19 مارس 2024
توليد النصوص هي عملية إنتاج نصوص متماسكة وذات معنى بشكل تلقائي، ويمكن أن تكون هذه النصوص على شكل جمل أو فقرات أو حتى وثائق كاملة. تشمل هذه العملية تقنيات متنوعة، والتي يمكن العثور عليها في مجال مثل معالجة اللغة الطبيعية (NLP) والتعلم الآلي وخوارزميات التعلم العميق، لتحليل البيانات المدخلة وتوليد نصوص تشبه النصوص البشرية. والهدف من هذا هو إنشاء نصوص ليست فقط صحيحة نحويًّا، بل أيضًا ملائمة للسياق وشيّقة للجمهور المستهدف.
يعود تاريخ توليد النصوص إلى الأبحاث المبكرة في علوم الحاسوب التي أُجريَّت في خمسينيات وستينيات القرن الماضي. ولكن شهد المجال انطلاقة حقيقية في الثمانينيات والتسعينيات مع ظهور الذكاء الاصطناعي وصعود خوارزميات التعلم الآلي. في السنوات الأخيرة، أدى التطور في التعلم العميق والشبكات العصبية إلى تحسينات كبيرة في جودة النصوص المُوَلَّدة وتنوعها.1
الفرق بين فهم اللغة الطبيعية (NLU) وتوليد اللغة الطبيعية (NLG)
يُعَد كل من توليد اللغة الطبيعية (NLG) وفهم اللغة الطبيعية (NLU) عنصرين أساسيين لأي نظام قوي لمعالجة اللغة الطبيعية (NLP)، ولكن يخدم كل منهما أغراضًا مختلفة.
فهم اللغة الطبيعية (NLU) هو قدرة الآلة على استيعاب اللغة البشرية وتفسيرها واستخلاص المعلومات المفيدة منها بطريقة قيّمة. وتشمل مهام مثل تحليل المشاعر، والتعرف على الكيانات المسماة، وتصنيف أجزاء الكلام، والتحليل اللغوي. يساعد فهم اللغة الطبيعية الآلات على فهم السياق والقصد والمعنى الدلالي للمدخلات اللغوية البشرية.
توليد اللغة الطبيعية (NLG) هي قدرة الآلة على إنتاج نص أو كلام مشابه للنصوص البشرية، يتميز بالوضوح والإيجاز والجاذبية. ويتضمن ذلك مهام مثل تلخيص النصوص وسرد القصص وأنظمة الحوار وتركيب الكلام، حيث يساعد توليد اللغة الطبيعية (NLG) الآلات في إنتاج استجابات ذات معنى ومترابطة بطريقة يسهل على البشر فهمها.
يركز فهم اللغة الطبيعية (NLU) على فهم اللغة البشرية، بينما يركز توليد اللغة الطبيعية (NLG) على توليد لغة مشابهة للغة البشرية. وكلاهما أساسيان لبناء تطبيقات معالجة اللغة الطبيعية (NLP) المتقدمة التي يمكنها التواصل بفعَّالية مع البشر بطريقة طبيعية وذات معنى.
أحدث الأخبار والرؤى حول الذكاء الاصطناعي
تتوفر معارف وأخبار منسقة بمهارة حول الذكاء الاصطناعي والسحابة وغيرها في نشرة Think الإخبارية الأسبوعية.
تحسين الكفاءة: بإمكان توليد النصوص التقليل بشكل كبير من الوقت والجهد اللازمين لإنتاج كميات كبيرة من النصوص. فعلى سبيل المثال، يمكن استخدامه لأتمتة إنشاء أوصاف المنتجات، أو منشورات وسائل التواصل الاجتماعي، أو الوثائق الفنية. هذا يوفر الوقت ويسمح لفرق العمل بالتركيز على المهام الاستراتيجية.2
تعزيز الإبداع: يمكن للذكاء الاصطناعي توليد محتوى فريد وأصلي بسرعة عالية، وهو ما قد لا يكون ممكنًا للبشر تحقيقه يدويًّا. ,قد يؤدي ذلك إلى إنشاء محتوى أكثر ابتكارًا وجاذبية، مثل القصص أو القصائد أو المقطوعات الموسيقية. كما يمكن أن يساعد توليد النصوص في التغلب على ما يُعرَف بقفلة الكاتب من خلال تقديم أفكار ومنظورات جديدة.
