وحدة المعالجة المركزية مقابل وحدة معالجة الرسومات للتعلم الآلي

تتميز وحدات معالجة الرسومات (GPUs) بمئات إلى آلاف النوى المعالجة، وهي تتفوق في أنواع المعالجة المتوازية وحسابات النقطة العائمة اللازمة لتدريب نماذج التعلم الآلي. مع ذلك، في بعض أنواع نماذج الذكاء الاصطناعي، يمكن لوحدات المعالجة المركزية (CPUs) أن تكون كافية، خاصةً للمهام الخفيفة. 

صُممت في الأصل لمعالجة الرسومات، وغالبًا ما يُشار إلى وحدات معالجة الرسومات (GPUs) باسم بطاقات الرسوميات. لكن هذه المعالجات القوية قادرة على فعل ما هو أكثر من ذلك بكثير. إن القوة الحاسوبية عالية السرعة والقدرات المتقدمة للمعالجة المتوازية جعلت من وحدات معالجة الرسومات مطلوبة بشدة في صناعات مثل التشغيل الآلي، والحوسبة عالية الأداء، ومراكز البيانات، وخاصةً الذكاء الاصطناعي.

على الرغم من أنها ليست بالقوة نفسها مثل وحدات معالجة الرسومات (GPUs)، فإن وحدات المعالجة المركزية (CPUs) تُعَد المكون الأهم في أي نظام حاسوبي. تُعَد وحدات المعالجة المركزية (CPUs) عادةً "عقل الكمبيوتر"، حيث تتولى جميع مهام إدارة الكمبيوتر على المستوى العالي، بما في ذلك إدارة وحدات معالجة الرسومات (GPUs) عند وجودها.

بينما تتطلب معظم مهام التعلم الآلي معالجات أكثر قوة لتحليل مجموعات بيانات كبيرة، فإن العديد من وحدات المعالجة المركزية الحديثة تكفي لبعض تطبيقات التعلم الآلي ذات النطاق الصغير. في حين أن وحدات معالجة الرسومات أكثر شيوعًا لمشروعات التعلم الآلي، إلا إن زيادة الطلب يمكن أن تؤدي إلى زيادة التكاليف. تتطلب وحدات معالجة الرسومات أيضًا طاقة أكثر من وحدات المعالجة المركزية، ما يزيد من تكاليف الطاقة والتأثير البيئي.

عند اختيار معالج لمشروع التعلم الآلي، قد تكون وحدات المعالجة المركزية أكثر فاعلية من حيث التكلفة، على الرغم من أن معظم مشروعات الذكاء الاصطناعي المتقدمة بشكل معتدل تستفيد من المعالجة المتوازية لوحدة معالجة الرسومات. 

في علوم الكمبيوتر، يُعَد التعلم الآلي (ML) دراسة وممارسة وتطبيق أنواع معينة من الخوارزميات التي تمكِّن أجهزة الكمبيوتر من تقليد طرق تعلم البشر لأداء المهام بشكل مستقل. يمكن لأجهزة الكمبيوتر القادرة على التعلم الآلي تحسين دقة الأداء بمرور الوقت من خلال التكرار مع تعرضها للمزيد من البيانات.

يمكن تقسيم خوارزميات التعلم الآلي إلى ثلاثة مكونات أساسية: عملية اتخاذ القرار، ودالة الخطأ، وعملية تحسين النموذج.

