طريقة تحسين جديدة بخطوات انكماشية لمجموعة نقاط جيدة في نماذج التعلم الآلي للتنبؤ بأداء عقد الضباب

أجهزة أذكى تحتاج ضبطًا أذكى

من متتبعات اللياقة إلى منظمات الحرارة الذكية والسيارات المتصلة، ترسل الأجهزة الحديثة بياناتها باستمرار إلى الوسط الرقمي. تتم معالجة جزء كبير من تلك المعلومات على حواسب «الضباب» القريبة عند حافة الشبكة بدلاً من مراكز البيانات البعيدة. يضمن هذا المعالجة المحلية استجابة أسرع للتطبيقات وتقليل الازدحام، لكن ذلك يعتمد على استخدام عقد الضباب بكفاءة. تقدم الورقة الملخّصة هنا طريقة جديدة لضبط نماذج التعلم الآلي بحيث تتنبأ بدقة أكبر بأداء عقد الضباب، مما يساعد الأجهزة المتصلة اليومية على العمل بسرعة أكبر وسلاسة أكثر وباستهلاك طاقة أقل.

تحدي حواسب الحافة المشغولة

مع اتصال مليارات أجهزة إنترنت الأشياء، تغمر الشبكة بطلبات: قراءات حساسات للتحليل، تدفقات فيديو للترشيح، وإشارات تحكم لاتخاذ قرارات في الزمن الحقيقي. تتعامل حوسبة الضباب مع هذا بتحريك الحسابات أقرب إلى المصدر، على آلات منتشرة في المنازل والسيارات والمصانع وشوارع المدن. للحفاظ على زمن استجابة منخفض، يجب على مجدول المهام أن يقرر أي عقدة ضباب تتولى كل مهمة، ويعتمد هذا القرار بشكل كبير على مدى انشغال معالج كل عقدة وسرعته في إنهاء المهمة. يركز المؤلفون على التنبؤ بأداء هذه العقد من مؤشرات بسيطة مثل استخدام وحدة المعالجة المركزية، حتى تُعيَّن المهام بذكاء بدلًا من التخمين.

لماذا ضبط التعلم الآلي مكلف جدًا

لنماذج التعلم الآلي مقبضات، تُسمى معلمات فرعية، يجب تعيينها قبل التدريب. تتضمن الأمثلة مدى معاقبة النموذج للأخطاء، سرعة تعلمه من البيانات الجديدة، أو عدد الوحدات الداخلية المستخدمة. غالبًا ما تكون إعدادات هذه المقابض أكثر أهمية من اختيار النموذج نفسه. اليوم، يعتمد الضبط عادة على طرق تعيد خلط البيانات مرارًا (التحقق المتقاطع) وتستكشف فضاء المعلمات الفرعية بمزيج من التخمينات العشوائية، قواعد بحث ذكية، أو استراتيجيات تطورية. ومع أنها فعالة، فإن لهذه الأساليب عيبين رئيسيين: إدخال العشوائية الذي يصعّب تكرار النتائج، وقد تستغرق وقتًا طويلاً جدًا، خاصة للشبكات العصبية العميقة ذات المئات من الإعدادات.

طريقة بحث أكثر انتظامًا

يقترح المؤلفون استراتيجية مختلفة تسمى مجموعة نقاط جيدة مع انكماش خطوي، أو GPSS. بدلًا من أخذ عينات عشوائية من فضاء المعلمات الفرعية، يستخدمون مجموعات نقاط مُنشَأة بعناية تتوزع بتساوٍ، وهو مفهوم طوّر في الأصل في نظرية الأعداد. في كل مرحلة، يقيم GPSS دفعة من هذه المرشحات المتباعدة جيدًا ويقيس مدى دقة النموذج المقابل في التنبؤ بأداء وحدة المعالجة المركزية. ثم يضيّق نافذة البحث حول المنطقة ذات الأداء الأفضل، يقلص الحدود بنسبة ثابتة، وينشئ دفعة جديدة وأكثر كثافة من النقاط المتفرقة داخل هذه المنطقة الأصغر. تكرار هذه العملية من «خشن إلى دقيق» يقود تدريجيًا إلى مجموعات معلمات فرعية واعدة دون الحاجة إلى إعادة خلط البيانات عشوائيًا مرارًا.