زيادة إمكانية الوصول: يمكن لتوليد النصوص مساعدة الأفراد ذوي الإعاقات أو الحواجز اللغوية عن طريق توليد نصوص بصيغ أو لغات بديلة. ويمكن أن يساعد ذلك في جعل الوصول إلى المعلومات أكثر سهولة لشريحة أوسع من الأشخاص، يشمل ذلك الصُم أو ضعاف السمع أو المتحدثين بغير اللغة الأم أو ضعاف البصر.
تحسين مشاركة العملاء: يمكن لتوليد النصوص المخصصة والمُضفى عليها الطابع الشخصي أن يساعد الشركات والمجموعات في تحسين تفاعلها مع العملاء. ومن خلال تخصيص المحتوى وفقًا لتفضيلات وسلوكيات الأفراد، يمكن للشركات خلق تفاعلات أكثر دلالة وملاءمة، مما يؤدي إلى زيادة رضا العملاء وولائهم.
تعزيز تعلم اللغات: يمكن أن يكون توليد النصوص أداة مفيدة لمتعلمي اللغات عن طريق تقديم تعليقات واقتراحات للتحسين. فمن خلال توليد نصوص بأسلوب أو نمط خاص بلغة معينة، يمكن للمتعلمين ممارسة مهارات الكتابة لديهم وتطويرها بطريقة أكثر تنظيمًا وتوجيهًا.
في تقنيات توليد النصوص، تظهر العديد من التحديات التي يجب التصدي لها حتى تحقق هذه الأساليب كامل إمكانياتها. وتشمل هذه التحديات ضمان جودة النصوص المُوَلَّدة، وتعزيز التنوع في المخرجات المُوَلَّدة، ومعالجة الاعتبارات الأخلاقية والمخاوف المتعلقة بالخصوصية.
الجودة: أحد أكبر التحديات التي تواجهها عملية توليد النصوص يتمثل في ضمان جودة النصوص المُوَلَّدة. فيجب أن يكون النص المُوَلَّد مترابطًا وذا معنى ومناسبًا للسياق. كما يجب أن يعكس المعنى المقصود بدقة، مع تجنب توليد معلومات مضللة أو غير صحيحة.
التنوع: التحدي الثاني الذي يواجه توليد النصوص هو تعزيز التنوع في المخرجات المُوَلَّدة. فبينما من المهم أن يكون النص المُوَلَّد دقيقًا ومتسقًا، إلا أنه من الضروري أيضًا أن يعكس مجموعة واسعة من وجهات النظر والأساليب والآراء، ويظهر هذا التحدي بشكل خاص في تطبيقات معالجة اللغة الطبيعية، حيث يكون الهدف هو إنشاء نصوص ليست دقيقة فحسب، بل جذابة ويسهل قراءتها أيضًا.
الأخلاقيات والخصوصية: التحدي الثالث في توليد النصوص يتمثل في معالجة الاعتبارات الأخلاقية والمخاوف المتعلقة بالخصوصية. فمع تطور تقنيات توليد النصوص، ينشأ خطر استخدامها لتوليد نصوص قد تكون مضللة أو ضارة أو لانتهاك خصوصية الأشخاص.
تواجه تقنيات توليد النصوص تحديات كبيرة وتتطلب دراسة متأنية واهتمام. ويتم التصدي لهذه التحديات باستخدام تقنيات متقدمة مثل النماذج الإحصائية، والشبكات العصبية، والنماذج القائمة على المحولات. حيث يمكن تبني هذه النماذج من خلال واجهات برمجة التطبيقات (APIs) أو نصوص Python مفتوحة المصدر. ويُسهم الضبط الدقيق لهذه النماذج في تقديم نصوص عالية الجودة ومتنوعة وصحيحة من الناحية المنطقية وسليمة من الناحية الأخلاقية. إلى جانب ذلك، يجب التأكد من أن تقنيات توليد النصوص، والذكاء الاصطناعي التوليدي، يتم استخدامها بعناية وفعالية، وذلك لتعظيم فوائدها وتقليل مخاطرها.3
النماذج الإحصائية: تستخدم هذه النماذج الإحصائية عادةً مجموعات بيانات كبيرة من النصوص لتعلم أنماط اللغة البشرية وهياكلها، ثم توظف هذه المعرفة لتوليد نصوص جديدة. ويمكن أن تكون النماذج الإحصائية فعّالة في توليد نصوص مشابهة للبيانات التي تم تدريبها عليها، لكنها قد تواجه تحديات في توليد نصوص إبداعية ومتنوعة. وتُعَد نماذج N-gram وحقول العشوائية الشرطية (CRF) من النماذج الإحصائية الشهيرة.
