Ai2 يستبدل جدولة GPU بنظام ميزانيات زمنية يرفع الكفاءة 30%
استبدل معهد Ai2 جدول الأولويات القديم بنظام ميزانيات زمن GPU وتوزيع عادل هرمي وعقود تشغيل زمنية، ما رفع الإحساس بالكفاءة 30% وخفض أعمال الصيانة اليدوية 74%. النظام يدير آلاف وحدات H100 وB200 وB300 في عناقيد من 88 إلى 1024 وحدة لخدمة 150 باحثاً. يحوّل الصراع على الموارد من مفاوضات تشغيلية إلى ميزانية إدارية شفافة.
الموجز الإحصائي السريع
أعلن فريق البنية التحتية للذكاء الاصطناعي في معهد Ai2 استبدال جدول الأولويات القديم بنظام جدولة جديد يعتمد على ميزانيات زمن GPU والتوزيع العادل الهرمي وعقود التشغيل الزمنية. النظام يدير آلاف وحدات NVIDIA H100 وB200 وB300 في عناقيد تتراوح بين 88 و1024 وحدة، ويخدم نحو 150 باحثاً داخلياً. النتائج المؤكدة: زيادة الإحساس بالكفاءة 30% وخفض أعمال الصيانة اليدوية 74%.
📊 بطاقة البيانات والمواصفات التقنية الرسمية
| المحور التقني | البيانات الرسمية المؤكدة |
|---|---|
| 💰 الأسعار وتكلفة الاستخدام | نظام داخلي لمعهد Ai2 غير متاح تجارياً؛ لا توجد أسعار توكنز أو خطط اشتراك معلنة. التكلفة تُدار داخلياً عبر ميزانيات زمن GPU المخصصة لكل مشروع بحثي. |
| 🌐 المنصات والتوفر الفوري | نشر تفاصيل النظام على مدونة Hugging Face الرسمية (huggingface.co/blog/allenai/impactful-scheduling). النظام داخلي لمعهد Ai2 ولا يُوزع كمنتج خارجي. |
| ⚡ الأداء ومؤشرات السرعة | +30% إحساس بالكفاءة (شهادة Chris Clark)؛ -74% في أعمال الصيانة التي تتطلب تدخلاً بشرياً؛ الطلب يفوق العرض 2-3x؛ 100% من الأحمال القديمة استخدمت أولوية HIGH؛ 35% حصة مشروع A1 من السعة الكلية. |
| 🛡️ الأمان ومقاومة الاختراق | لا ينطبق (نظام جدولة موارد داخلي). يعالج النظام مشكلة "مأساة المشاع" ويمنع احتكار GPU (GPU squatting) وتضخم الأولويات. |
| 🧠 سياق الذاكرة (Context Window) | لا ينطبق. نافذة المراجعة الزمنية للجدولة الافتراضية: 7 أيام (sliding lookback window). |
| 🌍 دعم اللغة العربية والمنطقة | لا ينطبق (نظام بنية تحتية داخلي). لا يتضمن معالجة لغوية أو دعماً إقليمياً. |
تفاصيل الإعلان والميزات التقنية الجديدة
يعتمد النظام الجديد على هرم من أربع مقاييس: التوفر (availability)، الإشغال (occupancy)، التأثير (impact)، والاستخدام (utilization). استبدل Ai2 جدول الأولويات القديم بنظام ثلاثي: ميزانيات زمن GPU، توزيع عادل هرمي (hierarchical fair-share)، وعقود تشغيل زمنية (time-slicing contract). في النظام القديم، استخدم 100% من الأحمال المسجلة أولوية HIGH، مما أدى إلى تجويع الأولويات الأدنى، وظهرت ممارسات احتكار GPU حيث يوقف الباحثون أحمالاً وهمية (no-op) للاحتفاظ بالوحدات. النظام الجديد يجعل كل طلب GPU ممولاً من ميزانية، فأي تلاعب يستهلك ميزانية الفريق الفعلية، ما يجعل التلاعب أغلى من التفاوض الشفاف.
يعمل المجدول على نافذة مراجعة زمنية افتراضية مدتها 7 أيام، ويرتب الأحمال من التخصيصات الأقل استخداماً إلى الأعلى. يميز النظام بين إشغال مخصص (allocated) يُحمّل على الميزانية ويُحمى من الاستباق خلال الحد الأدنى لزمن التشغيل، وإشغال غير مخصص (unallocated) لا يُحمّل على أي ميزانية وقابل للاستباق فوراً. عقد الجدولة يلزم كل حمل بالإعلان عن الحد الأدنى لزمن التشغيل، ما يمنح الباحث ضمان تقدم ويسمح للمجدول بإعادة التوازن بعد انتهائه. النتيجة: خفض أعمال الصيانة التي تتطلب تدخلاً بشرياً بنسبة 74%، وهي وفرة كبيرة في جهد الاستدعاء (on-call toil).
المقارنة المعيارية والأداء التنافسي
يستند التوزيع العادل الهرمي إلى سلالة تعود إلى Hadoop Fair Scheduler عام 2009، ويُستخدم اليوم في SLURM Fair Tree وYARN Fair Scheduler. الجديد في Ai2 هو المدخلات: الشجرة تعكس هيكل البرنامج البحثي، والأوزان هي ميزانيات يحددها المديرون بدلاً من حصص ثابتة. في المقارنة، النظام القديم أنتج تضخم أولويات بنسبة 100% واحتكار GPU، بينما النظام الجديد حقق +30% كفاءة محسوسة و-74% صيانة يدوية. الطلب على GPU يفوق العرض 2-3x في أي لحظة، ما يجعل كل ساعة GPU محلاً لتنافس 2-3 أحمال بحثية.
ماذا يعني هذا للمطور والمستخدم العربي؟ (The Localization Edge)
رغم أن نظام Ai2 داخلي وغير موجه للمطور العربي مباشرة، فإن نموذج الميزانيات الزمنية والتوزيع العادل الهرمي قابل للتطبيق في مراكز البيانات العربية التي تعاني من ندرة وحدات GPU وتكاليف استيرادها المرتفعة. الفرق البحثية في الجامعات وشركات الذكاء الاصطناعي الناشئة في المنطقة يمكنها تبني نفس المنهجية لتحويل الصراع على الموارد إلى ميزانية إدارية شفافة، ما يقلل الهدر ويرفع الإنتاجية دون شراء عتاد إضافي. كما أن خفض الصيانة اليدوية 74% يعني تقليص الاعتماد على مهندسي الاستدعاء، وهو مكسب كبير للفرق الصغيرة محدودة الموارد. عملياً، يمكن للمشاريع العربية التي تدرب نماذج LLM وVLM محلياً الاستفادة من عقود التشغيل الزمنية لضمان تقدم الأحمال الطويلة دون احتكار الوحدات.
الخلاصة والتطلعات القادمة
يمثل هذا التحول نموذجاً مرجعياً في إدارة موارد GPU، إذ يحوّل مشكلة تخصيص الموارد من مفاوضات تشغيلية مرهقة إلى عملية ميزانية إدارية شفافة. الأرقام المؤكدة (+30% كفاءة، -74% صيانة يدوية) تجعل هذا النهج جديراً بالدراسة والتطبيق في أي مؤسسة تدير عناقيد GPU كبيرة. الخطوة التالية المتوقعة هي توسيع نطاق النظام ليشمل عناقيد أكبر وأعباء عمل أكثر تنوعاً، مع الاستمرار في تحسين عملية مراجعة الميزانيات.
المصدر الإعلامي: Hugging Face | البيان الرسمي للشركة: المصدر الأصلي | تدقيق وتحليل البيانات: AI Tools Oasis
أسئلة شائعة
فريق AI Tools Oasis
نقدم لك أحدث الأخبار والتحليلات في عالم الذكاء الاصطناعي بدقة ومصداقية. تابعنا للحصول على كل جديد.
