كيف أطلقت نماذج الأساس ومخازن البيانات الميزات الكامنة في الذكاء الاصطناعي التوليدي لخدمة مجال الأعمال؟

كما يشير اسمه، فإن الذكاء الاصطناعي التوليدي يولّد نصوصًا أو صورًا أو تعليمات برمجية أو استجابات أخرى بناءً على موجِّه المستخدم. وعند استخدامه بطريقة صحيحة، يمكن أن يوفّر للمؤسسات فوائد كبيرة مثل زيادة الكفاءة التشغيلية، وتحسين اتخاذ القرار، والإنتاج السريع للمحتوى التسويقي. لكن ما الذي يجعل الوظائف التوليدية لهذه النماذج، وبالتالي، فوائدها للمنظمة، ممكنة؟

الجواب هو نموذج الأساس. فهو المحرّك الأساسي الذي يزوّد نماذج الذكاء الاصطناعي التوليدي بقدرات الاستدلال المحسّن والتعلم العميق التي تفتقر إليها نماذج التعلم الآلي التقليدية. وبالاقتران مع مخازن البيانات، تُمكّن نماذج الأساس المؤسسات من تصميم أدوات الذكاء الاصطناعي التوليدي وتخصيصها عبر مختلف الصناعات، لتحسين وظائف مثل رعاية العملاء، والتسويق، والموارد البشرية (بما في ذلك اكتساب المواهب)، وتكنولوجيا المعلومات.

نموذج الأساس، يُعرف أيضًا باسم المحوِّل (Transformer)، ويُعد نموذج الأساس خوارزمية ذكاء اصطناعي تمّ تدريبها على كميات ضخمة من البيانات العامة. قدم معهد Stanford Institute for Human-Centered Artificial Intelligence مصطلح "نموذج الأساس" في عام 2021.

يعتمد نموذج الأساس على هيكلية الشبكة العصبية لمعالجة المعلومات بطريقة تُشبه عمل الدماغ البشري. ويمكن تدريب نماذج الأساس على تنفيذ مهام مثل تصنيف البيانات، وتحديد الأجسام داخل الصور (رؤية الكمبيوتر)، ومعالجة اللغة الطبيعية (NLP)، أي فهم النصوص وتوليدها، بدقة عالية. كما يمكنها أيضًا تنفيذ التعلم الآلي الخاضع للإشراف الذاتي بهدف التعميم وتطبيق المعرفة المكتسبة على مهام جديدة.

وبدلاً من إضاعة الوقت والموارد في تدريب نموذج من الصفر، يمكن لمتخصصي البيانات استخدام نماذج أساس مدرَّبة مسبقًا كنقطة بداية لتطوير أو تخصيص نماذج ذكاء اصطناعي توليدي لحالة استخدام معينة. على سبيل المثال، يمكن استخدام نموذج أساس كأساس لنموذج ذكاء اصطناعي توليدي، يتم لاحقًا ضبطه بدقة باستخدام مجموعات بيانات خاصة بالتصنيع للمساعدة في اكتشاف طرق أكثر أمانًا وسرعة لإنتاج نوع معيّن من المنتجات.

نوع محدّد من نماذج الأساس يُعرف باسم النموذج اللغوي الكبير (LLM) يتم تدريبه على كميات ضخمة من بيانات النصوص لأداء مهام معالجة اللغة الطبيعية (NLP). ويُعد BERT (تمثيلات التشفير ثنائية الاتجاه من المحوّلات) واحدًا من أوائل نماذج الأساس اللغوية الكبيرة التي تم تطويرها. وقد طوّرت Google نموذج BERT كمشروع مفتوح المصدر عام 2018. تلقّى BERT تدريبًا أوليًا على مجموعة ضخمة من بيانات اللغة الإنجليزية باستخدام التعلّم الذاتي، ويمكن استخدامه في مجموعة متنوعة من المهام، مثل:

• تحليل آراء العملاء أو الجمهور
• الإجابة على أسئلة خدمة العملاء
• توقّع النصوص استنادًا إلى البيانات المُدخلة
• توليد النصوص بناءً على موجِّهات المستخدم
• تلخيص المستندات الكبيرة والمعقدة

نماذج الأساس مقابل نماذج التعلم الآلي التقليدية

يختلف نموذج الأساس المُستخدَم في الذكاء الاصطناعي التوليدي عن نموذج التعلم الآلي التقليدي. فبينما يمكن تدريب نموذج الأساس على كميات ضخمة من البيانات غير المصنَّفة لدعم التطبيقات التي تولّد محتوى أو تنفّذ مهام متعدّدة،

يتم تدريب نموذج التعلم الآلي التقليدي غالبًا على مهمة واحدة باستخدام بيانات مصنَّفة، على سبيل المثال: استخدام صور مُعنونة للسيارات لتدريب النموذج على التعرف على السيارات في صور غير مصنَّفة.

نماذج الأساس الموجّهة للقيمة المؤسسية

يوفّر watsonx.ai studio من IBM مجموعة من نماذج الأساس اللغوية والبرمجية، تحمل أسماء رمزية مستوحاة من الجيولوجيا، ويمكن تخصيصها لمجموعة واسعة من المهام المؤسسية. جميع نماذج watsonx.ai مُدرّبة على بحيرة بيانات مركزة على المؤسسات تم تنظيمها من قِبل IBM.

متوفر الآن: Slate

يشير "Slate" إلى عائلة من النماذج القائمة على المشفّر فقط (Encoder-only).وعلى الرغم من أنها ليست توليدية، فإنها تُعد سريعة وفعّالة للعديد من مهام معالجة اللغة الطبيعية المؤسسية.

