التنبؤ بالأحمال باستخدام آلية الانتباه والتخصيص الديناميكي للموارد في بيئات الحوسبة غير المتجانسة

لماذا تهم الحواسيب الأذكى الجميع

خلف كل فيلم تبثه، أو خريطة تفتحها، أو مساعد ذكاء اصطناعي تتحدث إليه، تعمل مخازن ضخمة من الحواسيب بصمت على مدار الساعة. مع تزايد قدرات الذكاء الاصطناعي، تُدفع مراكز البيانات إلى حدودها: فعليها إدارة أنواع كثيرة من المهام على أنواع متعددة من الأجهزة مع الحفاظ على التكلفة والسرعة واستهلاك الطاقة تحت الضبط. يقدم هذا البحث طريقة جديدة للتنبؤ بما ستحتاجه تلك الحواسيب في المستقبل القريب ولإعادة توزيع العمل عبر أنواع مختلفة من العتاد بحيث تظل الخدمات سريعة وموثوقة مع تقليل هدر الكهرباء.

مهام كثيرة، وأجهزة متعددة

لم تعد مراكز البيانات الحديثة تعتمد على نوع واحد من الخوادم. بل تجمع بين المعالجات التقليدية ورقائق الرسوميات القوية ولوحات مُخصّصة للذكاء الاصطناعي ودوائر قابلة لإعادة البرمجة. تناسب مهام الذكاء الاصطناعي المختلفة — مثل تدريب نموذج لغوي ضخم أو تقديم توصيات في الوقت الفعلي أو تحليل الصور — هذه الأجهزة بطرق متباينة. اليوم، غالباً ما يخصص المشغِّلون الموارد باستخدام قواعد ثابتة أو توقعات بسيطة تعتمد على استخدام الأمس. عند حدوث ذروة مفاجئة في الطلب قد يسبب ذلك بطءَ الاستجابة أو خروقات لاتفاقيات الخدمة؛ وعندما ينخفض الطلب قد تبقى الأجهزة المكلفة خاملة، تستهلك طاقة دون إنتاج كبير.

التعلم للتركيز حيث يهم

يستعير المؤلفون مفهوماً من نماذج الذكاء الاصطناعي المتقدمة يُسمى «الانتباه» ويطبقونه على إدارة مراكز البيانات. بدلاً من معاملة جميع بيانات الاستخدام السابقة على قدم المساواة، يتعلم نظامهم أي اللحظات الزمنية وأي أنواع المهام هي الأكثر فائدة للتنبؤ بما سيحدث لاحقاً. يركّز جزء من النموذج على كيفية تغير كل عبء عمل — مثل مهمة تدريب أو خدمة على الإنترنت — عبر الزمن. وينظر جزء آخر عبر الأحمال المختلفة المتزامنة في لحظة معينة لاكتشاف روابط خفية، مثل نمط ينطوي على أن إكمال دفعة من مهام التدريب غالباً ما يؤدي إلى ارتفاع في الاستعلامات المتعلقة بها على الإنترنت. عبر تراكب هذين المنظورين، يستطيع النظام التنبؤ بالطلب المستقبلي على المعالجات والذاكرة والمسرِّعات بدقة أعلى من الطرق السابقة.

تحويل التنبؤات إلى قرارات أفضل

التنبؤ وحده لا يكفي؛ يجب أن تتصرف مراكز البيانات بناءً عليه. الجزء الثاني من الإطار يحوّل هذه التوقعات إلى قرارات ملموسة حول مكان تشغيل كل مهمة. يتعامل المؤلفون مع ذلك كعمل توازُن بين ثلاثة أهداف: إنهاء المهام بسرعة، استخدام أقل قدر ممكن من الطاقة، وإبقاء الآلات مشغولة بدلاً من تركها خاملة. يمثّل مجدولهم مركز البيانات كشَبكة من الأجهزة المختلفة ويستخدم إجراءً تحسينياً لاختيار مواضع تُوازن بين هذه الأهداف وفق تفضيلات المشغِّل. وبما أن التوقعات لا تكون مثالية أبداً، يقدّر النظام أيضاً درجة عدم اليقين ويترك هوامش أمان عند الحاجة، ثم يراقب الواقع في الوقت الفعلي للتعديل عبر إيقاف الأعمال منخفضة الأولوية مؤقتاً أو نقل المهام عندما ينبذ الاستخدام عن التوقعات.

اختبار النظام عملياً

لمعرفة كيفية عمل هذا النهج عملياً، بنى الباحثون كتلة اختبار بمزيج واقعي من المعالجات ووحدات معالجة الرسوميات والعتاد المتخصص في الذكاء الاصطناعي، وزودوها بسجلات نشاط مفصّلة من مراكز بيانات حقيقية في جوجل وعلي بابا ومختبر أكاديمي. قارنوا طريقتهم بأدوات توقع جديرة والشِّطَر الاستراتيجية في الجدولة، بما في ذلك تقنيات مستخدمة في أنظمة الإنتاج ووُجُهاتٍ تحكُمٍ مبنية على التعلم المعزَّز. كان المتنبئ المعتمد على الانتباه أدق بشكل مستمر، خصوصاً عند التفجّرات الحادة التي تحدث غالباً في أحمال الذكاء الاصطناعي. وعند اقترانه بالمخصص الديناميكي، رفع النظام إجمالي استغلال العتاد إلى نحو أربعة أخماس السعة، وخفّض متوسط زمن إتمام المهام بنحو ربع، وقلّل استهلاك الطاقة بحوالي 15 بالمئة، وكل ذلك مع إبقاء خروقات الخدمة عند مستوى منخفض جداً.

ما معنى ذلك للمستخدمين العاديين

لغير المتخصصين، الخلاصة الأساسية أن التنسيق الأذكى داخل مراكز البيانات يمكن أن يجعل خدمات الذكاء الاصطناعي أسرع وأرخص وأكثر خضرة دون الحاجة إلى رقاقات أو مبانٍ جديدة. عبر تعلّم أين «يلتفت» ضمن سيل بيانات الاستخدام، يساعد هذا الإطار العتاد الموجود على إنجاز عمل مفيد أكثر والجلوس خاملاً أقل. هذا يعني أن الشركات تستطيع تقديم تطبيقات أسرع وأدوات ذكاء اصطناعي أقوى مع ضبط فواتير الكهرباء والبصمة الكربونية. ومع انتشار وبلوغ نضج أنظمة التنبؤ والتخصيص المماثلة، قد تصبح آليات الإنترنت غير المرئية ليست فقط أكثر قدرة بل أيضاً أكثر استدامة.

الاستشهاد: Shao, S., Ding, X., Zhao, B. et al. Attention-based workload prediction and dynamic resource allocation for heterogeneous computing environments. Sci Rep 16, 8571 (2026). https://doi.org/10.1038/s41598-026-38622-4

الكلمات المفتاحية: جدولة مراكز البيانات, تنبؤ أحمال الذكاء الاصطناعي, الحوسبة غير المتجانسة, الحوسبة الموفِّرة للطاقة, تخصيص الموارد