ما هي النماذج الأساسية ، وكيف يمكن أن تساعد في تطبيق الذكاء الاصطناعي على نطاق واسع؟

في حين أن المنظمات في جميع أنحاء العالم قد انطلقت منذ فترة طويلة في فورة الاستثمار في الذكاء الاصطناعي ، فإن عدد مشاريع الذكاء الاصطناعي التي تجعلها من النماذج الأولية إلى الإنتاج لا يزال يتقلب عند حوالي 53٪.

يعتقد الخبراء أن هذا يحدث غالبًا بسبب نقص المهارات التقنية والموارد البشرية والأدوات لتوسيع نطاق إثبات مفاهيم الذكاء الاصطناعي المعزول (PoCs) عبر حالات الاستخدام الأخرى. وبالطبع ، فإن التكلفة المرتفعة المفترضة للتدريب تجعل نماذج الذكاء الاصطناعي بعيدة عن المهام المختلفة.

قد تكون النماذج التأسيسية - أي نماذج التعلم الآلي الكبيرة التي تم تدريبها على استخدام كميات هائلة من البيانات غير المصنفة تحت إشراف مستشاري الذكاء الاصطناعي المهرة - هي الحل النهائي للمشكلات الهائلة المتعلقة بقابلية التوسع في الذكاء الاصطناعي والتكاليف.

يمكن لشركتك استخدام مثل هذه النماذج كنقطة انطلاق لتعزيز أو أتمتة المهام المختلفة ، من تحويل المستندات الورقية إلى ملفات نصية قابلة للتحرير إلى الكشف عن مشاعر العملاء في مراجعات وسائل التواصل الاجتماعي. ويمكنك الاستفادة من تميزك في الذكاء الاصطناعي من هناك ، وتكييف نماذج الأساس للمهام المستقبلية وحالات الاستخدام.

ما هي نماذج الأساس ، وكيف يمكنها مساعدة شركتك على التفوق في الذكاء الاصطناعي؟

ما لم تكن تعيش تحت صخرة ، فقد سمعت عن برنامج ChatGPT الخاص بـ OpenAI. استوعب برنامج النموذج اللغوي هذا كميات هائلة من نص المحادثة باستخدام التعلم الخاضع للإشراف ، وفي مرحلة الضبط الدقيق ، نُهج التعلم المعزز من ردود الفعل البشرية (RLHF).

يمكن لهذا الحل التوليدي للذكاء الاصطناعي تحليل بيانات الإدخال مقابل 175 مليار معلمة وفهم اللغة المكتوبة بعمق. يمكنه أيضًا الإجابة على الأسئلة وتلخيص النص وترجمته وإنتاج مقالات حول موضوع معين وكتابة التعليمات البرمجية ، من بين مهام أخرى. كل ما تحتاجه هو تزويد ChatGPT بالمطالبات الصحيحة.

يعد منتج OpenAI الرائد مجرد مثال واحد على نماذج الأساس التي يمكنها تحويل تطوير تطبيقات الذكاء الاصطناعي كما نعرفها.

نماذج الأساس تعطل تطوير الذكاء الاصطناعي كما نعرفه. بدلاً من تدريب نماذج متعددة لحالات الاستخدام المنفصلة ، يمكنك الآن الاستفادة من حل ذكاء اصطناعي مُدرَّب مسبقًا لتحسين المهام أو أتمتتها بالكامل عبر أقسام ووظائف وظيفية متعددة.

مع نماذج الذكاء الاصطناعي الأساسية مثل ChatGPT ، لم تعد الشركات مضطرة إلى تدريب الخوارزميات من البداية على كل مهمة تريد تحسينها أو أتمتتها. بدلاً من ذلك ، ما عليك سوى تحديد نموذج الأساس الذي يناسب حالة الاستخدام الخاصة بك - وضبط أدائه لهدف محدد ترغب في تحقيقه.

تعد نماذج الأساس مثالية للصناعات حيث قد يكون الحصول على بيانات التدريب أمرًا صعبًا أو مكلفًا. تشمل هذه الصناعات الرعاية الصحية وعلوم الحياة والتكنولوجيا الحيوية والتصنيع ، على سبيل المثال لا الحصر.

