لم يعد الاعتماد على سرعة الحواسيب الفائقة وحدها كافياً لإحراز تقدم في مجالات بحثية معقدة مثل الجينوم. هذا ما يوضحه الدكتور رافي مادوري، العالم البارز في قسم علم البيانات والتعلم بمختبر أرغون الوطني التابع لوزارة الطاقة الأمريكية. يركز عمله على تسخير الحوسبة لخدمة برنامج المليون محارب قديم (Million Veteran Program) الذي يضم أكبر مستودع حيوي للبيانات الجينية في العالم.
يقول مادوري إن التحديات التي تواجه تحويل البيانات القيمة إلى نتائج عملية لا يمكن حلها دائماً بزيادة سرعة الأجهزة. فقد واجه فريقه مشكلة أثناء تشغيل دراسة الارتباط على مستوى الجينوم (genome-wide association study) على نظام Summit، حيث لم يعد حجم المصفوفات اللازمة للتحليل يتناسب مع ذاكرة المعالج، مما أدى إلى توقف العملية.
تحسين الأكواد لاستغلال قوة GPU
بعد فحص الكود المصدري، اكتشف الفريق أن المشكلة ليست في السرعة بحد ذاتها، بل في طريقة كتابة الكود. كان التحليل مصمماً للعمل على المعالجات العادية (CPUs)، لكن الجزء الأكبر من وقته كان يقضى في ضرب مصفوفات كبيرة من الأرقام، وهي مهمة تتفوق فيها معالجات الرسوميات (GPUs) وتعتبر المحرك الأساسي لتدريب نماذج الذكاء الاصطناعي الحديثة.
لحل هذه المشكلة، قام الفريق، بقيادة أليكس رودريغيز من أرغون، بإعادة كتابة جزء من الكود ليناسب معالجات الرسوميات، وأنتجوا نسخة محسنة أطلقوا عليها اسم SAIGE-GPU. أدى هذا التحول إلى إنجاز تحليل كان سيستغرق حوالي 481,000 ساعة عمل من أنوية الـ CPU ليصبح ممكناً وسريعاً جداً. وقد ساهم هذا التحليل الجديد في تحديد 13,672 منطقة في الجينوم مرتبطة بظروف صحية مختلفة عبر 635,969 محارباً قديماً و2,068 سمة، كاشفاً عن حوالي 1,600 ارتباط كانت «غير مرئية» سابقاً في الدراسات التي ركزت على أصول أوروبية فقط.
التعلم الموحد: حل لمشاركة البيانات الحساسة
تفرض حساسية البيانات الطبية قيوداً صارمة على مشاركتها بين المؤسسات المختلفة. هنا يبرز التعلم الموحد (Federated Learning) كحل فعّال، إذ يسمح بتدريب النماذج دون الحاجة إلى نقل البيانات نفسها. فكل مؤسسة تدرب النموذج على بياناتها المحلية، ثم ترسل التعديلات التي تعلمها النموذج إلى نقطة مركزية لدمجها وتحديث النموذج الشامل. شارك مادوري في تطوير إطار عمل APPFL (Argonne Privacy-Preserving Federated Learning)، الذي يسهّل نقل النماذج بدلاً من البيانات مع الحفاظ على خصوصيتها. ويشدد مادوري على أن هذا التعاون يعتمد أولاً وقبل كل شيء على رغبة الأشخاص في العمل معاً، واصفاً إياه بـ «اتحاد بشري».
ماذا يعني هذا للمطورين؟
بالنسبة للمطورين، تسلط هذه القصة الضوء على أهمية ليس فقط سرعة العتاد، بل أيضاً كفاءة البرمجيات. إن القدرة على تحسين الأكواد لاستغلال إمكانيات معالجات الرسوميات (GPUs) تفتح آفاقاً واسعة في معالجة البيانات الضخمة والمهام كثيفة الحوسبة، بما في ذلك تطوير نماذج الذكاء الاصطناعي. كما أن فهم مبادئ التعلم الموحد يصبح أمراً حيوياً لمن يعملون مع بيانات حساسة أو في بيئات موزعة، مما يمكنهم من بناء أنظمة قوية تحترم الخصوصية.
المصدر: theregister.com