في عالم الذكاء الاصطناعي، يُعتبر تعلم الآلة الفيدرالي (Federated Learning) أحد الاتجاهات الحديثة ذات الأهمية البالغة، حيث يسمح بتدريب النماذج عبر بيانات موزعة دون الحاجة لمشاركة تلك البيانات بشكل مركزي. ومع ذلك، كانت تواجه أنظمة التعلم الفيدرالي على المنصات الخالية من الخوادم قيودًا صارمة في القدرة على التوسع، وذلك بسبب حاجتها للاحتفاظ بالتدرجات الكاملة للنموذج في الذاكرة.

تقدم دراسة جديدة تقنية مبتكرة تُسمى GradsSharding، حيث تتيح تقسيم تدرجات النموذج إلى عدة أجزاء أصغر، مما يُمكّن كل جزء من العمل المستقل على دالة خالية من الخوادم. وتوضح الدراسة أنه عندما يتجاوز حجم التدرجات الحد الأقصى لذاكرة الدالة، يصبح من المستحيل إجراء عملية التجميع، وخاصة في منصات مثل AWS Lambda. باستخدام GradsSharding، يتمكن الباحثون من تجاوز هذه القيود، مما يتيح إمكانية تجميع نماذج بحجم غير محدود تقريبًا مع الاحتفاظ بنفس دقة النموذج.

أظهرت النتائج التجريبية أن GradsSharding يتفوق على الأنظمة التقليدية مثل lambda-FL وLIFL، حيث تم تحقيق تقليل في التكاليف بنسبة تصل إلى 2.7 مرة عند العمل على نماذج بحجم VGG-16، ونجحت في الاستمرار في العمل بكفاءة حتى عندما تُصبح الذاكرة الخالية من الخوادم غير كافية.

إن هذا الابتكار يفتح آفاقًا جديدة لتطوير نماذج تعلم آلة أكبر وأكثر تعقيدًا، ويعزز من قدرة الباحثين والمطورين على استخدام التعلم الآلي في مجموعة واسعة من التطبيقات بدون القيود السابقة.