المقالات

تعتمد بيئات الحوسبة السحابية الحديثة بصورة متزايدة على خدمات مصغرة تعمل في عناقيد حاويات لخدمة أعباء شديدة الديناميكية. ويعد تخصيص الموارد بكفاءة ضروريًا للحفاظ على انخفاض زمن الاستجابة مع تقليل الذاكرة والموارد الأخرى. غالبًا ما تؤدي أساليب التوسع التلقائي الثابتة أو القائمة على القواعد إلى تخصيص زائد يهدر الذاكرة ويرفع التكلفة، أو تخصيص ناقص يخرق اتفاقيات مستوى الخدمة، خصوصًا عند تغير الطلب بسرعة. نقدم إطارًا قائمًا على التعلم المعزز (RL) لتحسين الموارد، يستفيد صراحةً من الحوسبة عالية الأداء (HPC) والمعالجة المتوازية والموزعة لاتخاذ قرارات آنية على نطاق واسع. نصوغ المسألة كعملية قرار ماركوف (MDP)، وندرب عامل تعلم معزز عميق لتعلم سياسات التوسع وتخصيص الذاكرة باستمرار لمئات أو آلاف الخدمات المصغرة. توزع المعمارية التدريب والاستدلال عبر عدة عقد HPC، مستفيدةً من المعالجات متعددة الأنوية ووحدات GPU لمعالجة فضاءات الحالات والإجراءات الكبيرة وتقييم إجراءات التوسع بزمن أقل من ثانية، وهو مطلب لا تحققه الخوادم التقليدية. تظهر التجارب على اختبارات سحابية واقعية انخفاضًا يصل إلى 25–30% في متوسط زمن الاستجابة ونحو 15–20% في استخدام الذاكرة مقارنةً بخطوط أساس متقدمة للتوسع التلقائي، مع التزام بنسبة 99% باتفاقيات الخدمة تحت أعباء متدفقة. توضح النتائج أن دمج RL مع HPC يتيح تحسينًا آنيًا ودقيقًا للموارد في منظومات الخدمات المصغرة المعقدة، بما يتوافق مع أهداف الأداء وقابلية التوسع في أبحاث الحوسبة الفائقة.

أدى الانتشار السريع لنماذج الذكاء الاصطناعي إلى تحول مجالات عديدة، لكن نشرها بكفاءة في البيئات محدودة الموارد، مثل أجهزة الحافة والأنظمة المضمنة، لا يزال يفرض تحديات كبيرة. تراجع هذه الدراسة بصورة منهجية ممارسات هندسة البرمجيات المعاصرة لتحسين نماذج الذكاء الاصطناعي ونشرها على عتاد محدود القدرة الحاسوبية والذاكرة والطاقة. وتتناول مجموعة متنوعة من الأساليب، تشمل استراتيجيات المعمارية وسلاسل أدوات التطوير وأطر الاختبار والتحقق وأنماط MLOps الملائمة للحافة واعتبارات الأمن والخصوصية الأساسية. ومن خلال جمع نتائج الأدبيات الحديثة، تحدد الدراسة التحديات السائدة وتبرز الأساليب الناجحة وتقترح اتجاهات بحثية واعدة لدعم دمج الذكاء الاصطناعي بصورة موثوقة وقابلة للتوسع في الأنظمة المنتشرة منخفضة الموارد. تهدف هذه المراجعة الشاملة إلى أن تكون مرجعًا للباحثين والممارسين الذين يواجهون تعقيدات تطوير ذكاء الحافة.

