باختصار
تعاقب النماذج (Model Cascading) هو نظام بيختار النموذج الأمثل لاستعلام استدلال محدَّد.
بالتفصيل
تخيّل مجموعة نماذج، تتراوح من ضخمة جدًا (عدد هائل من المعاملات) إلى أصغر بكثير (عدد أقلّ بكثير من المعاملات). النماذج الضخمة جدًا بتستهلك موارد حوسبة أكبر وقت الاستدلال من النماذج الأصغر. لكنها عادةً بتقدر تستنتج طلبات أكثر تعقيدًا من النماذج الأصغر.
تعاقب النماذج بيحدّد مدى تعقيد استعلام الاستدلال، وبعدين يختار النموذج المناسب لتنفيذ الاستدلال. والدافع الأساسي وراء تعاقب النماذج هو خفض تكاليف الاستدلال، عن طريق اختيار نموذج أصغر بشكل عامّ، والاستعانة بنموذج أكبر فقط للاستعلامات الأكثر تعقيدًا.
مثال توضيحي: تخيّل نموذجًا صغيرًا يعمل على هاتف، ونسخة أكبر من نفس النموذج تعمل على خادم بعيد. تعاقب النماذج الجيّد بيقلّل التكلفة وزمن الاستجابة (Latency) عن طريق السماح للنموذج الأصغر بمعالجة الطلبات البسيطة محليًا على الجهاز، مع تحويل الطلبات المعقّدة فقط للنموذج الأكبر على الخادم.
الفرق عن التوزيع (Distillation) أو النموذج المدمج (Compact Model): تعاقب النماذج مش عن تصغير نموذج واحد، بل عن تنسيق ديناميكي بين عدّة نماذج بأحجام مختلفة، واختيار الأنسب لحظيًا حسب طبيعة كل طلب.
مثال عملي
مساعد ذكاء اصطناعي بيستقبل ملايين الاستعلامات يوميًا. 80% منها أسئلة بسيطة («كم الساعة في طوكيو؟»)، و20% معقّدة (تحليل عقد قانوني طويل).
بدل ما تستخدم نموذجًا ضخمًا واحدًا لكل الاستعلامات — وده مكلف جدًا — تعاقب النماذج بيوجّه الأسئلة البسيطة لنموذج صغير رخيص، ويحوّل التحليلات المعقّدة فقط للنموذج الضخم. النتيجة تكلفة إجمالية أقلّ بكثير، بلا تضحية بالجودة عند الطلبات اللي بتحتاجها فعلًا.
مصطلحات مرتبطة
- Compact Model — النموذج المدمج.
- Distillation — التقطير.
- Inference — الاستدلال.
المصادر: Google ML Glossary