ما أنواع نماذج الذكاء الاصطناعي الأساسية الموجودة؟

تُستخدم عدة أنواع من نماذج الذكاء الاصطناعي الأساسية بشكل شائع في تطبيقات الأعمال.

• يتم تدريب نماذج التعلم شبه الخاضعة للإشراف على مجموعة بيانات تحتوي على مزيج من البيانات المصنفة وغير المصنفة. الهدف هو استخدام البيانات المصنفة لتحسين أداء النموذج على البيانات غير المسماة. يلجأ خبراء الذكاء الاصطناعي إلى التعلم شبه الخاضع للإشراف عندما يصعب الحصول على بيانات التدريب أو يكلف الشركة ذراعًا ورجلاً. قد يحدث هذا ، على سبيل المثال ، في الأوساط الطبية حيث يتم سن العديد من لوائح تكنولوجيا المعلومات الخاصة بالرعاية الصحية. تتضمن بعض الأمثلة الشائعة للنماذج شبه الخاضعة للإشراف وثيقة نصية مُدرَّبة مسبقًا وخوارزميات تصنيف محتوى الويب.
• يتم تدريب نماذج التعلم غير الخاضعة للإشراف بشكل كامل على مجموعات البيانات غير المسماة. يكتشفون أنماطًا في بيانات التدريب أو يقومون ببنائها بأنفسهم. يمكن لمثل هذه النماذج ، من بين أشياء أخرى ، تقسيم المعلومات إلى مجموعات بناءً على المعلمات التي كشفت عنها في مجموعة بيانات التدريب. يلجأ مهندسو التعلم الآلي (ML) إلى الترميز التلقائي والوسائل K والتكتلات الهرمية وغيرها من التقنيات لإنشاء حلول التعلم الآلي غير الخاضعة للإشراف وتحسين دقتها.
• تتفاعل نماذج التعلم المعزز مع بيئتها دون تدريب محدد. عند تحقيق النتيجة المرجوة - أي إجراء تنبؤ يأمل المطورون - يتم مكافأة النماذج. على العكس من ذلك ، يتم معاقبة نماذج التعلم المعزز عندما تضع افتراضات خاطئة. يسمح هذا النهج لخوارزميات الذكاء الاصطناعي باتخاذ قرارات أكثر تعقيدًا من نظرائهم الخاضعين للإشراف وشبه الخاضعين للإشراف. من الأمثلة على التعلم المعزز أثناء العمل المركبات ذاتية القيادة أو برامج الذكاء الاصطناعي للعب الألعاب ، مثل AlphaGo.
• تنتج نماذج الذكاء الاصطناعي التوليدية بيانات جديدة شبيهة بالبيانات التي تم تدريبهم عليها. قد تتضمن هذه البيانات النصوص والصور ومقاطع الصوت ومقاطع الفيديو. ينتمي حل ChatGPT المذكور في القسم السابق إلى هذه الفئة من نماذج الذكاء الاصطناعي الأساسية. تشمل الأمثلة الأخرى للذكاء الاصطناعي التوليدي أداة DALL-E 2 ، التي تنشئ صورًا بناءً على الأوصاف المكتوبة بلغة طبيعية ، ومنصة الفيديو Synthesia.io ، التي تستخدم مدخلات نصية لإنتاج محتوى فيديو.
• يمكن لنماذج التعلم المنقولة أن تحل المهام الأخرى غير التي تم تدريبها عليها. على سبيل المثال ، قد يستفيد مهندسو رؤية الكمبيوتر من خوارزميات تصنيف الصور المدربة مسبقًا لاكتشاف الكائنات. يمكن أيضًا تسخير حلول البرمجة اللغوية العصبية الحالية لمزيد من المهام التي تتطلب معرفة مكثفة ، مثل تحليل معنويات العملاء. تتضمن بعض حلول التعلم الآلي الشائعة المدربة مسبقًا OpenCV ، وهي مكتبة رؤية كمبيوتر تحتوي على نماذج قوية لتصنيف الكائنات واكتشاف الصور ، وعروض مكتبة Hugging Face's Transformers ، مثل المحولات التوليدية المدربة مسبقًا (GPT) - أي نموذج لغوي غني ثالثه الجيل (GPT-3) يدعم خدمة ChatGPT.
• تتعلم نماذج التعلم التلوي ، على عكس نظيراتها الموجهة نحو المهام ، كيف تتعلم حرفيًا. بدلاً من التهام البيانات لحل مشكلة معينة ، تطور مثل هذه النماذج استراتيجيات عامة لحل المشكلات. بهذه الطريقة ، يمكن أن تتكيف حلول التعلم التلوي بسهولة مع التحديات الجديدة أثناء استخدام مواردها ، مثل الذاكرة وقوة الحوسبة ، بشكل أكثر كفاءة. يستفيد خبراء ML من التعلم التلوي عندما تكون بيانات التدريب نادرة ، أو تفتقر الشركة إلى خطط محددة فيما يتعلق بتطبيق الذكاء الاصطناعي في الأعمال. تقدم TensorFlow و PyTorch وغيرها من مكتبات وأطر التعلم الآلي مفتوحة المصدر أدوات تسمح للمطورين باستكشاف تقنيات التعلم التلوي. أخيرًا ، يساعد موفرو الحوسبة السحابية ، مثل Google ، خبراء ML والمبتدئين في تدريب نماذج التعلم الآلي المخصصة باستخدام AutoML.