أدى التوسع السريع لإنترنت الأشياء إلى تحديات واسعة النطاق في الأمن والثقة بسبب تفاوت الأجهزة ومحدودية الموارد والتعرض لهجمات سيبرانية متطورة. غالبًا ما تضعف آليات الحماية التقليدية القائمة على القواعد وسياسات الثقة الثابتة أمام المهاجمين التكيفيين والتهديدات الموزعة. تقدم الورقة إطارًا خفيفًا مدفوعًا بالتعلم العميق لتعزيز الأمن والثقة، يجمع نمذجة السلوك القائمة على التسلسل مع متحكم تكيفي للثقة لتقليل الإنذارات الكاذبة وتحسين موثوقية القرارات على مستوى الجهاز. يعتمد الإطار على شبكة ذاكرة طويلة قصيرة المدى (LSTM) لنمذجة حركة المرور زمنيًا، مع تحديث الثقة باستمرار وفق شدة الشذوذ والاتساق التاريخي وأهمية الجهاز. ونحدد خط معالجة مسبقة قابلًا لإعادة الإنتاج لتحويل خصائص تدفقات الشبكة غير المتجانسة إلى تسلسلات ثابتة الطول. وتحدد الورقة أيضًا بروتوكول تقييم باستخدام مجموعات بيانات شائعة لكشف التسلل ومدونات حديثة خاصة بإنترنت الأشياء، وتقدم قالبًا منظمًا لعرض أداء الكشف ومقاييس ملاءمة التشغيل على الحافة، بما فيها عدد المعلمات وتأخر الاستدلال واستخدام الذاكرة واستهلاك الطاقة.

الملخص—يمكن للتوليد المعزز بالاسترجاع أن يحسن استناد نماذج اللغة إلى الحقائق، لكن الإجابات المولدة قد تظل تتضمن ادعاءات لا يدعمها السياق المسترجع إلا جزئيًا أو لا يدعمها إطلاقًا. تمتلك اللغة الفارسية موارد قليلة نسبيًا لتطوير نماذج تحقق صغيرة الحجم وقابلة للتدقيق. تقدم هذه الورقة FaRAG-Guard، وهو محقق للادعاءات الفارسية بثلاث فئات: مدعوم، ومدعوم جزئيًا، وهلوسة، ويختار كذلك جملة دليل من المقطع المصدر. نبني معيارًا مضبوطًا انطلاقًا من 56,766 مثالًا قابلًا للإجابة من PQuAD، باستخدام تقسيمات مستقلة على مستوى الوثائق، وتسميات متوازنة، وعائلات قوالب محجوبة بين ظروف التدريب والاختبار واختبار الضغط. يكيف FaRAG-Guard نموذج XLM-RoBERTa-base بواسطة محولات منخفضة الرتبة، مع تحديث 1.04 مليون من أصل 279.08 مليون معلمة. عبر ثلاث بذور عشوائية، يحقق النموذج على مجموعة الاختبار الرئيسية المكونة من 900 مثال قيمة macro-F1 تبلغ 72.06% ± 2.91% ودقة متوازنة تبلغ 73.78% ± 1.95%، مع F1 على مستوى الرموز للأدلة يبلغ 72.70% ± 7.95%. يبلغ وسيط زمن معالجة الادعاء الواحد 21.85 ± 3.13 مللي ثانية على NVIDIA Tesla T4، مع ذروة ذاكرة مخصصة تبلغ 1.26 غيغابايت. يتفوق النموذج على أقوى خط أساس في الاختبار الرئيسي بمقدار 7.58 نقطة macro-F1؛ إلا أن قيمة macro-F1 البالغة 56.85% ± 15.15% في اختبار الضغط تقل عن خط أساس تداخل الرموز، مما يكشف الحساسية لتغير الصياغة. تؤسس النتائج خط أساس صغير الحجم وقابلًا لإعادة الإنتاج، مع تحديد المتانة والمعايرة بوصفهما متطلبات لم تُحل بعد.

