ما المقصود بالنموذج المدرَّب مسبقًا؟

تتطلب النماذج المدرَّبة مسبقًا موارد وبنية تحتية وخبرة واسعة، ويتم بناؤها عادةً من قِبَل مجموعة من شركات التكنولوجيا الكبرى والمؤسسات الأكاديمية والمنظمات غير الربحية ومجتمعات المصدر المفتوح. في مجالات مثل التعلم العميق، حيث تحتاج النماذج إلى ملايين المعاملات، توفِّر النماذج المدرَّبة مسبقًا نقطة انطلاق تُتيح للممارسين تجنُّب "تكرار العمل نفسه" في كل مرة يقومون فيها ببناء تطبيق تعلُّم آلي.

يقوم تدريب النموذج "بتعليم" نموذج التعلم الآلي كيفية تحسين أدائه على مجموعة بيانات تدريبية من المهام النموذجية ذات الصلة بحالات الاستخدام النهائية. يجب أن تشبه بيانات التدريب هذه المشكلات الواقعية التي سيُطلب من النموذج التعامل معها، حتى يتمكن من تعلُّم أنماط وارتباطات البيانات لإصدار توقعات دقيقة على بيانات جديدة.

تتضمن عملية التعلم هذه تعديل مَعلمات النموذج، أي الأوزان والانحيازات في الدوال الرياضية التي تشكِّل خوارزميات التعلم الآلي الأساسية له. وتهدف مثل هذه التعديلات إلى التوصُّل إلى نتائج أكثر دقة.

من الناحية الرياضية، الهدف من هذه العملية هو تقليل دالة الخسارة التي تقيس خطأ مخرجات النموذج. عندما تكون المخرجات أقل من حد معين، يُعتبر النموذج "مدرَّبًا". في التعلم المعزز، يكون الهدف معكوسًا: حيث يتم تحسين مَعلمات النموذج لزيادة دالة المكافأة بدلًا من تقليل دالة الخسارة.

يتضمن تدريب النموذج دورةً من جمع البيانات ومعالجتها مسبقًا، ثم إدخال بيانات التدريب إلى النموذج، وقياس الخسارة، وضبط المَعلمات، واختبار الأداء على بيانات التحقق. يتم تكرار سير العمل هذا حتى يتم الحصول على نتائج مُرضية. قد يشمل التدريب أيضًا ضبط المَعلمات الفائقة -خيارات هيكلية تؤثِّر في عملية التعلم لكنها ليست "قابلة للتعلم" بذاتها- في عملية تُسمَّى ضبط المَعلمات الفائقة.

الفائدة الأساسية من النموذج المدرَّب مسبقًا هي أنه بدلًا من البدء من الصفر، يمكن للمطورين استخدام نماذج قد تعلَّمت بالفعل الخصائص العامة -مثل بنية اللغة أو الأشكال البصرية- وضبطها على مجموعات بيانات أصغر ومتخصصة بالمجال. يُعَد الضبط الدقيق أحد أنواع التعلم الانتقالي، وهو مصطلح شامل للتقنيات التي تعمل على تكييف النماذج المدرَّبة مسبقًا لاستخدامات جديدة.

يؤدي استخدام نموذج مدرَّب مسبقًا إلى تسريع عملية التطوير ويسمح للكيانات الصغيرة، مثل الشركات الناشئة التي قد لا تمتلك موارد كافية من الحوسبة أو البيانات أو البنية التحتية، بتجربة النماذج المتقدمة. إنه أمر يُشبه شراء زي جاهز من المتجر ثم تفصيله ليتناسب مع قوام الشخص.

استخدام النماذج المدرَّبة مسبقًا يعني أن الممارسين لديهم وصول إلى هياكل تم التحقق منها بالفعل، وتم تقييمها واختبارها في سيناريوهات واقعية. وهذا يقلل من المخاطر ويساعد على ضمان الموثوقية. تأتي النماذج الشائعة المدرَّبة مسبقًا مزودة بالوثائق الشاملة والبرامج التعليمية والتعليمات البرمجية التي يمكن استخدامها لتكييف النماذج مع المشاريع الفردية.