1. عملية اتخاذ القرار: تم تصميم أنظمة التعلم الآلي لاتخاذ قرارات مدروسة لتحقيق نتائج مرغوبة بدقة عالية وبحد أدنى أو دون تدخل بشري. تستجيب عملية اتخاذ القرار لبيانات إدخال معينة وتكوِّن ردًا على شكل تنبؤ أو تصنيف.
2. دالة الخطأ: عندما تتخذ خوارزمية التعلم الآلي قرارها، تعمل على تقييم مخرجاتها الخاصة للتأكد من دقتها. يمكن لدالة الخطأ مقارنة النتائج بالأخطاء المعروفة أو المحددة مسبقًا لتحديد إذا ما كانت النتيجة تحقق مستوى دقة مقبولًا.
3. عملية تحسين النموذج: السمة المميزة لخوارزمية التعلم الآلي هي قدرتها على "التعلم" من أخطائها وتعديل عملية اتخاذ القرار تلقائيًا لتحقيق نتائج أكثر دقة. تستخدِم عملية تحسين النموذج نقاط البيانات في المواد التدريبية للنموذج لإجراء التنبؤات وتقييمها باستمرار. ومن خلال تكرار هذه العملية، يمكن للنموذج إجراء المعايرة الذاتية لتحسين الدقة بمرور الوقت.

يمكن تقسيم التعلم الآلي إلى ثلاثة أنواع رئيسية اعتمادًا على أنواع الخوارزميات المستخدمة وحجم البيانات المستخدمة. في حين أن مصطلح التعلم العميق غالبًا ما يُستخدَم بالتبادل مع التعلم الآلي، إلا إن التعلم العميق هو مجموعة فرعية من الشبكات العصبية، والشبكات العصبية هي مجموعة فرعية من التعلم الآلي.

يمكن اعتبار المصطلحات الثلاثة كلها كجزء من الذكاء الاصطناعي، ويمكن الإشارة إليها جميعًا تحت مظلة التعلم الآلي، لكن هناك فروقًا دقيقة بينها.

• التعلم الآلي: يستخدِم التعلم الآلي التقليدي خوارزميات لتحليل البيانات التاريخية لاستخراج الأنماط أولًا ثم تقديم التنبؤات مع تدخل بشري قليل أو معدوم. يتطلب هذا النوع من التعلم الآلي مجموعات بيانات كبيرة ومحدَّثة باستمرار لتحسين قدرته على التنبؤ بالنتائج المطلوبة أو الدقيقة. 

• الشبكات العصبية: يتم تدريب الشبكات العصبية على كميات هائلة من البيانات وتستخدِم العُقَد لمحاكاة صناعة القرار في الدماغ البشري. عند تدريب الشبكة العصبية، تقارِن الخوارزمية الإدخال بمجموعة البيانات، وتتحقق من صحة التنبؤات المحتملة مقارنةً بالأخطاء المحتملة. 

• التعلم العميق: هو تطور للشبكة العصبية، ويشير مصطلح التعلم العميق إلى نوع من خوارزميات الذكاء الاصطناعي التي تستخدِم نموذج شبكة عصبية ذات ثلاث طبقات أو أكثر من عُقَد صناعة القرار.

أدت التطورات الأخيرة في تكنولوجيا الذكاء الاصطناعي إلى انتشار تطبيقات التعلم الآلي في الصناعة والحياة اليومية. وتتضمن بعض حالات استخدام التعلم الآلي الشائعة ما يلي:

• التعرُّف على الكلام: يُستخدم التعلم الآلي في أنظمة التعرُّف على الكلام بالكمبيوتر لتحديد أنماط الكلام الطبيعي وفهم المعاني الضمنية للأوامر الصوتية. يُعَد التعرُّف على الكلام التقنية الدافعة وراء أدوات مثل مكبرات الصوت الذكية والمساعدين الرقميين مثل Siri.

• خدمة العملاء: تستخدِم الخدمات مثل روبوتات لمحادثة لخدمة العملاء التعلم الآلي لمساعدة المستهلكين على مدار رحلة العملاء الخاصة بهم. وتشمل الأمثلة الوكلاء الافتراضيين على مواقع التجارة الإلكترونية، وروبوتات المراسلة، والمشرفين الآليين على منصات المراسلة مثل Slack وDiscord.

• محركات التوصية: مع وجود خيارات أكثر من أي وقت مضى، تساعد محركات التوصية التي تعمل بالذكاء الاصطناعي على تنظيم المعلومات لتقديم اقتراحات عالية الجودة تتوافق مع أذواق المستخدمين. تعتمد محركات البحث مثل Google أو Bing على التعلم الآلي لتقديم نتائج بحث أفضل. تستخدِم منصات الوسائط مثل Spotify أو Netflix التعلم الآلي (ML) لعرض برامج أو أغانٍ جديدة بناءً على تفضيلات المستهلكين السابقة.