في بيئات الحوسبة الموزعة الحديثة، يظل التخصيص الكفؤ للموارد تحديًا بسبب أعباء العمل الديناميكية والموارد غير المتجانسة والاعتماديات المعقدة بين المهام. غالبًا ما تعجز أساليب الجدولة التقليدية، مثل أسبقية الوصول والخدمة والتناوب الدوري، عن التكيف مع هذه الظروف أو الاستفادة من البنية البيانية لتنفيذ الأعمال. تقدم هذه الورقة إطارًا متكاملًا للتخصيص التكيفي يجمع التعلم المعزز (RL) والشبكات العصبية البيانية (GNN) لتعلم سياسات الجدولة. يحوّل مكوّن GNN حالة النظام البيانية، مثل اعتماديات المهام وتوافر الموارد، إلى تمثيلات مضغوطة تمكّن عامل RL من التعميم عبر أعباء العمل وطوبولوجيات الأنظمة المختلفة. وبناءً على هذه التمثيلات، يختار العامل إجراءات الجدولة، مثل اختيار المهمة أو موضع تنفيذها، لتحسين مؤشرات الأداء طويلة الأجل، ومنها الإنتاجية وزمن إنجاز العمل واستغلال الموارد والعدالة. نعرض تصميم إطار RL+GNN وصياغة الحالات والإجراءات والمكافآت، ونقدم تقييمًا مفاهيميًا قائمًا على المحاكاة في بيئة جدولة عناقيد سحابية وحوسبة عالية الأداء. تشير النتائج إلى أن دمج تمثيلات الحالة البيانية في التعلم المعزز يمكن أن يحسن قدرة استراتيجيات تخصيص الموارد على التكيف والتوسع، خصوصًا في البيئات ذات الاعتماديات المعقدة والسلوك الديناميكي.

تتعرض أنظمة النقل الحضري في المدن الكبرى مثل بانكوك لضغوط متزايدة نتيجة نمو السكان ومحدودية البنية التحتية وزيادة استخدام المركبات. نستكشف في هذه الدراسة تطبيق تقنيات التعلم الآلي الحديثة، ومنها شبكات الذاكرة طويلة قصيرة المدى (LSTM) والشبكات العصبية البيانية (GNN) والنماذج القائمة على المحولات، لتحليل أنماط حركة المرور في بانكوك والتنبؤ بها. باستخدام بيانات حقيقية من حساسات المرور ومسارات GPS وسجلات النقل العام، نبني خط تنبؤ قائمًا على البيانات يلتقط الاعتماديات المكانية والزمنية المعقدة. تظهر النتائج تفوقًا ملحوظًا لنماذج GNN على خطوط الأساس التقليدية وحتى LSTM في المؤشرات الرئيسية، بينما توفر نماذج المحولات مزايا مكملة. ونناقش أيضًا إمكانات التعلم الاتحادي لدعم تحليل حركة المرور مع الحفاظ على الخصوصية ضمن البنية الحضرية اللامركزية في بانكوك. تقدم الدراسة إطارًا قابلًا للتوسع وعالي الدقة لتخطيط التنقل الحضري الذكي والتنبؤ الآني بالمرور في مدن جنوب شرق آسيا.

تطبق هذه الورقة أساليب متقدمة للتعلم الآلي للتنبؤ بعيوب البرمجيات في المراحل المبكرة من مشاريع الأنظمة المعقدة. جُمعت البيانات الإحصائية ومقاييس الشيفرة التاريخية للمشروع المدروس وعولجت مسبقًا، واستُخدمت عنقدة K-means لتحديد تسميات أولية للفئات. ثم دُربت خوارزميات تصنيف متعددة، منها SVM والغابات العشوائية ونايف بايز وأساليب التجميع. أظهرت التجارب أداءً أفضل للغابات العشوائية والأساليب الهجينة الأخرى، إذ اقتربت دقة بعض النماذج من 99%. كما أشارت الأدلة التجريبية إلى إمكان تقليل تكلفة الاختبار ووقته بصورة ملحوظة وتحسين جودة المنتج النهائي. ومع ذلك، تبقى تحديات منها نقص البيانات الموسومة وعدم توازن مجموعات البيانات. وتقترح الورقة استخدام بيانات اصطناعية وأساليب موازنة ونماذج عميقة متقدمة لإتاحة تطبيق هذه الطرق عمليًا في الصناعات الكبيرة.

