ما هي النماذج اللغوية الكبيرة (LLMs)؟

باتت النماذج اللغوية الكبيرة (LLMs) معروفة على نطاق واسع بفضل دورها في وضع الذكاء الاصطناعي التوليدي في صدارة اهتمام الجمهور، بالإضافة إلى تركيز المنظمات عليها لاعتماد الذكاء الاصطناعي في العديد من وظائف الأعمال وحالات الاستخدام.

خارج الإطار المؤسسي، قد يظهر الأمر وكأن النماذج اللغوية الكبيرة (LLMs) قد ظهرت فجأة بالتزامن مع التطورات الجديدة في مجال الذكاء الاصطناعي التوليدي. لكن العديد من الشركات، بما فيها IBM، قضت سنوات في تطبيق النماذج اللغوية الكبيرة (LLMs) على مُستويات مُختلفة لتحسين قدراتها في فهم اللغة الطبيعية (NLU) ومعالجة اللغة الطبيعية (NLP). وقد تزامن ذلك مع التطورات في التعلُّم الآلي ونماذج التعلُّم الآلي والخوارزميات والشبكات العصبية ونماذج المُحوِّلات التي تُوفِّر البنية لهذه الأنظمة التي تعمل بالذكاء الاصطناعي.

تُصنّف النماذج اللغوية الكبيرة (LLMs) ضمن فئة النماذج التأسيسية التي تُدرَّب على كميات هائلة من البيانات لتوفير القدرات التأسيسية الضرورية لدعم حالات الاستخدام والتطبيقات المُتعدِّدة، فضلاً عن حل مجموعة كبيرة من المهام. يُخالف ذلك بشكل واضح فكرة إنشاء وتدريب نماذج مُخصَّصة لكل حالة استخدام على حدة، وهو أمر مُكلف للغاية من جوانب عديدة (أهمها التكلفة والبنية التحتية)، ويُعيق أوجه التضافر، بل قد يُؤدِّي إلى أداء أقل كفاءة.

تُمثّل النماذج اللغوية الكبيرة (LLMs) تقدمًا ملحوظًا في مجال معالجة اللغة الطبيعية والذكاء الاصطناعي، وهي مُتاحة بسهولة للعامة من خلال واجهات مثل Chat GPT-3 و GPT-4 من Open AI، المدعومة من Microsoft. تشمل الأمثلة الأخرى نماذج Llama من شركة Meta ونماذج تمثيلات الترميز ثنائية الاتجاه من المحولات (BERT/RoBERTa) ونماذج PaLM من Google. كما أطلقت IBM مؤخرًا سلسلة نماذج Granite على منصة watsonx.ai، التي أصبحت الركيزة الأساسية للذكاء الاصطناعي التوليدي في منتجات IBM الأخرى مثل watsonx Assistant و watsonx Orchestrate. 

باختصار، صُممت النماذج اللغوية الكبيرة (LLMs) لفهم وتوليد نصوص شبيهة بالنصوص البشرية، بالإضافة إلى أشكال أخرى من المحتوى، استنادًا إلى الكم الهائل من البيانات المستخدمة في تدريبها. تتمتع النماذج اللغوية الكبيرة (LLMs) بالقدرة على الاستنتاج من السياق، وتوليد إجابات متّسقة وذات صلة بالسياق، والترجمة إلى لغات أخرى غير الإنجليزية، وتلخيص النصوص، والإجابة على الأسئلة (المحادثات العامة والأسئلة الشائعة) وحتى المساعدة في مهام الكتابة الإبداعية أو توليد الأكواد البرمجية. 

وهي قادرة على القيام بذلك بفضل مليارات المُعامِلات التي تتيح لها التقاط أنماط معقدة في اللغة وتنفيذ مجموعة واسعة من المهام اللغوية. تعمل النماذج اللغوية الكبيرة (LLMs) على إحداث نقلة نوعية في التطبيقات في مختلف المجالات، بدءًا من روبوت المحادثة والمساعد الافتراضي ووصولًا إلى كتابة المحتوى والمساعدة في البحوث وترجمة اللغات.

مع استمرار تطور النماذج اللغوية الكبيرة (LLMs) وتحسينها، فإنها مُعدَّة لإعادة تشكيل الطريقة التي نتفاعل بها مع التقنية ووصولنا إلى المعلومات، ما يجعلها جزءًا حيويًا من المشهد الرقمي الحالي.

