مع تزايد المخاوف بشأن التأثير البيئي لمراكز البيانات التي تعالج الذكاء الاصطناعي، كشف DeepMind، مختبر أبحاث الذكاء الاصطناعي التابع لشركة Google، عن طريقة تدريب جديدة تسمى JEST. يعد هذا الأخير بتحسين السرعة وكفاءة استخدام الطاقة لنماذج الذكاء الاصطناعي هذه بشكل مثير للإعجاب.
ل'الذكاء الاصطناعييتم دمجها بشكل متزايد. من التكاملChatGPT في أجهزة iPhoneومنGemini موجود في جميع تطبيقات Google الرئيسية تقريبًا مثل Gmail وGoogle Docs، وهذا التقدم لا يخلو من العواقب.
كشف التقرير البيئي لعام 2024 الذي أصدرته Google مؤخرًا عن أزيادة مثيرة للقلق في انبعاثات الغازات الدفيئة، ويرجع ذلك أساسًا إلى مراكز البيانات كثيفة الاستهلاك للطاقة اللازمة لتشغيل نماذج الذكاء الاصطناعي الخاصة بها. البحث عنحلول أكثر استدامة وكفاءةولذلك يمثل أولوية للباحثين وشركات التكنولوجيا.
يصبح الذكاء الاصطناعي في Google أكثر كفاءة بـ 10 مرات وأسرع بـ 13 مرة باستخدام طريقة JEST
وفي هذا السياق، قدم DeepMind، مختبر أبحاث الذكاء الاصطناعي التابع لشركة جوجليكون، أطريقة تدريب جديدةنماذج الذكاء الاصطناعي. ووفقا لتقرير منشور، فإن هذه الطريقة من شأنها أن تحسن سرعة التدريب وكفاءة الطاقة بشكل كبير.
تتميز طريقة JEST، "اختيار الأمثلة المشتركة" والتي يمكن ترجمتها إلى الفرنسية باسم "الاختيار المشترك للأمثلة"، بنهجها المبتكر في تدريب نماذج الذكاء الاصطناعي. على عكس التقنيات التقليدية التي تركز على نقاط البيانات الفردية، تعتمد هذه التقنية على مجموعات كاملة من البيانات.نموذج صغيرالذكاء الاصطناعييقيمأولاجودة البياناتمن مصادر موثوقة للغاية ويصنف الدفعات حسب الجودة. بعد ذلك،نموذج أكبريستخدم هذه التقييمات لالتدريب بشكل أكثر فعالية.
النتائج مثيرة للإعجاب: سوف تتفوق JEST على النماذج الحالية بما يصل إلىدورات تعليمية أقل بـ 13 مرةوآخرونقوة حاسوبية أقل بـ 10 مرات. إلا أن هذه الطريقة تعتمد على جودة بيانات التدريب الأولية مما يتطلب مهارات بحثية عالية لبناء هذه الأسس. ولذلك يأتي هذا الابتكار في وقت حرج حيث تتزايد المخاوف بشأن التأثير البيئي لمراكز بيانات الذكاء الاصطناعي بينما يستمر الطلب على الطاقة الحاسوبية لهذه التكنولوجيا في التزايد.
مصدر :جوجل ديب مايند