نماذج N-gram: هي نوع من النماذج الإحصائية التي تستخدم نموذج لغة N-gram، والذي يتنبأ باحتمالية تسلسل عناصر "n-items" في سياق معين.10
الحقول العشوائية الشرطية (CRFs): هي نوع من النماذج الإحصائية التي تستخدم نموذجًا رسوميًّا احتماليًّا لنمذجة التبعيات بين الكلمات في جملة. ويمكن أن تكون الحقول العشوائية الشرطية فعّالة في توليد نصوص مترابطة وملائمة للسياق، ولكن يمكن أن يكون تدريب هذا النوع من نماذج توليد النصوص مكلفًا من الناحية الحاسوبية وقد لا يؤدي أداءً جيدًا في المهام التي تتطلب درجة عالية من توليد اللغة الإبداعية.11
الشبكات العصبية:: هي خوارزميات التعلم الآلي التي تستخدم الشبكات العصبية الاصطناعية لتحديد أنماط البيانات. ومن خلال واجهات برمجة التطبيقات (APIs)، يمكن للمطورين الاستفادة من النماذج المدربة مسبقًا لتوليد نصوص إبداعية ومتنوعة تعكس بشكل دقيق تعقيد البيانات المستخدمة في التدريب. وتعتمد جودة النصوص المُوَلَّدة بشكل كبير على البيانات المستخدمة في التدريب. ومع ذلك، تتطلب هذه الشبكات موارد حاسوبية كبيرة وبيانات واسعة النطاق لتحقيق أداء مثالي.4
الشبكات العصبية المتكررة (RNN): هي نوع أساسي من الشبكات العصبية المصممة خصيصًا لمعالجة البيانات التسلسلية، مثل تسلسل الكلمات في الجمل أو الفقرات. وتتفوق هذه الشبكات في المهام التي تتطلب فهم التسلسلات، مما يجعلها مفيدة في المراحل الأولى من تطوير النماذج اللغوية الكبيرة (LLM). ومع ذلك، تواجه الشبكات العصبية المتكررة تحديات في التعامل مع التبعيات طويلة المدى عبر النصوص الطويلة، وهو قصور نابع من طبيعتها التسلسلية في المعالجة. فمع مرور المعلومات عبر الشبكة، يتلاشى تأثير المدخلات الأولى تدريجيًّا، مما يؤدي إلى مشكلة "التدرج المتلاشي" أثناء الانتشار العكسي، حيث تتقلص التحديثات وتعوق قدرة النموذج على الاحتفاظ بالروابط طويلة التسلسل. دمج تقنيات التعلم التعزيزي يمكن أن يوفر استراتيجيات للتخفيف من هذه المشكلات، مما يوفر نماذج تعلم بديلة لتقوية ذاكرة التسلسل وعمليات اتخاذ القرار في هذه الشبكات.5
شبكات الذاكرة القصيرة المدى المطولة (LSTM): هي نوع من الشبكات العصبية التي تستخدم خلية ذاكرة لتخزين المعلومات والوصول إليها على مدى فترات زمنية طويلة. الشبكات الذاكرة القصيرة المدى المطولة قد تكون فعالة في معالجة التبعيات الطويلة المدى، مثل العلاقات بين الجمل في وثيقة، ويمكنها إنشاء نص جامد السياق ومتماسك المحتوى.6
النماذج القائمة على المحولات: هذه النماذج هي أحد أنواع الشبكات العصبية التي تستخدم آليات الانتباه الذاتي لمعالجة البيانات التسلسلية. تتميز النماذج القائمة على المحولات بقدرتها على توليد نصوص إبداعية ومتنوعة، إذ يمكنها تعلم الأنماط والهياكل المعقدة في بيانات التدريب وتوليد نصوص جديدة مشابهة لبيانات التدريب. وعلى عكس الطرق التقليدية مثل الشبكات العصبية المتكررة (RNN) وشبكات الذاكرة القصيرة المدى المطولة (LSTM)، تتمتع النماذج القائمة على المحولات بميزة فريدة تتمثل في معالجة البيانات بشكل متوازي وليس تسلسلي. ويتيح لها هذا التعامل بكفاءة أكبر مع التبعيات طويلة المدى عبر مجموعات البيانات الكبيرة، مما يجعل هذه النماذج قوية بشكل خاص لتطبيقات معالجة اللغة الطبيعية مثل الترجمة الآلية وتلخيص النصوص.7