تستخدم النماذج اللغوية الكبيرة (LLMs) في عملها تقنيات التعلّم العميق وكميات هائلة من البيانات النصية. تعتمد هذه النماذج عادةً على بنية المحول، مثل المحوِّل التوليدي المُدرَّب مسبقًا، الذي يتميَّز في التعامل مع البيانات المُتتالية كمدخلات نصية. تتألف النماذج اللغوية الكبيرة (LLMs) من طبقات مُتعدِّدة من الشبكات العصبية، ولكل طبقة منها مُعامِلات يُمكن ضبطها بدقة أثناء التدريب، وتُعزَّز هذه الطبقات بآلية تُعرف باسم "آلية الانتباه" تُركِّز على أجزاء مُحدَّدة من مجموعات البيانات.

أثناء عملية التدريب، تتعلم هذه النماذج التنبؤ بالكلمة التالية في الجملة بناء على السياق الذي توفره الكلمات السابقة. يقوم النموذج بذلك من خلال تحديد درجة احتمالية لتكرار الكلمات التي تم ترميزها - أي تقسيمها إلى تسلسلات أصغر من الأحرف. ثم يتم تحويل هذه الرموز المميزة إلى تضمينات، وهي تمثيلات رقمية لهذا السياق.

لضمان مستوى عالٍ من الدقة، تخضع هذه العملية لتدريب النموذج اللغوي الكبير (LLM) على مجموعة ضخمة من النصوص (تصل إلى مليارات الصفحات)، مما يمكّنه من اكتساب معرفة بالقواعد النحوية والدلالات والعلاقات المفاهيمية من خلال التعلّم بدون مشرف والتعلّم الذاتي. بعد الانتهاء من تدريب النماذج اللغوية الكبيرة (LLMs) على بيانات التدريب هذه، تُصبح قادرة على توليد النصوص من خلال التنبؤ المُستقل بالكلمة التالية بناءً على المُدخَلات التي تستقبلها، والاستفادة من الأنماط والمعرفة المُكتسبة. تتمثّل النتيجة في توليد لغة مُتّسقة ومرتبطة بالسياق يُمكن الاستفادة منها في مجموعة كبيرة من مهام فهم اللغة الطبيعية وإنشاء المحتوى.

يُمكن كذلك تحسين أداء النموذج من خلال هندسة الموجِّهات، وضبط الموجِّهات والضبط الدقيق واستخدام أساليب أخرى مثل التعلُّم المعزَّز المستند إلى التعليقات البشرية (RLHF) لإزالة التحيُّزات وخطاب الكراهية والإجابات غير الصحيحة من الناحية الواقعية، والتي تُعرف باسم الهلوسة وتُعتبر غالبًا مُنتجات ثانوية غير مرغوبة ناتجة عن التدريب على هذا الكم الهائل من البيانات غير المنظمة. يُعتبر هذا من أهم الجوانب لضمان أن النماذج اللغوية الكبيرة (LLMs) من فئة المؤسسات جاهزة للاستخدام على مستوى المنظمات وعدم تعريضها لمسؤولية غير مرغوبة أو الإساءة إلى سمعتها. 

تُحدث النماذج اللغوية الكبيرة (LLMs) تغييرًا في عدد مُتزايد من عمليات الأعمال وأثبتت مرونتها عبر عدد لا يُحصى من حالات الاستخدام والمهام في مُختلف الصناعات. حيث تساهم هذه النماذج في تعزيز الذكاء الاصطناعي الحواري في روبوتات المحادثة والمساعدين الافتراضيين (مثل IBM watsonx Assistant وBARD من Google)، بهدف تحسين التفاعلات التي تدعم التميز في خدمة العملاء، وذلك من خلال توفير استجابات مُناسبة للسياق تُحاكي التفاعلات مع المُوظفين البشريين.

تُظهر النماذج اللغوية الكبيرة (LLMs) كفاءة عالية أيضًا في كتابة المحتوى، من خلال أتمتة إنشاء محتوى لمقالات المدونات والمواد التسويقية ومواد المبيعات ومهام الكتابة الأخرى. في الأبحاث والأوساط الأكاديمية، تساعد النماذج اللغوية الكبيرة (LLMs) في تلخيص المعلومات واستخراجها من مجموعات البيانات الضخمة، مما يسّرع وتيرة اكتشاف المعرفة. تؤدي النماذج اللغوية الكبيرة (LLMs) أيضًا دورًا حيويًا في مجال ترجمة اللغات، حيث تُساهم في تذليل العقبات اللغوية من خلال توفير ترجمات دقيقة ومرتبطة بالسياق. كما يمكن استخدامها لكتابة الأكواد البرمجية أو "التحويل" بين لغات البرمجة.

