في حين يستخلص الذكاء الاصطناعي التوقّعي الإحصاءات من البيانات الحالية، يتجاوز الذكاء الاصطناعي التوليدي ذلك وينشئ محتوًى جديدًا. يمكنه كتابة النصوص أو إنشاء الصور أو إنتاج الرموز البرمجية أو حتى تصميم واجهات مستخدم كاملة. في ما يلي بعض الأمثلة الشائعة على حالات استخدام الذكاء الاصطناعي التوليدي:
- صناعة المحتوى: يمكن لأدوات الكتابة المستنِدة إلى الذكاء الاصطناعي إنشاء مسودات وتعديل النصوص الحالية.
- التلخيص: تعمل أدوات مثل الملخّصات المستنِدة إلى الذكاء الاصطناعي من Google على تلخيص المستندات الطويلة أو الاجتماعات أو صفحات الويب في ملخّصات موجزة قابلة للتنفيذ.
- إنشاء الرموز البرمجية: تستخدم أدوات المطوّرين الذكاء الاصطناعي التوليدي لكتابة الرموز البرمجية وإعادة هيكلتها، ما يزيد من إنتاجية المطوّرين.
- إنشاء الصور ومواد العرض: باستخدام نماذج الرؤية، يمكن للمستخدمين إنشاء مواد عرض مرئية، مثل البانرات والصور المصغّرة.
حلقة الذكاء الاصطناعي التوليدي
يتم تدريب معظم نماذج الذكاء الاصطناعي التوليدي باستخدام الشبكات العصبونية وبُنى المحوّل. تتعلّم النماذج اقتراح العنصر التالي في تسلسل، مثل الكلمة التالية أو البكسل أو الملاحظة، استنادًا إلى العناصر التي تسبقه.
من الناحية الرياضية، لا يختلف هذا النوع كثيرًا عن الذكاء الاصطناعي التنبؤي. وكلاهما يتعلّمان الأنماط من البيانات. ويكمن الاختلاف في الحجم.
في الذكاء الاصطناعي التوقّعي، تقتصر خيارات الناتج على تصنيفين، مثل "التوقّف عن استخدام الخدمة" أو "عدم التوقّف عن استخدام الخدمة". في الذكاء الاصطناعي التوليدي، يمكن أن تتضمّن مساحة الإخراج مئات الآلاف من الخيارات. وبفضل تدريبها على مليارات الأمثلة، يتطوّر نظام التوقّع ليصبح محركًا قويًا قادرًا على إنشاء نتائج جديدة لم يسبق رؤيتها.
يتبع تطوير نظام الذكاء الاصطناعي التوليدي نهجًا تكراريًا.
سنشرح طريقة عمل ذلك باستخدام تطبيقنا النموذجي BlogBuddy، وهو مساعد لنظام إدارة المحتوى يساعد المستخدمين في إنشاء أوصاف جذابة وعناوين مقالات متوافقة مع محركات البحث.
تحديد حالة الاستخدام
يجب أن يتضمّن بيان المشكلة ما يلي:
- طريقة الإدخال والإخراج: يمكن أن يكون ذلك على شكل نص (نثر أو رمز برمجي) أو صور أو صوت.
- طريقة إدخال البيانات هل تم استخراج المحتوى من حقل تحميل أو نص حر أو مدخلات أخرى منظَّمة؟
- الجمهور من ينفّذ هذه المهمة؟ هل لديهم معرفة عامة أم يحتاجون إلى معرفة متخصصة؟
تتمحور ميزات BlogBuddy حول إنشاء النصوص. تكون البيانات المدخلة شبه منظَّمة: يقدّم المستخدمون موضوعًا أو مسودة قصيرة، ويعرض النموذج صيغًا مختلفة. الجمهور هو فريق التسويق، ولديه معرفة متخصّصة في التحرير.
من المهم تحديد معيار جودة لنتائجك. في حالتنا، نريد إنشاء نص قصير وسهل القراءة وغني بالكلمات الرئيسية يتناسب مع أسلوب النشر.
تساعدك مقاييس النجاح الواضحة في توجيه بقية العملية. يمكنك التعرّف على مزيد من المعلومات حول جمع مقاييس النجاح في مقالة التطوير المستند إلى التقييم.
اختيار الطراز الأساسي
تتوفّر مجموعة كبيرة من النماذج المُدرَّبة مسبقًا على مجموعات بيانات كبيرة وشاملة. ويمكن تكييف سلوكها لتلبية احتياجات معيّنة. تكون نماذج الذكاء الاصطناعي التوليدي عادةً أكبر حجمًا وأكثر تعقيدًا من نماذج التوقّع، لذا من الأفضل أن تستند إلى نموذج حالي بدلاً من إنشاء نموذجك الخاص وتدريبه.
ويحدّد اختيارك إمكانات منتجك وتكلفته وإمكانية تخصيصه وحدود الخصوصية. يعتمد اختيار النموذج بشكل كبير على المنصة التي تنشر عليها نظام الذكاء الاصطناعي.
في وقت لاحق من هذه الدورة التدريبية، ستتعرّف على كيفية اختيار المنصة.
هندسة الطلبات والسياق
بعد اختيار النموذج، عليك تزويده بالتعليمات المناسبة من خلال طلب. بالنسبة إلى BlogBuddy، قد نطلب من النموذج تنفيذ ما يلي:
Generate three short, engaging title suggestions for this article
هناك أنواع متعددة من المعلومات التي يمكنك إضافتها إلى الطلب. على سبيل المثال:
- طلب نظام يحدّد السلوك العام
- سياق خاص بالمدخلات للمهمة الحالية
- تعليمات المستخدم في التطبيقات الحوارية، مثل روبوتات الدردشة أو الوكلاء
الاستنتاج والمعالجة اللاحقة
بعد تجميع طلبك، يتم إرساله إلى النموذج للاستدلال. يمكنك تغيير مَعلمات النموذج، بما في ذلك درجة العشوائية (لتعزيز الإبداع) والحد الأقصى لعدد الرموز المميزة (لضبط الطول والتفاصيل)، وذلك لتحديد طريقة استجابة النموذج. بعد إنشاء المحتوى، تتم معالجة الناتج غالبًا باستخدام قواعد وضوابط إضافية.
على سبيل المثال، يمكنك إعادة صياغة نص يتضمّن إشارة إلى الجنس، أو تعديل الأسلوب، أو فلترة العبارات المحظورة.
لتعزيز الشفافية وضبط مستوى الثقة، يمكنك إضافة نموذج ثانوي أصغر لتصنيف النتيجة أو تلخيصها. على سبيل المثال: "مقدمة من 12 مقالة ذات صلة. مستوى الثقة: عالٍ."
التقييم وحلقة الملاحظات
بما أنّ مساحة النتائج التي يعرضها الذكاء الاصطناعي التوليدي لا حدود لها عمليًا، لا تتضمّن معظم الطلبات إجابة صحيحة واحدة. يمكن استخدام مقاييس الأداء الموحّدة، مثل MMLU أو SQuAD، لقياس قدرات النموذج العامة، ولكنّها نادرًا ما تلبي الاحتياجات المحدّدة للمستخدمين. في سياق المنتج، عليك تحديد مزيجك الخاص من المقاييس النوعية والكمية:
- الدقة: هل الناتج صحيح من الناحية الواقعية؟
- المساعدة: هل يلبي الناتج التوقعات التي حدّدها الطلب أو نية المستخدم؟
- سهولة القراءة والأسلوب: هل الناتج واضح ويتوافق مع معايير العلامة التجارية؟
- الجهد البشري: ما هو مقدار التعديل أو التنظيم اليدوي المطلوب؟
- فهم المجال: هل يعكس الناتج معرفة خاصة بالمجال؟
لتقييم هذه المقاييس، يمكنك الجمع بين المراجعة من قِبل فريق من المراجعين والتسجيل الآلي. على سبيل المثال، يمكنك أن تطلب من المستخدمين تقييم النتائج في العالم الحقيقي، واستخدام نموذج ثانٍ للتقييم الآلي (يُعرف أيضًا باسم LLM-as-a-judge)، وإجراء مراجعات داخلية دورية للتحقّق من التحيز أو الهلوسة.
تُعدّ بيانات الاستخدام الحقيقية من أهم الموارد عند إنشاء تطبيقات باستخدام التكنولوجيا التوليدية. إذا كان ذلك ممكنًا، سجِّل هذه التفاعلات لتعديل الطلبات والسياقات أو اختبار نماذج مختلفة أو ضبط المَعلمات بمرور الوقت. يصبح كل تفاعل أو تصحيح أو تقييم من المستخدمين ملاحظات يمكن أن تساعدك في تحديد خطوات التحسين التالية:
- يمكن أن تساعدك مدخلات المستخدم غير المتوقّعة في تحديد ما إذا كنت تحلّ المشكلة الصحيحة.
- يمكن أن تساعد الطلبات المتكرّرة الخاصة بنطاق معيّن في تحديد النموذج المناسب. يمكنك التبديل من نموذج لغوي كبير وعام إلى نموذج صغير تم ضبطه بدقة.
- يمكن أن تشير الهلوسات المتكرّرة إلى نقص في السياق المحدّد في طلباتك.
- قد تشير التعديلات الكبيرة إلى عدم توفّر سياق مشترك كافٍ. لا يدرك النموذج المعلومات التي يفترضها المستخدم.
وبمرور الوقت، تحوّل حلقات الملاحظات هذه ميزة الذكاء الاصطناعي التوليدي من مجرد استدعاء نموذج ثابت إلى نظام حيوي يتكيّف باستمرار مع احتياجات المستخدمين وتفضيلاتهم.
المشاكل الشائعة وطرق حلّها
بما أنّ الذكاء الاصطناعي التوليدي يعمل في مساحة مفتوحة من المدخلات والمخرجات، فإنّ مساحة المخاطر فيه أوسع بكثير من تلك الموجودة في الأنظمة التنبؤية. بالإضافة إلى إنتاج نتائج غير صحيحة، يمكن أن ينشئ محتوًى سامًا أو متحيزًا أو مضلِّلاً، أو حتى يتلاعب بالمستخدمين عن غير قصد. ويمكن أن تؤدي هذه الإخفاقات إلى تراجع الثقة وتعريض شركتك لعواقب مالية أو قانونية.
لهذا السبب، يتطلّب الذكاء الاصطناعي التوليدي اتّباع نهج استباقي ومستمر لإدارة المخاطر. في ما يلي بعض المخاطر الأكثر شيوعًا:
- الهلوسة: يختلق النموذج حقائق أو يقدّم تفاصيل غير صحيحة. للتخفيف من هذه المشكلة، استخدِم RAG لتحديد المصدر بشكل صحيح.
- الثقة المفرطة: يفترض المستخدمون أنّ النتائج صحيحة دائمًا. للتخفيف من هذه المشكلة، ننصحك بتشجيع المستخدمين على مراجعة المحتوى وتعديله بدلاً من نشره تلقائيًا. في إدارة الذكاء الاصطناعي: إنشاء التطبيقات بشكل مسؤول، ستتعرّف على كيفية مساعدة المستخدمين في تحديد مستوى الثقة في التطبيقات.
- عدم الاتساق: تختلف النتائج بشكل كبير بين عمليات التشغيل. للتخفيف من هذه المشكلة، استخدِم نماذج الطلبات أو التحكّم في درجة الحرارة أو أمثلة قليلة اللقطات لتثبيت النبرة والتركيب.
- محتوى مسيء أو ضار: ينتج النموذج نصًا متحيزًا أو مسيئًا أو تلاعبيًا. للتخفيف من هذه المشكلة، طبِّق فلاتر الإشراف ومصنّفات السمية قبل العرض. اختبار المخرجات باستمرار باستخدام طلبات حقيقية والحفاظ على حلقة ملاحظات للإبلاغ عن الحالات الحدّية وإعادة التدريب عليها
- وقت الاستجابة والتكلفة: يمكن أن تكون النماذج الكبيرة بطيئة ومكلفة. خاصةً إذا كنت تهدف إلى تحقيق اعتماد واسع النطاق، قد يكون من الصعب تقدير التكلفة واستخدام الموارد للنماذج مسبقًا. للتخفيف من هذه المشكلة، استخدِم التخزين المؤقت والتجميع والنماذج الأصغر للمهام القصيرة.
الخلاصات الرئيسية
باختصار، يحوّل الذكاء الاصطناعي التوليدي الأفكار الأولية إلى محتوى ملموس، مثل النصوص أو الصور أو الرموز البرمجية أو المحادثات. وهي تتفوّق في المجالات التي تكون فيها الإبداعية والقدرة على التكيّف أهم من الدقة.
بصفتك مطوّر ويب، يعتمد نجاحك على تصميم الطلبات المناسبة، وتزويد النموذج بالبيانات الصحيحة، ومواءمة النظام باستمرار مع تفضيلات المستخدمين.
الموارد
مزيد من المعلومات عن اختيار نماذج أصغر حجمًا ومستدامة للحصول على معلومات أكثر تقدّمًا:
- يمكنك المشاركة في دورة مكثّفة حول تعلُّم الآلة في مجال الذكاء الاصطناعي التوليدي.
- راجِع مجموعة أدوات الذكاء الاصطناعي التوليدي المسؤول.
- لمزيد من المعلومات حول الأنواع المختلفة من النماذج الأساسية في الذكاء الاصطناعي التوليدي، يمكنك قراءة الفصل 5 من كتاب فن تطوير منتجات الذكاء الاصطناعي.
اختبِر معلوماتك
ما هو الفرق الرئيسي بين ناتج الذكاء الاصطناعي التوليدي والذكاء الاصطناعي التنبؤي؟
ما هو دور درجة حرارة النموذج؟
لماذا تكون مقاييس الأداء الموحّدة غير كافية في كثير من الأحيان لتقييم الذكاء الاصطناعي التوليدي؟
أي مما يلي يُعدّ إجراءً شائعًا للحدّ من الهلوسات؟
ما هي الإجراءات التي يجب اتّخاذها بشأن ملاحظات المستخدمين، وفقًا لحلقة الذكاء الاصطناعي التوليدي؟