المحول التوليدي المدرب مسبقًا (GPT): المحول التوليدي المدرب مسبقًا (GPT) هو نموذج قائم على المحولات يتم تدريبه على مجموعة بيانات كبيرة من النصوص لتوليد نصوص شبيهة بالنصوص البشرية. ويمكن للمحول التوليدي المدرب مسبقًا أن يكون فعالاً في توليد النصوص الإبداعية والمتنوعة، حيث يمكنه تعلم الأنماط والهياكل المعقدة في بيانات التدريب وتوليد نصوص جديدة مماثلة لبيانات التدريب.8
تمثيلات التشفير ثنائية الاتجاه من المحولات (BERT): تمثيلات التشفير ثنائية الاتجاه من المحولات (BERT) هو نموذج قائم على المحولات يتم تدريبه على مجموعة بيانات كبيرة من النصوص لتوليد تمثيلات ثنائية الاتجاه للكلمات. وهذا يعني أنه يُقيّم سياق الكلمات من قبل الجملة وبعدها. ويتيح هذا الوعي الشامل بالسياق لتمثيلات التشفير ثنائية الاتجاه من المحولات (BERT) فهمًا دقيقًا للتفاصيل اللغوية الدقيقة، مما يؤدي إلى توليد نصوص دقيقة ومترابطة بدرجة كبيرة. ويعد هذا النهج الثنائي الاتجاه تمييزًا أساسيًّا يعزز من أداء تمثيلات التشفير ثنائية الاتجاه من المحولات (BERT) في التطبيقات التي تتطلب فهمًا عميقًا للغة، مثل الإجابة على الأسئلة والتعرف على الكيانات المسماة (NER)، من خلال توفير سياق أكثر اكتمالًا مقارنةً بالنماذج أحادية الاتجاه.9
لقد أحدثت تقنيات توليد النصوص، لا سيِّما تلك التي تم تنفيذها باستخدام لغة بايثون، ثورة في طريقة التعامل مع الذكاء الاصطناعي التوليدي باللغة الإنجليزية وغيرها. فباستخدام النماذج المدربة من منصات مثل Hugging Face، يمكن للمطورين وعلماء البيانات الوصول إلى مجموعة كبيرة من الأدوات والموارد مفتوحة المصدر التي تيسر عملية إنشاء تطبيقات توليد النصوص المتطورة. ولكون لغة بايثون في طليعة الذكاء الاصطناعي وعلم البيانات، فإنها توفر مكتبات تبسط التفاعل مع هذه النماذج، مما يتيح تخصيصها من خلال تعديل البادئات أو القوالب، ومعالجة بيانات النصوص لتلائم التطبيقات المختلفة. وعلاوة على ذلك، يضمن استخدام المقاييس والمعايير لتقييم أداء النموذج، جنبًا إلى جنب مع استراتيجيات فك التشفير المتقدمة، أن تكون النصوص المُوَلَّدة متسقة ومترابطة وتلبي المعايير العالية للاتساق والملاءمة.
يُعد توليد النصوص أداة متعددة الاستخدامات لها مجموعة واسعة من التطبيقات في مختلف المجالات. وفيما يلي بعض الأمثلة على تطبيقات توليد النصوص:
يمكن استخدام توليد النصوص لتوليد منشورات للمدونات ومقالات للمواقع والمدونات توليدًا تلقائيًّا. تستطيع هذه الأنظمة توليد محتوى فريد وجذاب مصمم خصيصًا ليتماشى مع اهتمامات القارئ وتفضيلاته.
