الجدولة التكيفية المعتمدة على نماذج اللغة الكبيرة في استشعار إنترنت الأشياء لتحسين أداء الشبكة

لماذا تهم المستشعرات الأذكى

مليارات المستشعرات الصغيرة تراقب الآن منازلنا ومدننا ومزارعنا ومصانعنا وحتى أجسامنا. ترسل بهدوء قراءات درجات الحرارة، وتنبيهات الحركة، ومعدلات ضربات القلب، والمزيد عبر الشبكات اللاسلكية. لكن هذا التدفق المستمر من المعلومات يمكن أن يربك النظام بسهولة: تزدحم الروابط، وتنفد البطاريات بسرعة، وقد تتأخر أو تضيع الرسائل المهمة. يستعرض هذا المقال كيف يمكن لنوع جديد من الذكاء الاصطناعي، المبني على نماذج اللغة الكبيرة، أن يعمل كمنظم مرور ذكي لهذه المستشعرات، مقيماً ما ينبغي إرساله ومتى وبأي مستوى طاقة حتى تعمل الشبكة بأكملها بسلاسة وكفاءة أكبر.

مشكلة الاستشعار الدائم

غالباً ما يعمل إنترنت الأشياء اليوم بطريقة بسيطة للغاية: تجمع المستشعرات البيانات وتبثها باستمرار، بغض النظر عما إذا كانت المعلومات جديدة أو عاجلة أو حتى مفيدة. عندما تشارك آلاف الأجهزة من هذا النوع نفس الشبكة، تملأ الرسائل المكررة والمتكررة المجال اللاسلكي. يؤدي ذلك إلى تأخيرات، وحزم مفقودة، وهدر في طاقة البطاريات، لا سيما في الأجهزة البعيدة أو التي تعمل بالبطارية. الأساليب التقليدية للتحكم، التي تعتمد على قواعد ثابتة أو إحصائيات أساسية، تعاني عندما يتغير شكل الشبكة وحمولة المرور وظروف الراديو مع مرور الوقت. ونتيجة لذلك، يمكن أن تتأخر الأحداث المهمة بينما تستهلك البيانات غير المهمة جزءاً كبيراً من الطاقة والنطاق الترددي المحدود.

نموذج لغوي كمنظم لجدولة المستشعرات

يقترح المؤلفون مخططاً يسمى LLM-AS (الجدولة التكيفية المدعومة بنماذج اللغة الكبيرة)، الذي يتعامل مع شبكة إنترنت الأشياء على أنها شيء يمكن تحليله بأسلوب اللغة العادية. تُحوّل قراءات المستشعرات ومستويات البطارية وجودة الإشارة والتاريخ الأخير إلى أوصاف منظمة وتُعطى إلى نموذج لغة كبير (GPT-J-6B) يعمل على حاسوب حافة قريب. بدلاً من أن تتخذ المستشعرات قرارات عمياء وثابتة، يحلل النموذج السياق ويخرج احتمالاً يشير إلى ما إذا كان ينبغي لمستشعر معين الإرسال الآن أو الانتظار. ثم تُحوّل خوارزمية جدولة منفصلة هذه التوصية إلى قرار فعلي بنعم أو لا، مع الالتزام بقواعد أساسية: يجب إرسال البيانات المهمة في نهاية المطاف، ويجب أن تكون قوة الإشارة كافية لنقل موثوق، ولا ينبغي أن تُستنزف البطاريات إلى الصفر.

طبقات التحكم الذكي في الشبكة

ينظم LLM-AS على أربع طبقات. في الأسفل، تجمع طبقة «المستشعر المعرفي» بيانات مثل درجة الحرارة والحركة والموقع. فوقها، تجمّع أجهزة البوابة هذه القراءات وتقوم بإحالتها إلى عقد الحافة. تستضيف عقد الحافة المنطق المعتمد على النموذج اللغوي الذي ينقح ويفسر البيانات الواردة، متعلِّماً الحالات الطبيعية وتلك التي تشير إلى مشاكل مثل الازدحام أو الأعطال أو السلوك غير المعتاد. في القمة، تعمل طبقة حافة 5G روتينات تحسين توازن ثلاثة أهداف في آن واحد: تقليل استهلاك الطاقة، وخفض التأخير، وتقليل فقدان البيانات. من خلال تعديل متواصل لمواعيد إرسال المستشعرات ومستوى طاقتها، يقلل النظام من الرسائل المتكررة مع الحفاظ على التقاط الأحداث الرئيسية التي تهم تطبيقات مثل المنازل الذكية ومراقبة الصحة عن بُعد.

كيف تم اختبار النظام

لاختبار LLM-AS، استخدم الباحثون مجموعة معروفة من بيانات المستشعر الحقيقية تسمى مجموعة بيانات CASAS، التي تشمل قراءات من منازل ذكية وبيئات مماثلة. بنوا محاكاة يمكن فيها تعديل وعي السياق — حساسية النموذج للتغييرات في الظروف — من منخفض جداً إلى مرتفع جداً. كلما أصبح النموذج أكثر وعيًا بالسياق، تعلّم تجنُّب إرسال الحزم غير اللازمة، مما خفّض متوسط الطاقة المستخدمة للإرسال وقصّر التأخيرات. تشير الدراسة إلى أن قوة الإرسال الوسيطة تحسّنت بنحو 60 بالمئة تقريباً وانخفض التأخير الوسيط حتى 60 بالمئة مقارنةً بأساس لم يستخدم تحسينًا معتمداً على النموذج اللغوي. كما حقق النظام نتائج إحصائية قوية في التمييز بين الظروف الشبكية الصحية والمشكلات، بدقة واستدعاء مرتفعين ومعدل خطأ منخفض، ما يشير إلى أن قراراته متسقة وموثوقة عبر العديد من السيناريوهات.

ما يعنيه ذلك للحياة المتصلة اليومية

بعبارات بسيطة، توضح هذه الدراسة كيف يمكن لنموذج لغوي متقدم أن يعمل كمُرسِل ذكي لأساطيل ضخمة من المستشعرات، محدداً متى ينبغي لكل منها أن يتكلم ومتى يكون من الآمن أن يظل صامتاً. من خلال تقليص الثرثرة المتكررة مع الحفاظ على وصول الإشارات المهمة في الوقت المناسب وبشكل دقيق، يساعد LLM-AS على الحفاظ على عمر البطارية، وتقليل الازدحام، والاستفادة الأفضل من سعة الشبكة اللاسلكية. إذا تم تحسينه والتحقق منه على مجموعات بيانات أكثر وفي نشرات العالم الحقيقي، فقد تجعل مثل هذه النهج منازل المستقبل والمستشفيات والمزارع والمدن أكثر استجابة واعتمادية — دون الحاجة لضبط دائم لإعدادات الشبكة من قبل البشر.

الاستشهاد: Khan, M.N., Lee, S., Lee, S.S. et al. LLM-enabled adaptive scheduling in IoT sensing for optimized network performance. Sci Rep 16, 13007 (2026). https://doi.org/10.1038/s41598-025-32660-0

الكلمات المفتاحية: إنترنت الأشياء, جدولة المستشعرات, شبكات موفرة للطاقة, الذكاء الاصطناعي على الحافة, نماذج اللغة الكبيرة