كما تُساهم النماذج اللغوية الكبيرة (LLMs) في تحسين إمكانية الوصول للأفراد ذوي الإعاقة، بما في ذلك تطبيقات تحويل النص إلى كلام (text-to-speech) وإنشاء محتوى بتنسيقات مُتاحة للجميع. في مُختلف القطاعات من الرعاية الصحية إلى التمويل، تساهم النماذج اللغوية الكبيرة (LLMs) في إحداث نقلة نوعية في الصناعات من خلال تبسيط العمليات وتحسين تجارب العملاء وتمكين اتخاذ قرارات أكثر كفاءة تعتمد على البيانات.

المثير في الأمر هو سهولة الوصول إلى جميع القدرات، حيث يقتصر الأمر في بعض الحالات على تكامل واجهة برمجة التطبيقات.

فيما يلي قائمة ببعض أهم المجالات التي تُقدّم فيها النماذج اللغوية الكبيرة (LLMs) فوائد للمنظمات:

• توليد النصوص: قدرات توليد اللغة، مثل كتابة رسائل البريد الإلكتروني أو منشور مدونة أو غيرها من المحتويات متوسطة إلى طويلة الحجم استجابةً للموجِّه التي يمكن تحسينها وتنقيحها. ومن الأمثلة الممتازة على ذلك تقنية التوليد المعزَّز بالاسترجاع (RAG). 

• تلخيص المحتوى: تلخيص المقالات الطويلة والتقارير الإخبارية والبحثية ووثائق الشركات وحتى سجلات العملاء في نصوص شاملة مُناسبة من حيث الطول لتتوافق مع تنسيق الإخراج.

• مساعدو الذكاء الاصطناعي: روبوت المحادثة التي تجيب على استفسارات العملاء، وتُنفِّذ مهام الواجهة الخلفية وتُقدِّم معلومات مُفصَّلة بلغة طبيعية كجزء من حلٍّ مُتكامل لخدمة العملاء بالاعتماد على الخدمة الذاتية. 

• توليد الأكواد البرمجية: مساعدة المطورين في بناء التطبيقات، واكتشاف الأخطاء في الأكواد البرمجية والكشف عن المشكلات الأمنية في مختلف لغات البرمجة، وحتى "التحويل" بينها.

• تحليل المشاعر: تحليل النص لتحديد نبرة العملاء بهدف فهم تعليقاتهم على نطاق واسع والمساعدة في إدارة سمعة العلامة التجارية. 

• ترجمة اللغات: توفر تغطية شاملة للمنظمات عبر اللغات والمناطق الجغرافية من خلال ترجمات دقيقة وقدرات لغوية متعدّدة.

تتمتع النماذج اللغوية الكبيرة (LLMs) بالقدرة على إحداث تأثير في جميع القطاعات، من التمويل إلى التأمين، ومن الموارد البشرية إلى الرعاية الصحية وغيرها، عبر أتمتة خدمة العملاء الذاتية وتسريع أوقات الاستجابة في عدد مُتزايدٍ من المهام، إلى جانب توفير دقة أعلى وتوجيه مُعزَّز وجمع معلومات سياقية ذكي.

تحتاج المنظمات إلى بنية تحتية قوية في ممارسات الحوكمة للاستفادة من إمكانات نماذج الذكاء الاصطناعي لإحداث نقلة نوعية في طريقة تسيير أعمالها. وهذا يعني توفير إمكانية الوصول إلى أدوات وتقنيات ذكاء اصطناعي تتسم بالثقة والشفافية والمسؤولية والأمان. كما تعد حوكمة الذكاء الاصطناعي وإمكانية تتبعه من الجوانب الأساسية للحلول التي تقدمها IBM لعملائها، بحيث تتم إدارة الأنشطة التي تستخدم الذكاء الاصطناعي ومراقبتها للسماح بتتبع مصادر البيانات والنماذج بطريقة قابلة للتدقيق والمساءلة دائمًا.