يمكن أيضًا استخدامه في توليد الأخبار والتقارير الصحفية بشكل تلقائي للصحف والمجلات ووسائل الإعلام الأخرى. فبإمكان هذه الأنظمة توليد محتوى دقيق وفي الوقت المناسب ومصمم خصيصًا ليتماشى مع اهتمامات القارئ وتفضيلاته تلقائيًا.
يمكن استخدامه لتوليد منشورات وسائل التواصل الاجتماعي تلقائيًا لكل من Facebook وTwitter وغيرها من المنصات، حيث تستطيع هذه الأنظمة توليد محتوى جذاب وإعلامي مصمم خصيصًا ليتماشى مع اهتمامات القارئ وتفضيلاته.
يمكن استخدامه لتوليد أوصاف المنتجات ومراجعاتها تلقائيًّا لمواقع التجارة الإلكترونية والأسواق عبر الإنترنت. فبإمكان هذه الأنظمة توليد محتوى دقيق ومُفَصَّل ومصمم خصيصًا ليتماشى مع اهتمامات القارئ وتفضيلاته تلقائيًا.
يمكن استخدامه لتوليد التوجيهات الفورية للكتابة الإبداعية تلقائيًّا للكُتّاب باستخدام نماذج الذكاء الاصطناعي القوية. حيث تستطيع هذه الأنظمة توليد أفكار فريدة وملهمة مصممة خصيصًا لتتماشى مع اهتمامات الكاتب وتفضيلاته.
يمكن استخدامه لترجمة النصوص تلقائيًّا بين لغات مختلفة. حيث تعمل هذه الأنظمة على إنتاج ترجمات دقيقة وفصيحة تتماشى مع اهتمامات القارئ وتفضيلاته.
يمكن استخدامه لتوليد محادثات روبوت المحادثة تلقائيًّا لخدمة العملاء والدعم الفني، حيث تستطيع هذه الأنظمة توليد محادثات مخصصة وجذابة مصممة خصيصًا لتتماشى مع اهتمامات القارئ وتفضيلاته.
يكثف الوثائق الطويلة وتحولها إلى نسخ موجزة، مع الحفاظ على المعلومات الرئيسة من خلال خوارزميات متقدمة في معالجة اللغة الطبيعية والتعلم الآلي. تُمَكِّن هذه التقنية من الفهم السريع للمحتوى الواسع النطاق، بدءًا من المقالات الإخبارية وحتى الأبحاث الأكاديمية، مما يعزز إمكانية الوصول إلى المعلومات وكفاءتها.
يمكن استخدام توليد النصوص لتوليد تفاعلات المساعد الافتراضي تلقائيًّا لأتمتة المنزل والمساعدة الشخصية، حيث تستطيع هذه الأنظمة توليد تفاعلات مخصصة ومتناسبة مصممة خصيصًا لتتماشى مع اهتمامات القارئ وتفضيلاته.
يمكن أيضًا استخدام توليد النصوص لتوليد قصص وسرديات تلقائيًّا للأغراض الترفيهية والتعليمية، حيث تستطيع هذه الأنظمة توليد قصص فريدة وجذابة مصممة خصيصًا لتتماشى مع اهتمامات القارئ وتفضيلاته.
تدريب الذكاء الاصطناعي التوليدي والتحقق من صحته وضبطه ونشره، وكذلك قدرات نماذج الأساس والتعلم الآلي باستخدام IBM watsonx.ai، وهو استوديو الجيل التالي من المؤسسات لمنشئي الذكاء الاصطناعي. أنشئ تطبيقات الذكاء الاصطناعي بسرعة أكبر وببيانات أقل.
استفد من الذكاء الاصطناعي في عملك بالاستعانة بخبرة IBM الرائدة في مجال الذكاء الاصطناعي ومحفظة حلولها المتوفرة لك.
أعدّ ابتكار عمليات ومهام سير العمل الحساسة بإضافة الذكاء الاصطناعي لتعزيز التجارب وصنع القرارات في الوقت الفعلي والقيمة التجارية.
الموارد
تعلّم كيف يمكن للمديرين التنفيذيين تحقيق التوازن بين القيمة التي يمكن أن يقدمها الذكاء الاصطناعي مقابل الاستثمار الذي يتطلبه والمخاطر التي يثيرها.