اعتمادًا على التطبيق المحدد ونوع البيانات التي لديك ، قد يكون نموذج مؤسسة واحد أكثر ملاءمة من نموذج آخر. لشركتك الحرية في الاختيار بين حل مفتوح المصدر ، والذي يحتاج إلى القليل من التغيير والتبديل ، أو منتج جاهز للاستخدام من جهة خارجية ، بشرط أن يلبي أهداف عملك.

أهم 3 أسباب للاستفادة من نماذج الذكاء الاصطناعي الأساسية لمشروعك التالي

مقارنةً بنماذج التعلم الآلي المستقلة والموجهة نحو المهام ، تساعد النماذج الأساسية في إنشاء حلول ذكاء اصطناعي موثوقة أسرع وأرخص ، مع استخدام بيانات أقل وضبط أقل. ناهيك عن أن التدريب على بيانات أكثر مما يمكن لمؤسسة واحدة الحصول عليه ، فإن نماذج الأساس تعرض دقة عالية منذ اليوم الأول.

ستجد أدناه مجموعة من مزايا نماذج الذكاء الاصطناعي الأساسية.

• ستساعدك نماذج الأساس على تنفيذ الذكاء الاصطناعي بشكل أسرع وأرخص وبموارد أقل. يتطلب إنشاء حل للذكاء الاصطناعي ونشره وقتًا وموارد كبيرة. لكل تطبيق جديد ، تحتاج إلى مجموعة بيانات منفصلة جيدة التسمية. وإذا لم يكن لديك ، فستحتاج إلى فريق من خبراء البيانات للعثور على تلك المعلومات وتنظيفها وتصنيفها. وفقًا لـ Dakshi Agrawal ، كبير مسؤولي التكنولوجيا في IBM AI ، تساعد النماذج التأسيسية في تقليل متطلبات تصنيف البيانات بمقدار 10 إلى 200 مرة ، اعتمادًا على حالة استخدام معينة ، والتي تُترجم إلى توفير كبير في التكلفة. على الجانب التجاري ، يجب أن تفكر أيضًا في زيادة نفقات الحوسبة السحابية. Google ، على سبيل المثال ، أنفقت الملايين لشراء DeepMind. وعلى الرغم من أن مشروع الذكاء الاصطناعي الخاص بك قد لا يكون نصف طموحًا ، إلا أنه يمكنك بسهولة إنفاق 300 ألف دولار على تكاليف الخادم السحابي وحدها لتنشيط تطبيق الذكاء الاصطناعي وتشغيله. سبب آخر لاستخدام نماذج الأساس ، مثل حلول الذكاء الاصطناعي التوليدية ، هو الفرصة لوضع نماذج أولية واختبار مفاهيم مختلفة بسرعة دون الاستثمار بشكل كبير في البحث والتطوير.
• يمكنك إعادة استخدام نماذج الذكاء الاصطناعي الأساسية لإنشاء تطبيقات مختلفة. كما يوحي اسمها ، يمكن أن تعمل نماذج مؤسسة الذكاء الاصطناعي كأساس لتطبيقات الذكاء الاصطناعي المتعددة. فكر في قيادة السيارة. بمجرد حصولك على رخصة قيادة ، لن تحتاج إلى اجتياز الاختبار في كل مرة تشتري فيها سيارة أخرى. وبالمثل ، يمكنك استخدام كمية أقل من البيانات المصنفة لتدريب نموذج أساسي للأغراض العامة يلخص النصوص لمعالجة المحتوى الخاص بالمجال. ونماذج الأساس تمتلك أيضًا قدرات "الظهور" ، مما يعني أن النموذج ، بمجرد تدريبه ، قد يتعلم إما حل المشكلات التي لم يكن من المفترض أن يعالجها أو يستخلص رؤى غير متوقعة من بيانات التدريب.
