https://sarabic.ae/20260731/جامعة-موسكو-الحكومية-تسرع-تدريب-الذكاء-الاصطناعي-لشبكات-حوسبة-أكثر-ذكاء-1115671427.html
جامعة موسكو الحكومية تسرع تدريب الذكاء الاصطناعي لشبكات حوسبة أكثر ذكاء
جامعة موسكو الحكومية تسرع تدريب الذكاء الاصطناعي لشبكات حوسبة أكثر ذكاء
سبوتنيك عربي
طوّر علماء الرياضيات في جامعة موسكو الحكومية تقنيات تقلّل بشكلٍ كبير الوقت اللازم لتدريب أنظمة الذكاء الاصطناعي المسؤولة عن توزيع المهام الحسابية عبر الشبكة،من... 31.07.2026, سبوتنيك عربي
2026-07-31T22:08+0000
2026-07-31T22:08+0000
2026-07-31T22:06+0000
العالم
علوم
جامعات روسية
روسيا
أخبار الأبحاث العلمية
شبكات
ذكاء اصطناعي
مجتمع
https://cdn.img.sarabic.ae/img/102853/63/1028536368_0:0:3641:2048_1920x0_80_0_0_f831b2c4c82b45107f023634b222a5d5.jpg
لماذا تحتاج شبكات الحوسبة إلى إدارة ذكية؟تعالج شبكات الحوسبة الحديثة الطلبات الواردة في أوقات غير متوقعة، يُعدّ هذا الأمر بالغ الأهمية في الأنظمة التي تتعامل مع البيانات من أجهزة إنترنت الأشياء، حيث يُمكن لأجهزة الاستشعار والآلات والمعدات المتصلة توليد مهام جديدة باستمرار.لذلك، يجب على نظام التحكم الفعال مراقبة مدى انشغال كل جزء من الشبكة وإعادة توزيع المهام الجديدة مع تغيّر الظروف.كيف يُسهم التعلّم المعزز متعدد العوامل في حل هذه المشكلة؟اعتمد أحد الأساليب السابقة لحل هذه المشكلة على التعلّم المعزز متعدد العوامل،في هذا النوع من الأنظمة، تدير عدة عوامل برمجية أقسامًا مختلفة من الشبكة، بينما يُحدد عامل مركزي كيفية توزيع المهام الواردة بينها.يعدّ تصميم الوكلاء المتعددين مفيدًا لأن الشبكات الكبيرة تحتوي على العديد من الموارد المترابطة، ويمكن أن يساعد تقسيم المسؤولية بين عدة عوامل النظام على الاستجابة للظروف المحلية مع الحفاظ على تنسيق القرارات عبر البنية التحتية بأكملها.مع ذلك، يتطلب تدريب هذه العوامل قدرة حاسوبية كبيرة ووقتًا طويلًا، حتى بالنسبة للشبكات الصغيرة نسبيًا، قد تستغرق عملية تدريب واحدة حوالي عشر ساعات من وقت المعالج، ونظرًا لأن الباحثين مُضطرون إلى تكرار التدريب عدة مرات مع تعديل معلمات النموذج، فقد تصبح عملية الضبط الكاملة طويلة للغاية.إزالة مصادر التأخير الرئيسيةقام باحثون من كلية الرياضيات الحاسوبية وعلم التحكم الآلي بجامعة موسكو الحكومية بتحليل أجزاء عملية التدريب التي تستهلك أكبر قدر من الموارد.حددوا العمليات التي يمكن تجنبها، بما في ذلك النسخ المفرط للبيانات، وقدموا التنفيذ المتوازي بحيث يمكن إجراء عدة عمليات حسابية في وقت واحد بدلاً من تنفيذها واحدة تلو الأخرى، وأدت هذه التغييرات إلى تسريع كل من جمع بيانات التدريب وعملية التعلم نفسها.يمكن تشبيه الحوسبة المتوازية بتكليف عدة عاملين بأجزاء مستقلة من مهمة واحدة،عندما لا تعتمد المهام على بعضها البعض، يكون إكمالها في الوقت نفسه أسرع بكثير من معالجة كل خطوة على حدة.من عمليات التشغيل الفردية إلى ضبط النظام العمليلم يكن الهدف مجرد تقصير جلسة تدريب واحدة، يجب اختبار نموذج إدارة الشبكة الفعال بشكل متكرر في ظل ظروف مختلفة قبل أن يتمكن الباحثون من اختيار التكوين الأمثل.بعد إجراء التحسينات، تم تقليص عملية الضبط الكاملة - بما في ذلك عمليات التدريب المتعددة - إلى عدة أيام، وهو ما يعتبره الباحثون مدة زمنية مقبولة.مجالات استخدام هذا النهجيمكن أن تدعم النتائج تطوير أنظمة إدارة لشبكات الحوسبة الموزعة وبنى معالجة البيانات. يجب على هذه الأنظمة أن تقرر باستمرار مكان تنفيذ المهام مع مراعاة التوافر الحالي وحجم العمل لمختلف الموارد.لا يقدم هذا البحث شبكة حوسبة جديدة أو منصة تحكم تجارية جاهزة، وتكمن مساهمته في عملية تدريب محسّنة تزيل العمليات الحسابية غير الضرورية، وتسمح بإعداد نماذج توزيع المهام الذكية بكفاءة أكبر.