قريبا: Granite

تعتمد نماذج Granite على هيكلية قائمة على أداة فك التشفير فقط (Decoder-only)، تشبه GPT، وتُستخدم لمهام الذكاء الاصطناعي التوليدي.

قريبا: Sandstone

تستخدم نماذج Sandstone هيكلية المشفّر/فكّ التشفير (Encoder-Decoder)، وهي مناسبة تمامًا لعمليات الضبط الدقيق على المهام المتخصصة.

قريباً: Obsidian

تعتمد نماذج Obsidian على هيكلية معيارية جديدة طوّرتها IBM Research، وتوفّر كفاءة عالية في استدلال النماذج (Inference) وأداءً قويًا عبر مجموعة واسعة من المهام.

من دون الوصول الآمن إلى معرفة موثوقة ومتخصصة بالمجال، ستكون نماذج الأساس أقل موثوقية وفائدة في تطبيقات الذكاء الاصطناعي المؤسسية. لحسن الحظ، تؤدّي مخازن البيانات دور مستودعات بيانات آمنة، وتمكّن نماذج الأساس من التوسّع من حيث الحجم وبيانات التدريب.

تُبنى مخازن البيانات المناسبة للذكاء الاصطناعي التوليدي الذي يركز على الأعمال التجارية على بنية بحيرة مفتوحة، تجمع بين خصائص بحيرة البيانات ومستودع البيانات. وتوفّر هذه البنية وفورات في التكاليف عبر تخزين كائنات منخفض التكلفة، وتُتيح مشاركة كميات ضخمة من البيانات باستخدام تنسيقات جداول مفتوحة مثل Apache Iceberg المصمّمة لتحليلات عالية الأداء ومعالجة بيانات واسعة النطاق.

يمكن لنماذج الأساس تنفيذ استعلامات على أحجام ضخمة من البيانات المتخصصة بالمجال ضمن حاوية قابلة للتوسّع وفعّالة من حيث التكلفة. ونظرًا لأن هذه الأنواع من مخازن البيانات، عند دمجها مع البيئة السحابية، توفّر قابلية توسّع شبه غير محدودة، فإن الفجوات المعرفية في نموذج الأساس يتم تقليصها أو حتى القضاء عليها مع إدخال المزيد من البيانات. وكلما تمّ سدّ عدد أكبر من هذه الفجوات، أصبح النموذج أكثر موثوقية واتسع نطاق قدراته.

تُوفّر مخازن البيانات لعلماء البيانات مستودعًا لجمع البيانات وتنقيتها لاستخدامها في تدريب وضبط نماذج الأساس. كما أن مخازن البيانات التي تستفيد من مزودي البنية التحتية السحابية أو السحابية الهجينة من أطراف خارجية تُعد ضرورية لتحقيق كفاءة التكلفة في الذكاء الاصطناعي التوليدي.

عندما تتمكن نماذج الأساس من الوصول إلى المعلومات عبر مخازن البيانات، ويتم ضبطها بدقة لاستخدام هذه المعلومات في تنفيذ مهام مختلفة وتوليد استجابات، فإن أدوات الذكاء الاصطناعي التوليدي الناتجة يمكن أن تساعد المنظمات على تحقيق فوائد مثل:

زيادة الكفاءة والإنتاجية

علم البيانات

يمكن لعلماء البيانات استخدام النماذج المدرّبة مسبقًا لنشر أدوات الذكاء الاصطناعي بسرعة عبر مجموعة متنوعة من السيناريوهات المهمة.

تسريع التطوير

يمكن للمطورين كتابة التعليمات البرمجية واختبارها وتوثيقها بشكل أسرع باستخدام أدوات الذكاء الاصطناعي التي تولّد مقاطع برمجية مخصصة.

تحسين الاتصالات الداخلية

يمكن للمديرين التنفيذيين تلقي ملخصات مستندات طويلة تُنتجها نماذج الذكاء الاصطناعي، في حين يحصل الموظفون الجدد على نسخ مختصرة من مواد التدريب وغيرها من المحتويات.

العمليات

يمكن للمنظمات استخدام أدوات الذكاء الاصطناعي التوليدي لأتمتة مهام متعددة، بما في ذلك:

• تصنيف البيانات وتصنيفها
• التواصل مع العملاء
• توجيه الرسائل إلى القسم المناسب لتسريع أوقات الاستجابة
• إنشاء التقارير
• حجز الاجتماعات وتنظيم المواعيد

تسريع توليد المحتوى

يمكن لفرق التسويق استخدام أدوات الذكاء الاصطناعي التوليدي لإنشاء محتوى حول مجموعة واسعة من المواضيع. كما يمكنها ترجمة المواد التسويقية بدقة وسرعة إلى لغات متعددة.

تحليلات أكثر دقة

يمكن لقادة الأعمال والأطراف المعنية إجراء تحليلات بمساعدة الذكاء الاصطناعي لتفسير كميات ضخمة من البيانات غير المنظمة، ما يتيح لهم فهمًا أفضل للسوق، والانطباع العام عن العلامة التجارية، وغير ذلك.

لمساعدة المؤسسات على تعظيم تأثير الذكاء الاصطناعي عبر مختلف أقسام الأعمال، تقدّم IBM محفظتها من منتجات الذكاء الاصطناعي تحت اسم watsonx. تتكون المحفظة من ثلاثة منتجات قوية:

• watsonx.ai: استوديو لنماذج الأساس الجديدة، والذكاء الاصطناعي التوليدي، والتعلّم الآلي
• watsonx.data: مخزن بيانات مناسب للغرض المطلوب، قائم على بنية بحيرة البيانات المفتوحة
• watsonx.governance: أدوات الحوكمة لتسريع مهام سير العمل الخاصة بالذكاء الاصطناعي، مع التركيز على المسؤولية والشفافية وقابلية التفسير