لن تعتمد الميزة التنافسية التالية في الذكاء الاصطناعي للمؤسسات على النموذج الذي تختاره بقدر ما تعتمد على ما تبنيه حوله. ومع انتقال الذكاء الاصطناعي من التجريب إلى الإنتاج، تحوّل السؤال المحوري من "ماذا يستطيع النموذج أن يفعل؟" إلى "هل يمكننا تقديم هذا الذكاء بشكل موثوق واقتصادي وعلى نطاق واسع؟". ويعتمد الجواب بشكل متزايد على منظومة الخدمة: النظام الهندسي المحيط بالنموذج، بما في ذلك بنيته وإدارة ذاكرته وجدولته وقرارات تحسينه.
ونقطة البداية الصحيحة هي عبء العمل لا النموذج. فالمساعد الموجّه للعملاء والمُحسّن للاستجابات السريعة يختلف كثيراً في متطلباته عن خط معالجة المستندات الذي يمكن تشغيله طوال الليل. ويفرض الإنتاج قيوداً مثل زمن الاستجابة والتزامن وضغط الذاكرة واستخدام وحدات معالجة الرسومات وتكلفة البنية التحتية وحركة المرور غير المتوقعة. ولا يُعد النموذج الذي يقدم إجابات أفضل بقدر ضئيل الخيار الأفضل إذا ضاعف تكاليف الاستدلال أو فشل في تلبية متطلبات زمن الاستجابة. والهدف هو نشر الذكاء المناسب بالتكلفة المناسبة لكل عبء عمل.
كما تؤثر قرارات الخدمة في بعضها بعضاً. فالبنية تؤثر في استهلاك الذاكرة، والذاكرة تؤثر في التزامن، والتزامن يحدد التجميع المجمّع والجدولة واستخدام وحدات معالجة الرسومات. وذاكرة وحدة معالجة الرسومات مثال واضح على ذلك: فمع نمو التزامن، قد تستنفد ذاكرة التخزين المؤقت للمفاتيح والقيم الذاكرة القابلة للاستخدام حتى مع توفر قدرة حوسبية. وإضافة المزيد من الحوسبة دون تحديد عنق الزجاجة هذا لن تفعل سوى جعل نظام غير فعّال أكثر تكلفة.
والمبدأ الموجّه هو القياس قبل التحسين: حدّد القيد المسيطر، ثم عالجه، وقِس النتيجة، وتحقق مما إذا ظهر عنق زجاجة جديد. ولا ينبغي جمع تقنيات التحسين لذاتها، بل الهدف تطبيق التقنية التي تزيل القيد الأكثر تأثيراً لعبء عمل معيّن.
المصدر: MIT Technology Review AI · لخّصه HeadlinesBriefing