https://sarabic.ae/20260723/باحثون-يطورون-ذكاء-اصطناعي-توليدي-قادر-على-تصميم-بلورات-جديدة-باستخدام-التعلم-المعزز-1115451092.html
https://sarabic.ae/20260729/هل-يكشف-صوتك-حالة-دماغك؟-ذكاء-اصطناعي-روسي-يرصد-الإجابة-1115602965.html
سبوتنيك عربي
feedback.arabic@sputniknews.com
+74956456601
MIA „Rossiya Segodnya“
2026
سبوتنيك عربي
feedback.arabic@sputniknews.com
+74956456601
MIA „Rossiya Segodnya“
الأخبار
ar_EG
سبوتنيك عربي
feedback.arabic@sputniknews.com
+74956456601
MIA „Rossiya Segodnya“
سبوتنيك عربي
feedback.arabic@sputniknews.com
+74956456601
MIA „Rossiya Segodnya“
العالم, علوم, جامعات روسية, روسيا, أخبار الأبحاث العلمية, شبكات, ذكاء اصطناعي
العالم, علوم, جامعات روسية, روسيا, أخبار الأبحاث العلمية, شبكات, ذكاء اصطناعي
جامعة موسكو الحكومية تسرع تدريب الذكاء الاصطناعي لشبكات حوسبة أكثر ذكاء
طوّر علماء الرياضيات في جامعة موسكو الحكومية تقنيات تقلّل بشكلٍ كبير الوقت اللازم لتدريب أنظمة الذكاء الاصطناعي المسؤولة عن توزيع المهام الحسابية عبر الشبكة،من خلال إزالة نسخ البيانات غير الضرورية وإجراء العمليات الحسابية بالتوازي.
لماذا تحتاج شبكات الحوسبة إلى إدارة ذكية؟
تعالج شبكات الحوسبة الحديثة الطلبات الواردة في أوقات غير متوقعة، يُعدّ هذا الأمر بالغ الأهمية في الأنظمة التي تتعامل مع البيانات من أجهزة إنترنت الأشياء، حيث يُمكن لأجهزة الاستشعار والآلات والمعدات المتصلة توليد مهام جديدة باستمرار.
يجب إسناد كل مهمة إلى عقدة حوسبة مناسبة - خادم أو معالج أو مورد آخر قادر على تنفيذ العمل المطلوب، وإذا تم إرسال عدد كبير جدًا من المهام إلى عقدة واحدة بينما تبقى العقد الأخرى غير مُستغلة بشكل كاف، فإن المعالجة تتباطأ ويتم هدر الموارد المتاحة.
لذلك، يجب على نظام التحكم الفعال مراقبة مدى انشغال كل جزء من الشبكة وإعادة توزيع المهام الجديدة مع تغيّر الظروف.
كيف يُسهم التعلّم المعزز متعدد العوامل في حل هذه المشكلة؟
اعتمد أحد الأساليب السابقة لحل هذه المشكلة على التعلّم المعزز متعدد العوامل،في هذا النوع من الأنظمة، تدير عدة عوامل برمجية أقسامًا مختلفة من الشبكة، بينما يُحدد عامل مركزي كيفية توزيع المهام الواردة بينها.