• الأتمتة الآلية للعمليات (RPA): تُعرَف أيضًا باسم التشغيل الآلي للبرامج، تستخدِم الأتمتة الآلية للعمليات البرامج (RPA) تقنيات الأتمتة الذكية لأداء المهام اليدوية المتكررة.

• الكشف عن الغش: يمكن للبنوك والمؤسسات المالية الأخرى استخدام التعلم الآلي لاكتشاف المعاملات المشبوهة من خلال الكشف عن الغش. يمكن للتعلم الخاضع للإشراف تدريب نموذج باستخدام معلومات حول المعاملات الاحتيالية المعروفة. الكشف عن الحالات غير الطبيعية يمكن أن يحدد المعاملات التي تبدو غير نمطية وتستحق المزيد من التحقيق.

يعود الاختلاف الرئيسي بين وحدات المعالجة المركزية ووحدات معالجة الرسومات إلى المعالجة المتسلسلة مقابل المعالجة المتوازية. صُممت وحدات المعالجة المركزية لمعالجة التعليمات وحل المشكلات بسرعة بالتتابع. تم تصميم وحدات معالجة الرسومات (GPU) للمهام الأكبر التي تستفيد من الحوسبة المتوازية. ولأن وحدات معالجة الرسومات قادرة بشكل أفضل على تقسيم المشكلات الكبيرة إلى مشكلات أصغر يمكن حلها في وقت واحد، يمكن لوحدات معالجة الرسومات أن توفِّر سرعة وكفاءة أفضل في تطبيقات التعلم الآلي المكثفة. 

تم تصميم وحدات المعالجة المركزية لمهام الحوسبة العامة مثل الحسابات الأساسية وتشغيل الوسائط وتصفح الويب. وباعتبارها "دماغ" الكمبيوتر، فإنها تتعامل أيضًا مع جميع العمليات والوظائف خلف الكواليس والوظائف الضرورية للتشغيل السلس لأجهزة الكمبيوتر وأنظمة التشغيل. 

الميزات:

• تتضمن العناصر القياسية نواة منطقية واحدة أو أكثر حيث تتم معالجة البيانات، ووحدات ذاكرة، وساعة وحدة المعالجة المركزية ووحدة تحكم. ولأن وحدات المعالجة المركزية تعالج المهام بالتتابع، فإن الوصول إلى المزيد من النوى يمكِّن وحدات المعالجة المركزية من القيام بمهام متعددة عن طريق نشر المشكلات عبر معالجات متعددة.

• تعالج وحدات المعالجة المركزية البيانات بالتتابع، وتفكِّك المشكلات واحدة تلو الأخرى بسرعة جيدة، ولكن بسعة محدودة. يمكن أن تتسبب مجموعات البيانات الكبيرة في حدوث عوائق كبيرة. 

• تحتوي وحدات المعالجة المركزية (CPU) على عدد أقل نسبيًا من النوى، لكنها تعمل بسرعات عالية. 

الإيجابيات:

• تم تصميم وحدات المعالجة المركزية (CPU) للاستخدامات العامة، ويمكنها تنفيذ معظم أنواع الحسابات المطلوبة في التطبيقات الشائعة. 

• تُعَد وحدات المعالجة المركزية من الركائز الأساسية لمعدات الحوسبة. ولذلك، فهي متوفرة على نطاق واسع، ومنخفضة التكلفة، وسهلة البرمجة. 

العيوب:

• حتى مع زيادة عدد النوى، ستظل وحدات المعالجة المركزية المتسلسلة أبطأ من وحدات المعالجة الرسومية في أنواع معينة من المشكلات، حيث تُعَد المعالجة المتوازية السبيل الوحيد لتحسين سرعات المعالجة. 