الاختبار على أنواع مختلفة من النماذج

لمعرفة مدى فاعلية GPSS عمليًا، طبّق الفريق الطريقة على ثلاثة نماذج شائعة للتعلم الآلي: آلات الدعم الناقلي، شبكة عصبية سطحية كلاسيكية تُدعى الارتداد الخلفي، وشبكة عصبية التفافية أعمق. دُربت الثلاثة للتنبؤ بأداء وحدة المعالجة لعقد الضباب من بيانات استخدام جمعت في عمل سابق. قورِن GPSS بعدة طرق تحسين معروفة، بما في ذلك تصميمات متتابعة منتظمة، خوارزميات جينية، وتقنية مستوحاة من أسراب. قاس الباحثون كلًا من دقة التنبؤ باستخدام مربع الخطأ المتوسط، والوقت اللازم للضبط. عبر الاختبارات، طابق GPSS أو تفوّق على الطرق المنافسة في الدقة مع تقليل التكلفة الحسابية، وكان الطريقة الوحيدة العملية لحالة الشبكة الالتفافية ذات الأبعاد العالية جدًا.

جعل النتائج أكثر استقرارًا وقابلة للتكرار

بعيدًا عن الدقة الخام، يؤكد المؤلفون على الاستقرار. لأن GPSS يستبدل العينات العشوائية بمجموعات نقاط حتمية ويستخدم بديلاً منظمًا للتحقق المتقاطع التقليدي، تتباين نتائجه بدرجة أقل بكثير بين تشغيل وآخر. في المحاكاة، تجمعت تنبؤات النماذج المضبوطة عبر GPSS بالقرب من الأداء الحقيقي لوحدة المعالجة المركزية، وأعطت التجارب المتكررة نتائج متطابقة تقريبًا. كما أظهرت الطريقة قدرة بحث عالمية قوية على مسائل اختبار رياضية معيارية، ما يشير إلى أنها من غير المحتمل أن تعلق في مصائد محلية عند استكشاف فضاءات المعلمات الفرعية المعقدة.

ماذا يعني هذا لتقنية الأجهزة المتصلة اليومية

بعبارات بسيطة، تبحث هذه الورقة في كيفية ضبط مقابض خوارزميات التعلم بطريقة أكثر انتظامًا وكفاءة. باستبدال عشوائية التجربة والخطأ بنقاط بحث موزعة بالتساوي وتضييق تركيز ثابت، يجد GPSS إعدادات موثوقة تمكّن النماذج من التنبؤ بمدى انشغال عقد الضباب. التنبؤات الأفضل تعني جدولة مهام أكثر ذكاء، أزمنة انتظار أقصر للتطبيقات، وربما استهلاك طاقة أقل في شبكات الأجهزة الاستهلاكية. مع أن المؤلفين يشيرون إلى حدود—مثل صعوبات مع أنواع معينة من الإعدادات المنفصلة والحاجة لاختبارات أوسع—إلا أن نهجهم يقدم نموذجًا واعدًا للحفاظ على أداء شبكة الأجهزة الذكية المتنامية غدًا.

الاستشهاد: Bo, Z., Hasan, M.K., Sundararajan, E.A. et al. A new good point set stepwise shrinkage optimization in machine learning model for fog node performance prediction. Sci Rep 16, 13956 (2026). https://doi.org/10.1038/s41598-026-41630-z

الكلمات المفتاحية: حوسبة الضباب, تحسين معلمات فرعية, التعلم الآلي على الحافة, إنترنت الأشياء, التنبؤ بالأداء