في الإنتاج، ومعالجة حالات الفشل بصورة آلية، وسيتسم الخط الفاصل بين مدونة الكتابة والتشكيلات الإلكترونية بالضبابية، وسيحدد المطورون النتائج المرجوة (مثلاً، " أوامر الشراء التي تبلغ 99.9 في المائة في إطار برنامج العمل الأمثل " .

To stay updated on the latest advances, follow ]AWS All things Distributed blog by Werner Vogels] and ] The New Stack: Serverless Coverage.

خاتمة

فالتعلُّم الآي والآلات لا يعزز فقط الحوسبة غير المُعزَّزة للخواديم؛ بل يُعيد تحديد قدراته الأساسية، ومن التطوُّر المتوقع والتكلفة الذكية إلى أقصى حد ممكن، إلى عمليات الاستطلاع الذاتي في الوقت الحقيقي، وتُحلّ هذه التكنولوجيات بعض التحديات الأكثر استمراراً في عمليات التداؤب غير المُعزَّزة، والارتجية المتَّدة في الوقت الحاضر.