تم تصميم وحدات معالجة الرسومات في الأصل لتقديم الرسومات، ولكن منذ تقديم منصة برمجة GPU CUDA بواسطة Nvidia في عام 2006، وجد المطورون تطبيقات لا حصر لها لهذه المعالجات القوية. تُستخدَم وحدات معالجة الرسومات بالإضافة إلى وحدات المعالجة المركزية لإضافة طاقة إلى الأنظمة التي تعرض محتوى فيديو عالي الجودة أو تعالج مجموعات البيانات الكبيرة والمعقدة.

الميزات:

• تم تصميم وحدات معالجة الرسومات بعدد أكبر بكثير من النوى التي تعمل بسرعات أبطأ، لكنها مُحسَّنة لأغراض المعالجة المتوازية. تعمل وحدات معالجة الرسومات على تجزئة المشكلات المعقدة إلى آلاف المهام الصغيرة لمعالجتها في الوقت نفسه بدلاً من معالجتها بشكل تسلسلي. 

الإيجابيات:

• تتيح قدرات المعالجة المتوازية في وحدة معالجة الرسومات تنفيذ تعليمات موجَّهة لحسابات متخصصة بكفاءة عالية. على الرغم من أن نوى وحدات معالجة الرسومات أبطأ من نوى وحدات المعالجة المركزية، إلا إن المعالجة المتوازية التراكمية تستطيع حل المشكلات الكبيرة والمعقدة أسرع من الطرق التسلسلية. 

• على الرغم من أن برمجة وحدات معالجة الرسومات أكثر تعقيدًا من وحدات المعالجة المركزية، إلا إنها محسَّنة جيدًا للّغات وأُطُر البرمجة الشهيرة في التعلم الآلي مثل Python وTensorflow.

العيوب:

• تُعَد وحدات معالجة الرسومات أغلى ثمنًا وأقل توفرًا من وحدات المعالجة المركزية.

• تتطلب برمجة وحدات معالجة الرسومات بعض المعرفة المتخصصة. 

تنحصر الاختلافات بين وحدات المعالجة المركزية ووحدات معالجة الرسومات في ثلاثة مجالات رئيسية: الهندسة المعمارية وسرعة المعالجة وإمكانية الوصول.

1. الهندسة المعمارية: وحدات المعالجة المركزية مصممة بعدد أقل من النوى لمعالجة البيانات بالتتابع. تتميز وحدات معالجة الرسومات عادةً بمئات إلى آلاف النوى المصممة للمعالجة المتوازية.
2. سرعة المعالجة: تم تصميم وحدات المعالجة المركزية (CPU) للتعامل مع المهام العامة وذات المستوى الأعلى بسرعة، ومع ذلك، فإنها تعاني من مجموعات البيانات الكبيرة للغاية، مثل النوع المستخدَم في التعلم الآلي. يتم ضبط وحدات معالجة الرسومات خصيصًا لمعالجة هذه الأنواع من مجموعات البيانات الكبيرة. تتفوق وحدات معالجة الرسومات بشكل كبير على وحدات المعالجة المركزية في معظم تطبيقات التعلم الآلي. 
3. إمكانية الوصول: وحدات المعالجة المركزية أكثر شيوعًا من وحدات معالجة الرسومات (GPU) وأقل تكلفة في اقتنائها وتشغيلها. تتطلب وحدات معالجة الرسومات أيضًا تدريبًا أكثر تخصصًا للبرمجة. ومع ذلك، فإن وحدات معالجة الرسومات شائعة في حالات استخدام التعلم الآلي والذكاء الاصطناعي، مع وجود مكتبات ومجتمعات قوية تقدِّم الدعم. 

تُعَد كلٌّ من وحدات المعالجة المركزية ووحدات معالجة الرسومات وحدات معالجة. وكلٌّ منها قادر على التعامل مع مهام متشابهة، بدرجات متفاوتة من الأداء بناءً على متطلبات تطبيق معين. وبينما يمكن اعتبار كلٍّ منها وحدة واحدة، فإن كلًا منهما يتكوَّن من مجموعة مكونات مختلفة مصممة ومرتبة لأنواع مختلفة من العمليات.