• تساعد نماذج الذكاء الاصطناعي الأساسية في تحقيق أهداف الاستدامة لشركتك. يمكن أن يكون لتدريب نموذج كبير لتعلم الآلة نفس البصمة البيئية مثل تشغيل خمس سيارات على مدار حياتها. تقف هذه البصمة الكربونية الثقيلة في تناقض حاد مع حقيقة أن 66٪ من الشركات تزيد من كفاءة استخدامها للطاقة بينما تقوم 49٪ من الشركات الأخرى بتطوير خدمات ومنتجات جديدة صديقة للمناخ. باستخدام نماذج الذكاء الاصطناعي الأساسية ، يمكنك تدريب الخوارزميات الذكية بشكل أسرع واستخدام موارد الحوسبة بحكمة - ليس أقلها بفضل بنية هذه النماذج التي تستفيد من توازي الأجهزة ، والذي يسمح لك بتنفيذ العديد من المهام في وقت واحد.

نظرًا لكونها "مستقبل الذكاء الاصطناعي" ، فإن النماذج الأساسية تخفض من عتبة الاستفادة من الذكاء الاصطناعي ويمكن أن تنهي فشل دليل الذكاء الاصطناعي لدورة المفاهيم من خلال مساعدة الشركات على توسيع نطاق النماذج عبر حالات الاستخدام الأخرى وعلى مستوى الشركة.

ولكن مع كل فرصة يأتي التحدي.

أشياء يجب مراعاتها عند استخدام نماذج الأساس

العيب الصارخ الوحيد لنماذج الذكاء الاصطناعي الأساسية هو صعوبة شرح بعض عملياتها.

يمكن لنماذج الأساس الكبيرة استخدام الكثير من بيانات التدريب ولديها العديد من الطبقات العميقة بحيث يصعب أحيانًا تحديد كيفية وصول الخوارزميات إلى استنتاجاتهم.

تترك طبيعة الصندوق الأسود لنماذج كريم الأساس بابًا خلفيًا لمجرمي الإنترنت أيضًا. يمكن للقراصنة شن هجمات تسمم البيانات وإدخال التحيز في الذكاء الاصطناعي ، مما يزيد من تفاقم القضايا الأخلاقية للذكاء الاصطناعي.

يجب على شركات التكنولوجيا أن تتعاون مع الحكومات لإنشاء بنية تحتية لمشاريع الذكاء الاصطناعي العامة لتجنب الجدل حول استخدام نماذج مؤسسة الذكاء الاصطناعي. يجب على بائعي الذكاء الاصطناعي أيضًا الكشف عن مجموعات البيانات التي يستخدمونها وكيفية تدريب نماذجهم.

كما قال بيرسي ليانغ ، عضو هيئة التدريس بجامعة ستانفورد وأستاذ علوم الكمبيوتر ، خلال مقابلته الأخيرة مع Venture Beat ، "نحن كثيرًا في الأيام الأولى ، لذا فإن المعايير المهنية للذكاء الاصطناعي متخلفة. لذلك من الضروري أن نتحرك ، كمجتمع ، الآن لضمان تطوير هذه التكنولوجيا ونشرها بطريقة مسؤولة أخلاقياً واجتماعياً ".