يتم استخدام النماذج اللغوية الكبيرة المدرَّبة مسبقًا (LLMs) في العديد من المؤسسات لتطوير معالجة اللغة الطبيعية (NLP) لحالات استخدام مثل الإجابة عن الأسئلة، وتحليل المشاعر، والتقسيم الدلالي، والذكاء الاصطناعي التوليدي والمزيد. تتضمن هذه القائمة الطويلة من النماذج اللغوية الكبيرة (LLMs) العديد من الخيارات الأكثر شيوعًا. تتخصص نماذج ذكاء اصطناعي أخرى في رؤية الكمبيوتر، مثل نماذج اكتشاف الكائنات وتصنيف الصور.

تُعَد ImageNet من أقدم وأكثر الموارد تأثيرًا في نماذج الصور، وهي مجموعة بيانات كبيرة أصبحت المعيار المرجعي في مجال رؤية الكمبيوتر. تشكِّل الهياكل مثل ResNet وInception، التي تم تدريبها على ImageNet، أساسًا في سير عمل رؤية الكمبيوتر. تتفوق هذه النماذج في استخراج الخصائص، مثل تحديد الحواف والأنسجة والأشكال المفيدة لتصنيف الصور الجديدة.

هناك العديد من مراكز ومكتبات النماذج التي تستضيف فيها المؤسسات النماذج المدرَّبة مسبقًا. وفيما يلي بعض من أبرزها:

• PyTorch Hub هو مستودع للنماذج المدرَّبة مسبقًا مصمم لتسهيل إمكانية تكرار الأبحاث وتبسيط استخدام النماذج المدرَّبة مسبقًا ضمن نظام PyTorch في Python.

• TensorFlow Hub هو مستودع للنماذج المدرَّبة مسبقًا جاهزة للضبط الدقيق ويمكن نشرها في أي مكان. يمكن إعادة استخدام نماذج BERT وFaster R-CNN (الشبكات العصبية الالتفافية) ببضعة أسطر من التعليمات البرمجية فقط.

• يركِّز Hugging Face Models على نماذج معالجة اللغة الطبيعية ورؤية الكمبيوتر، ويوفر الوصول إلى نماذج متقدمة مثل BERT وGPT والمزيد، بالإضافة إلى أدوات وبرامج تعليمية للتدريب والاستدلال. يمكن العثور على جميع نماذج IBM Granite المدرَّبة مسبقًا على Hugging Face. تُعَد هذه النماذج مفتوحة وعالية الأداء وموثوقًا بها، فضلًا عن كونها محسَّنة لحالات استخدام الأعمال. تتضمن Granite نماذج مخصصة للغة والرؤية والكلام والسلاسل الزمنية، إلى جانب تطبيقات أخرى.

• Kaggle هي منصة للعلوم البيانية والتعلم الآلي، توفِّر مساحة للمسابقات، ومجموعات البيانات، ومجتمعًا للتعاون والتعلم.

• GitHub هي منصة تطوير مملوكة تُتيح للمطورين إنشاء الأكواد وتخزينها وإدارتها ومشاركتها. يقوم العديد من الباحثين والشركات بإصدار نماذج مدرَّبة مسبقًا في هذه المستودعات مع الكود والأوزان والتوثيق.

• يقدِّم NVIDIA NGC Catalog نماذج مدرَّبة مسبقًا ومحسَّنة لتسريع معالجة وحدة معالجة الرسومات، بما في ذلك رؤية الكمبيوتر، والتصوير الطبي، والذكاء الاصطناعي الصوتي.

• يقدِّم OpenAI Models نماذج المحوِّلات التوليدية المدرَّبة مسبقًا المعروفة أيضًا باسم GPT، مثل روبوت المحادثة ChatGPT، وCodex وDALL-E، عبر واجهة برمجة التطبيقات (API). يتم الوصول إلى البيانات عبر السحابة بدلًا من التنزيل المباشر، من خلال منصات مثل OpenAI API أو Azure OpenAI.

• KerasHub هي مكتبة نماذج مدرَّبة مسبقًا تهدف إلى أن تكون بسيطة ومرنة وسريعة، وتوفِّر تنفيذات Keras 3 للبنى الشائعة.