نVIDIA cuVS يُعيد تعريف البحث النقطي باستخدام معالجات الرسومات لتحسين الأداء والتوسع

نظام NVIDIA cuVS يُعد منصة مبتكرة لتحسين البحث النقطي باستخدام وحدات المعالجة الرسومية (GPU)، مما يسهم في تسريع عمليات بناء المؤشرات وتحسين أداء الاسترجاع في الوقت الفعلي. يوفر هذا النظام ميزات مبتكرة مثل خوارزميات المؤشرات المحسّنة، ودعم لغات برمجة متعددة، وتكاملات واسعة مع منصات تكنولوجية رئيسية مثل Meta FAISS وGoogle Cloud AlloyDB وVertex AI وMilvus وApache Lucene وElasticsearch وOpenSearch وWeaviate وKinetica. في أحدث إصدار من cuVS، تم تحسين خوارزميات بناء المؤشرات، وتم توسيع دعم اللغة لتشمل Rust وGo وJava، مما يجعل النظام أكثر توفرًا للمطورين. كما تمت إضافة دعم لتقنيات مثل التقليل من الدقة (quantization) والبحث عن الأقرب (kNN)، مما يساعد في تقليل حجم البيانات وتحسين الأداء. من بين أبرز الميزات، تمكن cuVS من بناء مؤشرات مثل DiskANN وVamana على وحدات المعالجة الرسومية، مما يحقق مكاسب في السرعة تصل إلى 40 مرة مقارنة بالوحدة المعالجة المركزية (CPU). كما تعاونت NVIDIA مع شركات مثل Google Cloud وOracle، حيث تم تحقيق مكاسب في السرعة تصل إلى 9 أضعاف و5 أضعاف على التوالي، مع دعم لمؤشرات HNSW. كما أن تكامل cuVS مع Weaviate وApache Lucene وElasticsearch يتيح أداءً أسرع في بناء المؤشرات، مع الحفاظ على قدرة البحث على الوحدات المعالجة المركزية. تتميز cuVS أيضًا بدعم التوافق بين الوحدات المعالجة الرسومية والمركزية، مما يسمح باستخدام وحدات المعالجة الرسومية لبناء المؤشرات، ثم استخدام الوحدات المركزية لإجراء البحث، مما يقلل من التكاليف ويحسن الأداء. كما تدعم مكتبة FAISS التكامل مع cuVS، مما يحقق مكاسب في السرعة تصل إلى 12 مرة على الوحدات المركزية و8 مرات على الوحدات الرسومية. بالإضافة إلى ذلك، تقدم cuVS ميزات مثل Dynamic Batching، التي تحسّن أداء البحث عالي التدفق، وتقنيات مثل CAGRA، التي تتيح بناء مؤشرات بسرعة أكبر وتحقيق دقة عالية حتى عند استبعاد معظم المتجهات من النتائج. كما تم تحسين خوارزمية nn-descent لبناء مخططات kNN خارج الذاكرة، مما يسمح بتحليل بيانات ضخمة بسهولة. تُعتبر cuVS منصة مثالية لتطبيقات مثل RAG ونظام التوصيات وتحليل البيانات الاستكشافية واكتشاف الشذوذ. تدعم الشركات مثل Adoreboard وStudentpulse استخدامها مع مكتبة RAPIDS cuML، بينما تستخدم مكتبة BERTopic تحليل الموضوعات، و rapids-singlecell تحليل الجينومات الفردية. تُعد NVIDIA cuVS منصة تكنولوجية متطورة تُساهم في تحسين أداء البحث النقطي، وتتيح للشركات تحسين أداء أنظمة الذكاء الاصطناعي وتوسيع نطاقها بفعالية. يمكن للمستخدمين البدء باستخدام مكتبة cuvs على GitHub، مع تجارب متكاملة ودليل تحسين تلقائي. كما يمكنهم استخدام أدوات مثل cuVS Bench لمقارنة الأداء بين GPU وCPU. تُستخدم cuVS إما كمكتبة مستقلة أو من خلال تكاملات مع منصات أخرى، وتشهد NVIDIA تطورات مستمرة في هذا المجال لتعزيز أداء البحث المدعوم بالذكاء الاصطناعي.