توسيع نطاق الذكاء الاصطناعي التوليدي باستخدام خيارات النماذج المرنة

تزيل هذه السلسلة من المدونات الغموض عن الذكاء الاصطناعي التوليدي للمؤسسات لقادة الأعمال والتقنية. يوفر أطر عمل بسيطة ومبادئ إرشادية لرحلتك في الذكاء الاصطناعي التحويلي. في المدونة السابقة، ناقشنا النهج المميز الذي تتبعه IBM لتقديم نماذج لفئة المؤسسات. في هذه المدونة، نستعرض لماذا تعتبر اختيارات نموذج الأساس مهمة وكيف تمكن الشركات من توسيع نطاق الذكاء الاصطناعي التوليدي بثقة.

في عالم الذكاء الاصطناعي التوليدي الديناميكي، تُعد المناهج ذات الحجم الواحد الذي يناسب الجميع غير كافية. بينما تسعى الشركات إلى تسخير قوة الذكاء الاصطناعي، فإن وجود مجموعة متنوعة من خيارات النماذج تحت تصرفها أمر ضروري من أجل تحقيق ما يلي:

• تحفيز الابتكار: لا تعزز مجموعة النماذج المتنوعة الابتكار فقط من خلال تقديم نقاط قوة مميزة لمواجهة مجموعة واسعة من المشكلات، بل تمكن الفرق أيضًا من التكيف مع احتياجات الأعمال المتغيرة وتوقعات العملاء.
• التخصيص لتحقيق ميزة تنافسية: تتيح مجموعة من النماذج للشركات تخصيص تطبيقات الذكاء الاصطناعي لتلبية المتطلبات المتخصصة، ما يوفر ميزة تنافسية. يمكن ضبط الذكاء الاصطناعي التوليدي لتأدية مهام محددة، سواء كانت تطبيقات المحادثة للإجابة عن الأسئلة أو كتابة التعليمات البرمجية لإنشاء ملخصات سريعة.
• تسريع وقت الوصول إلى السوق: في بيئة الأعمال التي تتميز بسرعة وتيرتها اليوم، يعد الوقت أمرًا بالغ الأهمية. يمكن لمحفظة متنوعة من النماذج أن تسرع عملية التطوير، ما يتيح للشركات تقديم عروض مدعومة بالذكاء الاصطناعي بسرعة. ويعد هذا الأمر بالغ الأهمية بشكل خاص في مجال الذكاء الاصطناعي التوليدي، حيث يوفر الوصول إلى أحدث الابتكارات ميزة تنافسية محورية.
• حافظ على المرونة في مواجهة التغيير: تتطور ظروف السوق وإستراتيجيات الأعمال باستمرار. تتيح خيارات النماذج المختلفة للشركات إمكانية التمحور بسرعة وفعالية. يتيح الوصول إلى خيارات متعددة إمكانية التكيف بسرعة عند ظهور اتجاهات جديدة أو تحولات إستراتيجية، ما يحافظ على المرونة والقدرة على الصمود.
• تحسين التكاليف عبر حالات الاستخدام: للنماذج المختلفة تداعيات تكلفة متباينة. من خلال الوصول إلى مجموعة من النماذج، يمكن للشركات تحديد الخيار الأكثر فعالية من حيث التكلفة لكل تطبيق. في حين أن بعض المهام قد تتطلب دقة النماذج عالية التكلفة، يمكن معالجة مهام أخرى ببدائل أقل تكلفة دون التضحية بالجودة. على سبيل المثال، في خدمة العملاء، قد يكون معدل النقل وزمن الانتقال أكثر أهمية من الدقة، بينما تكون الدقة أكثر أهمية في مجالي الموارد والتطوير.
• تخفيف المخاطر: قد يكون الاعتماد على نموذج واحد أو اختيار محدود أمرًا خطيرًا. يساعد التمتع بمحفظة متنوعة من النماذج على التخفيف من مخاطر التركيز، ما يساعد على ضمان حفاظ الشركات على مرونتها في مواجهة أوجه القصور أو فشل نهج محدد. تتيح هذه الإستراتيجية توزيع المخاطر وتوفر حلولاً بديلة في حال ظهور التحديات.
• الامتثال للأنظمة: لا يزال المشهد التنظيمي للذكاء الاصطناعي يتطور، مع وجود الاعتبارات الأخلاقية في المقدمة. قد يكون للنماذج المختلفة تداعيات متنوعة على العدالة والخصوصية والامتثال. تسمح الخيارات المتعددة للشركات بالتنقل في هذا المشهد المعقد واختيار النماذج التي تلبي المعايير القانونية والأخلاقية.

الآن بعد أن أدركنا أهمية اختيار النموذج، كيف يمكننا معالجة مشكلة وفرة الخيارات عند انتقاء النموذج المناسب لحالة استخدام معينة؟ يمكننا تقسيم هذه المشكلة المعقدة إلى مجموعة من الخطوات البسيطة التي يمكنك تطبيقها اليوم:

