هوش مصنوعی
چارچوب RAGAM-AI مدیریت منابع در شبکه‌های لبه را با بازخورد مدل زبانی بهینه می‌کند
پیش‌چاپی در arXiv چارچوبی ترکیبی از یادگیری تقویتی و هوش مصنوعی مولد معرفی می‌کند که برای تخصیص منابع در واحدهای محاسبات لبه طراحی شده است.
پژوهشگران در پیش‌چاپ RAGAM-AI روشی برای مدیریت منابع در شبکه‌های توزیع‌شدهٔ لبه پیشنهاد کرده‌اند. این چارچوب، یادگیری تقویتی را با هوش مصنوعی مولد ترکیب می‌کند و از یک مدل زبانی بزرگ برای ارائهٔ بازخورد و کمک به حل مسئلهٔ تعمیم پاداش در گردش‌کارهای پیچیده بهره می‌گیرد.
در پیاده‌سازی پیشنهادی، الگوریتم چندعاملی Multi-Agent Soft Actor-Critic یا MASAC با مدل MathΣtral به‌عنوان «مرجع پاداش» به‌کار می‌رود. عامل‌های سرورهای لبه با تفسیر وضعیت سامانه و سنجش موازنهٔ میان چند هدف، به هماهنگ‌سازی تخصیص منابع در واحدهای Multi-access Edge Computing کمک می‌کنند. پژوهشگران همچنین برای کاهش پیچیدگی چارچوب، از مدل جانشین پاداش استفاده کرده‌اند.
طبق چکیدهٔ مقاله، ارزیابی در مقایسه با SAC تک‌عاملی، REINFORCE و سیاست‌های تصادفی انجام شده است. نویسندگان گزارش می‌دهند RAGAM-AI انحراف تخصیص CPU، حافظه و پهنای باند را کاهش داده و هم‌زمان هزینه‌های تأخیر و نرخ داده را پایین آورده است. این مقاله نسخهٔ پیش‌چاپی است و چکیده جزئیات عددی نتایج را ارائه نمی‌کند.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده