ميتا تطلق F3 Lightning لتسريع نشر ميزات الذكاء الاصطناعي
أعلنت شركة ميتا عن إطلاق F3 Lightning، وهو طبقة بنية تحتية جديدة مصممة لحل مشكلة الاعتماد المتبادل بين ميزات التعلم الآلي في نظام الإعلانات، مما يسمح بنشر كل ميزة بشكل مستقل.
رضوان عبدالهاديمحرر وكاتب تقني
تحدي الاعتماد المتبادل في نظام F3
يعتمد نظام ميتا للإعلانات على إطار عمل Facebook Feature Framework (F3) لإنشاء وتجميع وتقديم ميزات التعلم الآلي الأساسية لنماذج ترتيب الإعلانات. يمكن أن تتطلب طلب واحد أكثر من 20,000 ميزة، مما يجعل الكفاءة الحسابية أمراً حيوياً. في البداية، قلل F3 من تكاليف التنفيذ من خلال تجميع جميع الميزات في رسم بياني واحد مدمج، لكن هذا التصميم جعل الرسم البياني نفسه وحدة النشر الأساسية.
كانت المشكلة الأساسية هي أن أي فشل أو تعريف غير صالح في ميزة واحدة كان يمنع خط الإنتاج بالكامل. مع نمو النظام من مئات الميزات إلى أكثر من 20,000 ميزة، أصبحت الفشل أكثر تكراراً، حيث يجب خضوع الميزات المرتبطة بنماذج حية لاختبارات مكلفة حسابياً، مما يجعل الميزات الأخرى تنتظر حتى اكتمال هذه الاختبارات.
مبدأ F3 Lightning: الفصل بين النشر والتنفيذ
تم تصميم F3 Lightning كطبقة بنية تحتية فوق F3 لفصل عمليات النشر عن التنفيذ المشترك. يسمح هذا النظام لكل ميزة بأن تُجمّع وتُتحقق منها وتُنشر وتُعاد بشكل مستقل دون التأثير على الميزات الأخرى. بدلاً من إرسال دفعة واحدة من الميزات، أصبح مسار النشر طابوراً مرتباً يمكن فيه تحديد أولويات التغييرات بناءً على ما تفتحه من إمكانيات جديدة.
يبدأ العزل في مرحلة التجميع، حيث يتم تجميع كل ميزة بشكل منفصل في تكوين واحد يحمل كل ما هو مطلوب لاستخراجها. إذا واجهت ميزة معينة مشكلة، يمكن للميزات الأخرى أن تصل إلى الإنتاج بشكل طبيعي لأن التكوينات لا ترتبط ببعضها البعض في مرحلة النشر.
الحفاظ على الكفاءة الحسابية
كان التحدي الأكبر هو الحفاظ على تحسينات الكفاءة التي قدمها F3. في النماذج الأولية المبكرة، زادت استهلاك المعالج المركزي بشكل كبير لأن الميزات المستقلة لم تعد تشارك العمليات الحسابية. لحل هذه المشكلة، طورت ميتا أربع تحسينات رئيسية لاستعادة الكفاءة دون العودة إلى التجميع الكامل.
أولاً، تم استخدام معرّفات حسابية مستقرة لجعل العمل المشترك قابلاً للتعرف عليه. ثانياً، تم إنشاء خطة تنفيذ واحدة مشتركة. ثالثاً، تم استخدام مخزن مؤقت للذاكرة واحد مشترك بين جميع الميزات. وأخيراً، تم تطبيق خرائط فهارس كثيفة للوصول المباشر إلى المصفوفات، مما قلل من تكرار عمليات القراءة والتصفية والجمع.
النتائج والأداء
أظهرت النتائج أن الميزات المقارنة تصل الآن إلى بيئة الإنتاج أسرع بنحو 3.6 مرة مقارنة بالإصدار السابق من F3، دون أي زيادة في تكاليف البنية التحتية الحسابية. يتيح هذا التقليل في دورة النشر إجراء مزيد من تكرارات النموذج في نفس الفترة الزمنية، مما يساهم في تسريع تطوير نماذج الإعلانات.
يؤكد هذا التطور على قدرة ميتا على موازنة المرونة في النشر مع الكفاءة التشغيلية العالية، وهو أمر بالغ الأهمية للأنظمة التي تتعامل مع ملايين الطلبات اليومية ومئات الآلاف من الميزات الديناميكية.
المصادر
- Meta EngineeringF3 Lightning: How Meta Accelerates Ads ML Features to Production at Scale
تابع التسلسل الزمني
تغطية الكيانات المرتبطة
أخبار مرتبطة
ميتا ترفع موثوقية وكلاء الذكاء الاصطناعي عبر نمط المنسّق الرقيق
تشرح ميتا كيف حققت كفاءة ودقة أعلى في وكلاء الذكاء الاصطناعي عبر تقليل مهام المنسّق المركزي وتوزيع العمل على وكلاء متخصصين معزولين.
ميتا تكشف عن PrivacyLib: مكتبة موحدة لحماية خصوصية البيانات
تقدم ميتا تقنية PrivacyLib ضمن بنيتها التحتية للخصوصية، لتوحيد تطبيق قواعد حماية البيانات عبر مئات الأنظمة، مما يسهل إدارة تدفقات البيانات ويقلل التعقيد التقني.
ميتا توسع نموذج GEM للإعلانات بمعمارية Kunlun ومحرك حوسبة مركزي
تقدّم ميتا الجيل الجديد من نموذج GEM التوليدي للإعلانات، معتمدًا على معمارية Kunlun لتوسيع نطاق التعلم عبر منصات فيسبوك وإنستغرام، مما يحقق مكاسب كبيرة في الأداء والكفاءة.
ميتا تكشف عن GEM: نموذج إعلانات توليدي يرفع التحويلات 18.9%
تعلن ميتا عن الجيل الجديد من نموذج GEM، الذي يجمع بين البنية المعمارية Kunlun وتوزيع الموارد الحاسوبية لرفع كفاءة الإعلانات عبر منصات فيسبوك وإنستغرام.