1. حدد حالة استخدام واضحة: حدد الاحتياجات والمتطلبات المحددة لتطبيق عملك. يتضمن ذلك صياغة موجِّهات مفصلة تأخذ في الاعتبار التفاصيل الدقيقة داخل صناعتك وأعمالك للمساعدة على ضمان توافق النموذج بشكل وثيق مع أهدافك.
2. أدرج جميع خيارات النماذج: قيِّم النماذج المختلفة بناءً على الحجم والدقة وزمن الانتقال والمخاطر المرتبطة بها. يتضمن ذلك فهم نقاط القوة والضعف في كل نموذج، مثل المفاضلة بين الدقة وزمن الانتقال والإنتاجية.
3. تقييم سمات النموذج: قيِّم مدى ملاءمة حجم النموذج بالنسبة إلى احتياجاتك، مع الأخذ في الاعتبار كيف يمكن أن يؤثر حجم النموذج في الأداء والمخاطر التي ينطوي عليها. تركز هذه الخطوة على تحديد الحجم المناسب للنموذج ليلائم حالة الاستخدام على النحو الأمثل لأن الحجم الأكبر ليس أفضل بالضرورة. يمكن أن تتفوق النماذج الأصغر حجمًا على النماذج الأكبر حجمًا في المجالات وحالات الاستخدام المستهدفة.
4. اختبر خيارات النماذج: قم بإجراء اختبارات لمعرفة ما إذا كان النموذج يعمل كما هو متوقع في ظل الظروف التي تحاكي السيناريوهات الواقعية. يتضمن ذلك استخدام معايير أكاديمية ومجموعات بيانات خاصة بالمجال لتقييم جودة المخرجات وتعديل النموذج، على سبيل المثال، من خلال هندسة الموجِّهات أو ضبط النماذج لتحسين الأداء.
5. حسِّن اختيارك بناء على التكلفة واحتياجات النشر: بعد الاختبار، حسِّن اختيارك من خلال مراعاة عوامل مثل العائد على الاستثمار والفعالية من حيث التكلفة والإجراءات العملية لنشر النموذج ضمن أنظمتك وبنيتك التحتية الحالية. عدِّل الاختيار بناءً على فوائد أخرى مثل تقليل زمن الانتقال أو زيادة الشفافية.
6. اختر النموذج الذي يوفر أكبر قيمة: اختر في النهاية نموذج الذكاء الاصطناعي الذي يقدم أفضل توازن بين الأداء والتكلفة والمخاطر المرتبطة به، والذي يكون مصممًا وفقًا لمتطلبات حالة الاستخدام الخاصة بك.

من خلال اتباع الإستراتيجية متعددة النماذج، تقدم مكتبة IBM® watsonx نماذج مملوكة ومفتوحة المصدر ونماذج من طرف ثالث كما هو موضح في الصورة:

ويوفر ذلك للعملاء مجموعة من الخيارات، ما يسمح لهم باختيار النموذج الذي يناسب تفضيلاتهم التجارية والإقليمية الفريدة وتفضيلاتهم من حيث المخاطر بشكل أفضل.

كما تُمكِّن watsonx العملاء من نشر النماذج على البنية التحتية التي يختارونها، بخيارات هجينة ومتعددة السحابات ومحلية، وذلك لتجنب الاحتكار لمنتج معين وتقليل إجمالي تكلفة الملكية.

يمكن تقسيم خصائص نماذج الأساس إلى ثلاث سمات رئيسية. يجب على المؤسسات أن تدرك أن التركيز المفرط على إحدى السمات قد يضر بالسمات الأخرى. إن تحقيق التوازن بين هذه السمات هو المفتاح لتخصيص النموذج الذي يلبي الاحتياجات الخاصة للمؤسسة:

1. موثوقة: نماذج واضحة وقابلة للتفسير وغير مؤذية.
2. تحقق الكفاءة من حيث الأداء: المستوى المناسب من الأداء للمجالات التجارية المستهدفة وحالات الاستخدام.
3. فعالة من حيث التكلفة: نماذج تقدم الذكاء الاصطناعي التوليدي بتكلفة إجمالية أقل للملكية ومخاطر منخفضة.

IBM Granite هي سلسلة رائدة من النماذج على مستوى المؤسسات، طورتها IBM Research. تتميز هذه النماذج بمزيج مثالي من هذه الصفات، مع التركيز على الثقة والموثوقية، ما يمكن الشركات من النجاح في مبادرات الذكاء الاصطناعي التوليدي. تذكر أنه لا يمكن للشركات توسيع نطاق الذكاء الاصطناعي التوليدي بنماذج أساس لا يمكن الوثوق بها.

تقدم IBM watsonx نماذج على مستوى المؤسسات ناتجة عن عملية تنقيح صارمة. وتبدأ هذه العملية بابتكار النماذج بقيادة IBM Research، وتشمل تعاونًا مفتوحًا وتدريبًا على محتوى ذي صلة بالمؤسسات تحت مدونة IBM لأخلاقيات الذكاء الاصطناعي لتعزيز شفافية البيانات.

طورت IBM Research تقنية ضبط تعليمات تعزز كلاً من النماذج المطورة من IBM والنماذج مفتوحة المصدر المختارة بقدرات ضرورية للاستخدام المؤسسي. وتتخطى مجموعة بياناتنا “FM_EVAL” المعايير الأكاديمية، حيث تحاكي تطبيقات الذكاء الاصطناعي للمؤسسات في العالم الحقيقي. يتم توفير النماذج الأكثر قوة من مسار العمل هذا على منصة IBM watsonx.ai ، ما يزود العملاء بنماذج أساسية موثوقة للذكاء الاصطناعي التوليدي وعلى مستوى المؤسسات كما هو موضح في الصورة:

• التعليمات البرمجية من Granite: هي عائلة من النماذج تم تدريبها على 116 لغة برمجة، وتتراوح أحجامها بين 3 مليارات و34 مليار معامل، في نماذج أساسية ومتغيرات تتبع التعليمات.
• Granite-7b-lab: يدعم المهام العامة ويتم ضبطه باستخدام منهجية IBM واسعة النطاق لمحاذاة روبوتات المحادثة (LAB) لدمج المهارات والمعارف الجديدة.

جرب نماذج الأساس على مستوى المؤسسات لدينا على watsonx من خلال العرض التجريبي الجديد للمحادثة على watsonx.ai. اكتشف قدراتها في التلخيص وإنشاء المحتوى ومعالجة الوثائق من خلال واجهة محادثة بسيطة وسهلة الاستخدام.