<?xml version="1.0" encoding="UTF-8"?>
<rss version="2.0">
	<channel>
		<title>حسوب I/O - مساهمات المستخدم Islam_Ashraf_S2</title>
		<description>المساهمات التي أرسلها Islam_Ashraf_S2 - حسوب I/O</description>
		<language>ar</language>
		<generator>حسوب I/O</generator>
		<item>
			<title>بناء معمارية هجينة (GNN + Trees) لحل مشكلة زمن تشغيل نماذج الذكاء الاصطناعي لشركة جوجل</title>
			<pubDate>Sat, 04 Jul 2026 00:31:42 +0000</pubDate>
			<link>https://io.hsoub.com/tech/184456-%D8%A8%D9%86%D8%A7%D8%A1-%D9%85%D8%B9%D9%85%D8%A7%D8%B1%D9%8A%D8%A9-%D9%87%D8%AC%D9%8A%D9%86%D8%A9-gnn-trees-%D9%84%D8%AD%D9%84-%D9%85%D8%B4%D9%83%D9%84%D8%A9-%D8%B2%D9%85%D9%86-%D8%AA%D8%B4%D8%BA%D9%8A%D9%84-%D9%86%D9%85%D8%A7%D8%B0%D8%AC-%D8%A7%D9%84%D8%B0%D9%83%D8%A7%D8%A1-%D8%A7%D9%84%D8%A7%D8%B5%D8%B7%D9%86%D8%A7%D8%B9%D9%8A-%D9%84%D8%B4%D8%B1%D9%83%D8%A9-%D8%AC%D9%88%D8%AC%D9%84</link>
			<description><![CDATA[دراسة متعمقة ومكثفة استمرت لمدة 24 ساعة كاملة لمسابقة جوجل الشهيرة لعام 2023 &quot;Google - Fast or Slow? Predict AI Model Runtime&quot; أعادت تعريف منظوري الشخصي حول تصميم البنى البرمجية القابلة للتوسع. يجب على أي متخصص أو ممارس في مجال علوم البيانات والذكاء الاصطناعي تفكيك هذه المسابقة وتحليلها لفهم الحد الفاصل بين الأكواد البحثية وهندسة الإنتاج الفعلي.  المشكلة الجوهرية التي واجهتها شركة جوجل تمثلت في تحسين خيارات مترجم XLA (Accelerated Linear Algebra) فيما يتعلق بمخططات التنسيق للمصفوفات وأبعاد التقسيم (Tile Dimensions). إن تقييم هذه المتغيرات على مجموعات معالجات TPU الفعلية يتسبب في تكاليف تشغيلية هائلة. وقد اعتمدت الحلول الفائزة بالمركز الأول على شبكات عصبية رسومية عميقة (Deep GNNs) للتعامل مع الهياكل المعقدة، إلا أن هذه الأنظمة كانت تصطدم غالباً بحدود الموارد المتاحة وتتسبب في انهيار الذاكرة (OOM).  بناءً على ذلك، قمت بتطوير بديل جاهز للبيئات الإنتاجية: معمارية هجينة تجمع بين ترميز الهياكل الرسومية الضحلة (Shallow GNN Encoders) وطبقة تراجع شجرية محسنة تعتمد على HistGradientBoostingRegressor. يحافظ هذا التصميم على دقة الترتيب الصارمة مع التخلص تماماً من الحاجة إلى طبقات النماذج العميقة المستهلكة للموارد.  أهم 5 نقاط تلخص استفادة شركة جوجل من هذا الحل: 1. خفض تكاليف دورات الضبط التلقائي لزمن التشغيل بشكل جذري ومباشر. 2. إلغاء فترات التأخير الناتجة عن عمليات القياس الفيزيائي لمتغيرات التجميع الجديدة. 3. توفير حماية هيكلية ضد انهيار الذاكرة في مجموعات الحوسبة الموزعة. 4. تحسين تكوينات المخططات ديناميكياً لتناسب مختلف الأجهزة المستهدفة بكفاءة. 5. التحقق من مقاييس كفاءة الرسوم البيانية للعمليات قبل جدولة عمليات التدريب الضخمة.  إن هذا الإطار الهيكلي، والمتمثل في تحسين تسلسل تنفيذ الرسوم البيانية للعمليات عند طبقة المترجم، هو ما يساهم بشكل مباشر في تسريع الأنظمة الأساسية المسؤولة عن تشغيل نماذج الذكاء الاصطناعي العملاقة الحديثة مثل Gemini.  حزم الأكواد البرمجية، وأدوات تحليل الموارد، وخطوط إنتاج النماذج الكاملة متاحة للجميع بشكل مفتوح المصدر لمن يرغب في الاطلاع على المعمارية الهندسية أو تجربة خط الإنتاج (Pipeline).  رابط مستودع جيت هاب: https://github.com/islamahme/Google-Fast-Or-Slow-Runtime-Prediction-Competitions-In2023  رابط مفكرة كاجل: https://www.kaggle.com/code/ashrafsalahedlin/mlops-pipeline-hybrid-gnn-histgradientboosting]]></description>
		</item>
	</channel>
</rss>