يمكّن التعلّم المعزز نموذج الذكاء الاصطناعي من التحسين من خلال التجربة المتكررة، حيث يجرّب النظام قرارات مختلفة، ويراقب النتائج، ويتعلم تدريجيًا الإجراءات التي تُؤدي إلى توزيع أكثر كفاءة للمهام.
يعدّ تصميم الوكلاء المتعددين مفيدًا لأن الشبكات الكبيرة تحتوي على العديد من الموارد المترابطة، ويمكن أن يساعد تقسيم المسؤولية بين عدة عوامل النظام على الاستجابة للظروف المحلية مع الحفاظ على تنسيق القرارات عبر البنية التحتية بأكملها.
مع ذلك، يتطلب تدريب هذه العوامل قدرة حاسوبية كبيرة ووقتًا طويلًا، حتى بالنسبة للشبكات الصغيرة نسبيًا، قد تستغرق عملية تدريب واحدة حوالي عشر ساعات من وقت المعالج، ونظرًا لأن الباحثين مُضطرون إلى تكرار التدريب عدة مرات مع تعديل معلمات النموذج، فقد تصبح عملية الضبط الكاملة طويلة للغاية.
إزالة مصادر التأخير الرئيسية
قام باحثون من كلية الرياضيات الحاسوبية وعلم التحكم الآلي بجامعة موسكو الحكومية بتحليل أجزاء عملية التدريب التي تستهلك أكبر قدر من الموارد.حددوا العمليات التي يمكن تجنبها، بما في ذلك النسخ المفرط للبيانات، وقدموا التنفيذ المتوازي بحيث يمكن إجراء عدة عمليات حسابية في وقت واحد بدلاً من تنفيذها واحدة تلو الأخرى، وأدت هذه التغييرات إلى تسريع كل من جمع بيانات التدريب وعملية التعلم نفسها.
يمكن تشبيه الحوسبة المتوازية بتكليف عدة عاملين بأجزاء مستقلة من مهمة واحدة،عندما لا تعتمد المهام على بعضها البعض، يكون إكمالها في الوقت نفسه أسرع بكثير من معالجة كل خطوة على حدة.
ووفقًا لفاسيلي بالاشوف، باحث أول في مختبر أنظمة الحوسبة بالجامعة، فإن تحسين التدريب يقلل بشكل كبير من الوقت اللازم لتكوين نظام التحكم، ويجعل هذا النهج أكثر ملاءمة لإدارة الشبكات العملية.
من عمليات التشغيل الفردية إلى ضبط النظام العملي
لم يكن الهدف مجرد تقصير جلسة تدريب واحدة، يجب اختبار نموذج إدارة الشبكة الفعال بشكل متكرر في ظل ظروف مختلفة قبل أن يتمكن الباحثون من اختيار التكوين الأمثل.
بعد إجراء التحسينات، تم تقليص عملية الضبط الكاملة - بما في ذلك عمليات التدريب المتعددة - إلى عدة أيام، وهو ما يعتبره الباحثون مدة زمنية مقبولة.
يمكن لهذا التحسين أن يجعل أنظمة التعلم المعزز أكثر واقعية في البيئات التي يتغير فيها سلوك الشبكة بمرور الوقت، والتي تتطلب تطوير سياسات التحكم أو تحديثها دون استهلاك موارد حاسوبية مفرطة.
يمكن أن تدعم النتائج تطوير أنظمة إدارة لشبكات الحوسبة الموزعة وبنى معالجة البيانات. يجب على هذه الأنظمة أن تقرر باستمرار مكان تنفيذ المهام مع مراعاة التوافر الحالي وحجم العمل لمختلف الموارد.
لا يقدم هذا البحث شبكة حوسبة جديدة أو منصة تحكم تجارية جاهزة، وتكمن مساهمته في عملية تدريب محسّنة تزيل العمليات الحسابية غير الضرورية، وتسمح بإعداد نماذج توزيع المهام الذكية بكفاءة أكبر.