قبل ظهور وحدات معالجة الرسومات، كانت وحدة المعالجة المركزية هي الجزء الأهم والأساسي في أي نظام كمبيوتر، بدءًا من أجهزة الكمبيوتر المحمول والهواتف الذكية إلى الأقمار الصناعية وأجهزة الكمبيوتر العملاقة. كمدير خفي، تعمل وحدات المعالجة المركزية على قراءة وتفسير المدخلات والطلبات، وإصدار التعليمات لإجراء الحسابات، والإشراف على جميع عمليات نظام الكمبيوتر. 

رغم كونها أكثر قوة، إلى أن وحدات معالجة الرسومات لا تُستخدَم كبديل لوحدات المعالجة المركزية. بدلًا من ذلك، تُستخدَم وحدات معالجة الرسوميات كمعالج مساعد لتعزيز قدرات نظام الكمبيوتر. في الأنظمة التي تستخدِم وحدات معالجة الرسومات، لا تزال وحدة المعالجة المركزية تؤدي دورًا مهمًا في إدارة مهام وحدات معالجة الرسومات وجميع مهام المعالجة الأخرى التي، وإن لم تكن كثيفة الاستخدام للموارد، إلا إنها لا تزال جزءًا لا يتجزأ من وظائف الكمبيوتر. 

في معالجة البيانات على نطاق واسع، يؤدي استخدام وحدات المعالجة المركزية ضعيفة الطاقة في كثير من الأحيان إلى حدوث عوائق محبطة. توجد خوارزميات التعلم الآلي في نقطة التقاء بين علوم الكمبيوتر وعلوم البيانات، وتعتمد في كثير من الأحيان على وحدات معالجة الرسومات لتسريع معالجة البيانات الكبيرة اللازمة لتدريب نماذج التعلم العميق مع تقليل زمن الانتقال. وذلك لأن وحدات المعالجة المركزية متعددة النوى تعالج البيانات بطريقة مختلفة عن وحدات معالجة الرسومات. 

من الناحية الهيكلية، تحتوي نوى وحدات معالجة الرسومات عادةً على آلاف النوى، بينما تحتوي معظم وحدات المعالجة المركزية للمستهلكين على نواة واحدة أو اثنتين أو أربع أو ست نوى فقط. قد تحتوي وحدات المعالجة المركزية من فئة الخوادم على المئات أو حتى آلاف النوى، ولكن عدد النوى وحده لا يحدِّد الأداء. 

تُعَد وحدات المعالجة المركزية متعددة النوى أفضل في تعدد المهام من وحدات المعالجة المركزية أحادية النواة، لكنها لا تزال تعالج البيانات بالتتابع. تتعامل وحدات معالجة الرسومات مع البيانات بشكل مختلف، من خلال عملية تُعرَف باسم الحوسبة المتوازية. بدلًا من معالجة المهام بالتتابع، تعمل وحدات معالجة الرسومات على تجزئة المشكلات إلى عناصر واستخدام العديد من النوى للعمل على أجزاء مختلفة من المشكلة بشكل متزامن. 

بالنسبة إلى المهام الصعبة مثل تحقيق رؤية الكمبيوتر في أنظمة الذكاء الاصطناعي أو برامج الذكاء الاصطناعي التوليدي، تتفوق الحوسبة المتوازية بسهولة على المعالجة المتسلسلة.

لا تزال وحدات معالجة الرسومات، مع ما تتميز به من قدرات المعالجة المتوازية، عنصرًا حساسًا لمشروعات الذكاء الاصطناعي. في مجال التعلم الآلي تحديدًا، تُستخدَم وحدات معالجة الرسوميات لتسريع أوقات التدريب لتطبيقات التعلم الآلي وتنفيذ العمليات الحسابية على المصفوفات متعددة الأبعاد (التنسور) وضرب المصفوفات التي تحتاجها أنظمة التعلم الآلي لاستخلاص النتائج وإنتاج مخرجات مفيدة.