يتطلب نشر نماذج اللغة الكبيرة (LLM) موارد ضخمة من الذاكرة والحوسبة، وغالبًا ما يؤدي التخصيص الثابت إلى الهدر أو عدم تلبية الطلب. نقترح إطارًا مفاهيميًا يستخدم التعلم المعزز (RL) وهندسة البرمجيات ذاتية التكيف لتحسين استخدام الموارد في نشر هذه النماذج. يراقب عامل RL مؤشرات النظام، مثل الإنتاجية والتأخر واستغلال GPU وCPU، وينفذ إجراءات كتوسيع عدد النسخ أو تعديل دقة النموذج أو حجم الدفعات. يعتمد النظام حلقة المراقبة والتحليل والتخطيط والتنفيذ (MAPE-K)، ويضبط معلمات التهيئة الديناميكية آنيًا لزيادة الإنتاجية وتقليل التكلفة. نوضح النهج بأمثلة تشمل التوسع التلقائي المدفوع بالتعلم المعزز، مع تحسن استغلال GPU بنحو 40–50%، وتحسينات الاستدلال التكيفية مثل تخزين المفاتيح والقيم مؤقتًا، التي تسرّع التنفيذ حتى أربعة أضعاف. تتعرض عمليات النشر الواقعية في السحابة والحافة لأعباء شديدة التغير، ويتكيف إطارنا مع هذه التغيرات. تظهر التجارب والتقارير الصناعية أن التكيف القائم على RL قد يحسن كفاءة الموارد والأداء بصورة ملحوظة.

يهدف التنبؤ بأخطاء البرمجيات إلى التعرف تلقائيًا على الوحدات المحتمل احتواؤها على عيوب لتحسين الجودة وتقليل تكلفة الاختبار. تستخدم الطرق التقليدية مقاييس الشيفرة الساكنة، مثل التعقيد وحجم التغييرات، مع التعلم الآلي الكلاسيكي، لكنها غالبًا تتجاهل العلاقات بين الوحدات. أظهرت تقنيات التعلم العميق مؤخرًا نتائج واعدة عبر تعلم الخصائص من نص الشيفرة وبنيتها. وتستطيع الشبكات العصبية البيانية (GNN) خصوصًا تمثيل البرمجيات كرسوم بيانية، حيث تمثل الفئات أو الوحدات عقدًا والاعتماديات حوافًا، لالتقاط دلالات غنية. تراجع الورقة أساليب التنبؤ التقليدية والعميقة، مع التركيز على نماذج GNN المبتكرة التي تستخدم التحليل الساكن ورسوم اعتماديات الشيفرة. نلخص أن نماذج مثل LSTM وCNN تتفوق غالبًا على التعلم الآلي التقليدي، وأن توظيف بنية الشيفرة في GNN يحقق مكاسب إضافية في الدقة وF1. حققت مصنفات LSTM في الدراسات السابقة دقة تقارب 87%، بينما أفادت أساليب GNN متعددة المناظير بتحسن نسبي في F1 يتراوح بين 17 و45%. تشير هذه النتائج إلى أن دمج المقاييس الساكنة مع رسوم اعتماديات الشيفرة في أطر GNN يمكن أن يعزز التنبؤ بالأخطاء بصورة ملحوظة.

مع تزايد تعقيد تطبيقات الويب، تزداد الحاجة إلى اختبار آلي شامل وفعال. تراجع الورقة وتحلل الأساليب الحديثة لاختبار تطبيقات الويب تلقائيًا باستخدام خوارزميات الذكاء الاصطناعي، ومنها التعلم الآلي والعميق والشبكات العصبية. وبعد دراسة تحديات الاختبار التقليدي، مثل النماذج الديناميكية والمنطق المعقد، تعرض الأساليب الذكية في ثلاث مجموعات: التعلم الآلي لتوليد حالات الاختبار وتحليلها؛ والشبكات العصبية والتعلم العميق لفهم عناصر واجهة المستخدم والاختبار الآلي؛ والتعلم المعزز العميق للاستكشاف الذاتي لفضاء حالات الويب. وتعرض أمثلة لأطر مختارة، منها WebRLED وWebExplor، مع نتائجها التجريبية. تخلص الدراسة إلى أن الأساليب القائمة على الذكاء الاصطناعي قد تحسن تغطية الشيفرة ومعدل كشف الأخطاء بصورة كبيرة. وتشمل الاتجاهات المستقبلية دمج نماذج اللغة الكبيرة وتوسيع إتاحة مجموعات بيانات واقعية للتدريب الحديث.

تواجه الأنظمة البرمجية اليوم طلبًا متزايدًا على الأداء العالي والاستخدام الكفؤ للذاكرة. وتعجز طرق التحسين التقليدية، التي تكون غالبًا ثابتة وغير مرنة، عن التكيف مع أعباء العمل المعقدة والديناميكية. تقدم خوارزميات التعلم الآلي نهجًا واعدًا من خلال تعلم الأنماط تلقائيًا واتخاذ قرارات ذكية لتحسين زمن التنفيذ واستهلاك الذاكرة. تقدم الورقة مراجعة شاملة للأبحاث الحديثة بين 2021 و2025 حول استخدام تقنيات التعلم الآلي، بما فيها الشبكات العصبية والتعلم المعزز والخوارزميات التطورية، لتحسين أداء الأنظمة البرمجية. ونناقش كيف حققت الحلول المدفوعة بالتعلم الآلي تحسينات مهمة، مثل تقليل زمن تنفيذ البرامج وزيادة كفاءة الذاكرة والتخزين المؤقت وتخصيص الموارد بذكاء في البيئات السحابية.

تتسم المشكلات المعقدة عادةً بطبيعة غير خطية ومتعددة المعايير ومعتمدة على البيانات الضخمة، مما يجعل تقنية واحدة للذكاء الاصطناعي غير كافية لحلها. تدرس الورقة أهمية الأساليب الهجينة في الذكاء الاصطناعي لتحسين دقة حل المشكلات المعقدة وكفاءته. ويعني النهج الهجين استخدام عدة أساليب للذكاء الاصطناعي في وقت واحد أو بالتتابع ضمن إطار متكامل. أظهرت دراسات مختلفة أن الجمع بين الإنسان والآلة، أو الذكاء الهجين، يحسن دقة نماذج التعلم الآلي، وأن استخدام خوارزميات فوق استدلالية ضمن أطر هجينة يمكن أن يسرع تقارب الشبكات العصبية. وتشير النتائج التجريبية أيضًا إلى أن نماذج الذكاء الاصطناعي الهجينة تزيد دقة التنبؤ في المشكلات المعقدة بصورة ملحوظة (أكبري وزملاؤه، 1400 بالتقويم الإيراني).

إنترنت الأشياء شبكة من الأجهزة الذكية تتبادل البيانات على نطاق واسع. وقد أوجد نموه السريع، إلى جانب فوائده الكثيرة، تحديات مهمة للأمن والخصوصية. لا تكفي أساليب الأمن السيبراني التقليدية لحماية هذه المنظومة بسبب بنيتها المركزية وضعفها أمام التهديدات الناشئة. وتطرح تقنية سلسلة الكتل، بخصائص اللامركزية والشفافية وعدم قابلية التغيير والإجماع الموزع، حلًا جديدًا لتعزيز أمن إنترنت الأشياء والثقة فيه. تستخدم الورقة منهجًا بحثيًا مكتبيًا وتحليليًا لدراسة دور سلسلة الكتل في تحسين أمن البنية متعددة الطبقات لإنترنت الأشياء وخصوصيتها. وبعد مراجعة التحديات الأمنية، توضح قدرات سلسلة الكتل في مواجهتها. وتقدم إطارًا مفاهيميًا لدمج التقنيتين وتحلل نتائج الأبحاث الحديثة. تشير النتائج إلى أن سلسلة الكتل قد تصعّب التلاعب بالبيانات وتعزز إدارة الهوية وتحد من الوصول غير المصرح به. وتشمل التوصيات المستقبلية استخدام خوارزميات إجماع خفيفة وتحسين قابلية التوسع.