تعلّم المفاهيم الأساسية وطوّر مهاراتك من خلال المختبرات العملية والدورات التدريبية والمشاريع الموجهة والتجارب وغيرها.
تعرّف على كيفية دمج الذكاء الاصطناعي التوليدي والتعلّم الآلي بثقة في أعمالك
هل ترغب في زيادة عائد استثماراتك في الذكاء الاصطناعي؟ تعرّف على كيفية تأثير توسيع نطاق الذكاء الاصطناعي التوليدي في المجالات الرئيسية، من خلال مساعدة أفضل العقول لديك على وضع حلول مبتكرة جديدة وطرحها.
لقد قمنا باستطلاع آراء 2000 مؤسسة حول مبادرات الذكاء الاصطناعي لديها لمعرفة ما ينجح وما لا ينجح وكيف يمكنك المضي قدمًا.
يُعَد IBM Granite مجموعة من نماذج الذكاء الاصطناعي المفتوحة والموثوق بها وذات الأداء العالي، وهي مصممة خصيصًا للأعمال ومُحسَّنة لتوسيع نطاق تطبيقات الذكاء الاصطناعي لديك. استكشف خيارات اللغة والتعليمات البرمجية والسلاسل الزمنية وضوابط الحماية.
تعرّف على كيفية اختيار نموذج أساس الذكاء الاصطناعي الأكثر ملاءمة لحالة الاستخدام الخاصة بك.
تعمّق في العناصر الثلاثة الهامة لاستراتيجية الذكاء الاصطناعي القوية: إنشاء ميزة تنافسية، وتوسيع نطاق الذكاء الاصطناعي عبر الأعمال، وتطوير الذكاء الاصطناعي الجدير بالثقة.
الحواشي
1 Lin, Z., Gong, Y., Shen, Y., Wu, T., Fan, Z., Lin, C., ... & Chen, W. (2023, July). Text generation with diffusion language models: A pre-training approach with continuous paragraph denoise. In International Conference on Machine Learning (pp. 21051-21064). PMLR.
f Prabhumoye, S., Black, A., & Salakhutdinov, R. (2020). Exploring Controllable Text Generation Techniques. , 1-14. https://doi.org/10.18653/V1/2020.COLING-MAIN.1.
3 Yu, W., Yu, W., Zhu, C., Li, Z., Hu, Z., Wang, Q., Ji, H., & Jiang, M. (2020). A Survey of Knowledge-enhanced Text Generation. ACM Computing Surveys, 54, 1 - 38. https://doi.org/10.1145/3512467.
4 Zhang, Y. (2020). Deep Learning Approaches to Text Production. Computational Linguistics, 46, 899-903. https://doi.org/10.1162/coli_r_00389.
5 Su, Y., Lan, T., Wang, Y., Yogatama, D., Kong, L., & Collier, N. (2022). A Contrastive Framework for Neural Text Generation. ArXiv, abs/2202.06417.
6 S. Chandar, M. M. Khapra, H. Larochelle and B. Ravindran, "Correlational Neural Networks," in Neural Computation, vol. 28, no. 2, pp. 257-285, Feb. 2016, doi: 10.1162/NECO_a_00801.
7 Rahali, A., & Akhloufi, M. A. (2023). End-to-end transformer-based models in textual-based NLP. AI, 4(1), 54-110.
8 Khalil, F., & Pipa, G. (2021). Transforming the generative pretrained transformer into augmented business text writer. Journal of Big Data, 9, 1-21. https://doi.org/10.1186/s40537-022-00663-7.
9 Devlin, J., Chang, M., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. , 4171-4186. https://doi.org/10.18653/v1/N19-1423.
10 M. Suzuki, N. Itoh, T. Nagano, G. Kurata and S. Thomas, "Improvements to N-gram Language Model Using Text Generated from Neural Language Model," ICASSP 2019 - 2019 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), Brighton, UK, 2019, pp. 7245-7249, doi: 10.1109/ICASSP.2019.8683481.
11 D. Song, W. Liu, T. Zhou, D. Tao and D. A. Meyer, "Efficient robust conditional random fields," in IEEE Transactions on Image Processing, vol. 24, no. 10, pp. 3124-3136, Oct. 2015, doi: 10.1109/TIP.2015.2438553.