ما الذي يتطلبه الأمر لبدء استخدام النماذج الأساسية في مؤسستك

بصفته شخصًا أمضى السنوات العشر الماضية في مساعدة الشركات على تنفيذ أنظمة الذكاء الاصطناعي ، فإن فريق Itrex يشهد تحولًا في الذكاء الاصطناعي.

الأنظمة التي تنفذ مهام محددة في مجال واحد تفسح المجال أمام الذكاء الاصطناعي الواسع الذي يتعلم بشكل أكثر عمومية ويعمل عبر الصناعات وحالات الاستخدام. نماذج الأساس ، المدربة على مجموعات بيانات كبيرة غير مسماة ومُحسنة لتطبيقات مختلفة ، تقود هذا التحول.

إذا كانت شركتك مستعدة لتخطي منافسيك والحصول على عائد استثمار من أنظمة الذكاء الاصطناعي الخاصة بك بشكل أسرع ، فإليك استراتيجية عالية المستوى لتنفيذ نماذج الأساس.

1. اجمع بياناتك ومعالجتها مسبقًا. تتضمن الخطوة الأولى جمع البيانات التي ستقدمها إلى نموذج AI الأساسي ومعالجتها مسبقًا. تعد جودة هذه البيانات وتنوعها أمرًا بالغ الأهمية لضمان أن يكون النموذج الدقيق دقيقًا وقويًا.
2. اختر نموذج الأساس. تتوفر العديد من نماذج مؤسسة AI المدربة مسبقًا في السوق. تتضمن بعض الحلول الشائعة BERT و GPT و ResNet وغيرها. من المهم اختيار نموذج الأساس الصحيح بناءً على المهمة التي تريد حلها ونوع البيانات التي لديك.
3. قم بتعديل النموذج بما يتماشى مع أهداف عملك. بمجرد أن يصبح نموذج الأساس والبيانات الخاصة بك جاهزًا ، يمكنك ضبط معلمات النموذج وفقًا لمهمتك المحددة. تتمثل إحدى طرق تحقيق هذا الهدف في نقل التعلم ، حيث تستخدم الأوزان المدربة مسبقًا للنموذج الأساسي كنقطة انطلاق وتعديلها بناءً على بيانات التدريب الخاصة بك.
4. قم بتقييم النموذج. بعد الضبط الدقيق ، من الضروري تحديد ما إذا كان النموذج يعمل بشكل جيد وما إذا كان من الضروري إجراء مزيد من التعديل. لتقييم أداء نموذج الأساس ، يمكنك استخدام المقاييس القياسية مثل الدقة والدقة والتذكر ودرجة F1.
5. انشر حل الذكاء الاصطناعي الخاص بك. بمجرد أن تشعر بالرضا عن أداء النموذج الذي تم ضبطه بدقة ، يمكنك نشره في بيئة إنتاج. تتضمن العديد من الخيارات لنشر نماذج الذكاء الاصطناعي الأنظمة الأساسية القائمة على السحابة أو الخوادم المحلية أو الأجهزة المتطورة.

من المهم أن تتذكر أن تنفيذ نماذج الأساس للذكاء الاصطناعي يتطلب خبرة فنية وإمكانية الوصول إلى الأجهزة والبرامج المتخصصة. لذلك ، قد يكون من المفيد الدخول في شراكة مع بائع متخصص في الذكاء الاصطناعي أو التشاور مع فريق من خبراء الذكاء الاصطناعي للتأكد من أن العملية تتم بشكل فعال.

اترك لنا سطرًا لمناقشة احتياجاتك في مجال الذكاء الاصطناعي! سنقوم بتقييم جاهزية شركتك للذكاء الاصطناعي ، ومراجعة بياناتك وإعدادها للتحليل الحسابي ، واختيار نموذج الأساس المناسب لبدء استخدام الذكاء الاصطناعي!

تم نشر هذه المقالة في الأصل على موقع إتريكس.