أدى التوسع السريع في نماذج اللغة الكبيرة إلى تكاليف حاسوبية وآثار بيئية غير مسبوقة. نتناول التحسين متعدد الأهداف لتدريب هذه النماذج، مع موازنة الأداء واستخدام الموارد، بما فيها زمن التدريب والطاقة وساعات GPU والبصمة الكربونية. نراجع ونقيّم تقنيات متقدمة، منها تقليم النماذج والتكميم وتقطير المعرفة والبحث في المعمارية العصبية وضبط المعلمات الفائقة بالأساليب التطورية أو التعلم المعزز، من حيث المفاضلة بين الدقة أو الخسارة والكفاءة. باستخدام بيانات تجريبية حديثة من اختبارات عامة، مثل ضبط BERT على مهام GLUE وتدريب عائلة GPT، نحلل أثر كل طريقة على جبهة باريتو للدقة والتكلفة. فمثلًا، خفض التكميم الثابت إلى 8 بت استهلاك الطاقة بنحو 29% مع خسارة دقة ضئيلة، بينما سرّع التقليم البنيوي الاستدلال بنحو 63% مع تراجع محدود في الدقة. وتحقق تقنيات الضغط المتقدمة مكاسب أكبر؛ إذ خفضت طريقة إعادة معلمة متعددة الأهداف قائمة على الإزاحة والجمع استهلاك الذاكرة والطاقة بأكثر من 80% مقارنة بالنماذج الكاملة. نستخدم مخططات باريتو للدقة مقابل الطاقة لعرض هذه المفاضلات في الأشكال 1–4. ونجد أن البحث متعدد الأهداف، كالتحسين البايزي أو الخوارزميات الجينية، يمكنه تحديد تهيئات تقع على الجبهة المثلى لباريتو بصورة منهجية، بما يتيح اختيار النماذج الملائمة للقيود. وتؤكد الورقة، اتساقًا مع مبادئ الذكاء الاصطناعي الأخضر، أن التنازل المعتدل عن الدقة قد يحقق مكاسب كبيرة في الكفاءة، وتقدم توصيات عملية لتدريب نماذج مستدامة.

تقرب الحوسبة الطرفية المعالجة من مصادر البيانات وتقلل التأخر، لكنها تفرض تحديات جديدة للطاقة على الموارد الموزعة والمعتمدة على البطاريات. نقدم إطارًا قائمًا على التعلم الآلي يحسن استخدام الطاقة ديناميكيًا في بيئات الحافة غير المتجانسة. يجمع النهج توزيع أعباء العمل تكيفيًا وتصميم نماذج تراعي العتاد وتقنيات استدلال منخفضة الطاقة. يستخدم الإطار خوارزميات تعلم، مثل التعلم المعزز، لتخصيص المهام بين عقد الحافة والموارد السحابية وفق الحمل الحالي وخصائص الطاقة. ونقيّمه في سيناريو ممثل لإنترنت الأشياء، حيث تظهر النتائج أن الجدولة الموجهة بالتعلم الآلي قد تخفض استهلاك الطاقة بنحو 30–50% مقارنةً بالتخصيص الثابت مع الالتزام بقيود التأخر. تشمل الابتكارات الرئيسية التحسين متعدد الأهداف للمعلمات الحاسوبية والعتادية، المستوحى من DynaSplit، واستخدام ضغط النماذج والمسرعات للاستدلال منخفض الطاقة. توضح النتائج إمكانات إدارة الموارد بالتعلم الآلي لدعم حوسبة طرفية مستدامة.

مع تطور نماذج اللغة الكبيرة في السنوات الأخيرة، أصبح الإكمال الآلي للشيفرة أحد تطبيقاتها الرئيسية في تطوير البرمجيات. تدرس الورقة التطور الآلي للشيفرة مع التركيز على لغة بايثون. وتراجع نماذج متقدمة مثل GPT-4 وOpenAI Codex وأدوات مثل GitHub Copilot، وتحلل قدراتها على إكمال الشيفرة وتوليد مقاطع البرامج تلقائيًا. تشير نتائج الأبحاث إلى أن نماذج اللغة الكبيرة حسنت دقة إكمال الشيفرة وسرعته بصورة كبيرة، وزادت إنتاجية المطورين في بعض الحالات؛ فمثلًا، أُبلغ عن انخفاض زمن إتمام المهام بنسبة 55% (Perry وزملاؤه، 2023). ومع ذلك، تبقى تحديات مثل توليد شيفرة غير آمنة والحاجة إلى رقابة بشرية على المخرجات (Pearce وزملاؤه، 2022). وإلى جانب مراجعة الأبحاث المحلية والدولية، توضح الورقة منهجية تقييم كفاءة النماذج وتقدم نتائج تأثيرها في البرمجة ببايثون. وتختتم بعرض فرص استخدام مساعدي البرمجة القائمين على LLM وتحدياته.