การฝึกโมเดล Deep Learning กับข้อมูลลำดับยาวที่มีความยาวไม่แน่นอน (Variable Long Sequences) มักประสบปัญหาด้านประสิทธิภาพและความยุ่งยากในการตั้งค่าระบบ วิธีการแบบเดิมมักต้องเลือกระหว่างความง่ายในการใช้งานแต่ประสิทธิภาพต่ำ หรือความเร็วสูงแต่ต้องแก้ไขโค้ดที่ซับซ้อน
งานวิจัยนี้นำเสนอ Data-Centric Parallel (DCP) ซึ่งใช้หลักการให้ตัวข้อมูลเป็นตัวกำหนดการทำงานของระบบ (Runtime) โดยจะปรับแต่งการตั้งค่าต่างๆ เช่น ขนาดการประมวลผลขนาน (Parallel size), การสะสม Gradient (Gradient accumulation) และการคำนวณซ้ำ (Recomputation) ให้สอดคล้องกับความยาวของข้อมูลในแต่ละชุด (Batch) โดยอัตโนมัติ
จากการทดสอบบน GPU H200 จำนวน 32 ตัว พบว่าเทคนิคนี้ช่วยให้การฝึกโมเดลเร็วขึ้นถึง 2.88 เท่า และถูกออกแบบมาให้ใช้งานง่าย โดยสามารถรวมเข้ากับโมเดลต่างๆ ได้ด้วยการเพิ่มโค้ดเพียง 10 บรรทัดเท่านั้น
