نموذج ذهني مفيد
فكّر في النموذج باعتباره تحويلاً قابلاً للضبط، لا دماغاً رقمياً أو قاعدة بيانات للإجابات.
للنموذج بنية تحدد كيفية تدفّق المعلومات عبره. وله أيضاً قيم متعلَّمة تحدد مدى تأثير الأجزاء المختلفة من المدخل في المخرج. وتعرّف البنية والقيم المتعلَّمة معاً عملية التحويل.
أدخل إلى نموذج للطقس قياسات، فقد يُخرج احتمال هطول المطر. وأدخل إلى مصنّف صور وحدات البكسل، فقد يُخرج درجات لعدة تسميات. وأدخل إلى نموذج لغوي نصاً، فقد يُخرج احتمالات للنص الذي يمكن أن يأتي تالياً. تختلف المدخلات والمخرجات، لكن دور النموذج واحد.
ليس من الضروري أن يكون النموذج شبكة عصبية. فالنماذج الخطية وأشجار القرار والنماذج الاحتمالية وغيرها من الأساليب يمكنها أيضاً أن توفّر النموذج داخل نظام ذكاء اصطناعي. والشبكات العصبية إحدى عائلات النماذج المرنة بوجه خاص.
كيف يُنشأ نموذج الذكاء الاصطناعي ويُستخدم
بالنسبة إلى نموذج التعلُّم الآلي، يمر الانتقال من الفكرة إلى المخرج بمرحلتين رئيسيتين: التدريب والاستدلال.
أثناء التدريب، يختار المطوّرون بنية النموذج وهدفاً. يعالج النموذج أمثلة، وتُقارَن مخرجاته بذلك الهدف، ثم يضبط إجراء التدريب قيمه القابلة للتعلّم لتقليل الخطأ أو تحسين المكافأة. ويؤدي تكرار هذه العملية إلى إنتاج نموذج مدرَّب: بنية معينة ذات حالة متعلَّمة معينة.
ثم يُقيَّم النموذج على بيانات أو مواقف لم تُستخدم في ملاءمته. ويختبر ذلك ما إذا كان قد تعلّم نمطاً مفيداً، بدلاً من مجرد مطابقة أمثلة التدريب. ولا يثبت اجتياز تقييم واحد أنه سيعمل مع كل مجموعة سكانية أو إعداد أو استخدام.
أثناء الاستدلال، يتلقى النموذج المدرَّب مدخلاً جديداً ويحسب مخرجاً من دون تكرار عملية التدريب الكاملة. ويمكن لخدمة منشورة أن تُجري الاستدلال ملايين المرات بينما تظل القيم المتعلَّمة للنموذج دون تغيير. ولا يتعلّم النموذج من التفاعلات اللاحقة إلا إذا جمعت عملية منفصلة الملاحظات وحدّثته أو أعادت تدريبه.
يمكن أن تشير كلمة نموذج إلى ملفات مختلفة على امتداد هذه العملية:
- قبل التدريب، قد تعني البنية المقترحة.
- بعد التدريب، تعني عادةً البنية مضافاً إليها القيم المتعلَّمة من البيانات.
- في إطار عمل، قد تعني كائناً جرت ملاءمته أو ملفاً يحتوي على الحالة المتعلَّمة.
- في كتالوج المنتجات، قد تعني عائلة مسمّاة أو إصداراً معيناً أو نقطة نهاية تشغّل ذلك الإصدار.
تتداخل هذه الاستخدامات، لكنها ليست متطابقة. وعندما تكون الدقة مهمة، اسأل عمّا إذا كان الادعاء يتعلق بتصميم النموذج أو حالته المتعلَّمة أو ملفاته أو الخدمة المحيطة به.
مثال تطبيقي
لنتناول نموذجاً بسيطاً عمداً يعلّم رسائل البريد الإلكتروني التي قد تكون رسائل مزعجة. يحوّل البرنامج المحيط كل رسالة بريد إلى مدخلين:
- عدد الروابط
- عدد الكلمات الموجودة في قائمة قصيرة من الكلمات التي توحي بالإلحاح
لنفترض أن التدريب تعلّم الدرجة التالية:
درجة الرسالة المزعجة = 1.4 × عدد الروابط + 0.9 × عدد الكلمات الملحّة − 1.2
بالنسبة إلى رسالة تحتوي على رابطين وكلمة ملحّة واحدة:
1.4 × 2 + 0.9 × 1 − 1.2 = 2.5
بالنسبة إلى رسالة لا تحتوي على روابط أو كلمات ملحّة:
1.4 × 0 + 0.9 × 0 − 1.2 = −1.2
إذا كان المنتج يتعامل مع الدرجة الموجبة على أنها تعني رسالة مزعجة، فسيضع علامة على الرسالة الأولى ويسمح بمرور الثانية.
النموذج هو عملية التحويل التي تنتج الدرجة: صيغته وقيمه العددية المتعلَّمة. أما الشيفرة التي تقرأ الرسالة، وتحسب السمات، وتختار الحد الفاصل، وتنقل الرسالة إلى مجلد الرسائل المزعجة، وتتيح للمستخدم تصحيح الخطأ، فتشكّل النظام الأوسع.
من السهل فحص هذا النموذج التجريبي. وقد تحتوي شبكة عصبية حديثة على طبقات وقيم متعلَّمة كثيرة، كما قد يختار النموذج التوليدي من بين مخرجات ممكنة بدلاً من إرجاع تسمية ثابتة واحدة. ومع ذلك تظل المهمة الأساسية هي تحويل مدخل مناسب إلى مخرج وفقاً للنمط الذي يلتقطه النموذج.
النموذج ليس نظام الذكاء الاصطناعي بأكمله
تتضح هذه التفرقة بسهولة عند النظر إلى العملية في صورة خط أنابيب:
raw input
↓
input preparation
↓
AI model: structure + learned state
↓
raw model output
↓
rules, tools, storage, and presentation
↓
system result or actionقد يضيف روبوت المحادثة، مثلاً، تعليمات وسجل المحادثة ووثائق مسترجعة وفحوصات للسلامة وأدوات وواجهة حول نموذج لغوي. ويمكن أن يؤدي تغيير أي من هذه الطبقات إلى تغيير تجربة المستخدم حتى لو ظل النموذج ثابتاً. وقد يوجّه نظام أكبر الطلب الواحد عبر عدة نماذج أيضاً.
لا تُغلّف الحدود دائماً بالطريقة نفسها. فقد يكون حد التصنيف مدمجاً في نموذج واحد، بينما تطبّقه الشيفرة المحيطة في نظام آخر. والاختبار العملي هو تحديد المكوّن الذي ينفّذ عملية التحويل المركزية المتعلَّمة من المدخل إلى المخرج، ثم تحديد ما يجهّز ذلك المخرج أو يقيّده أو يفسّره أو يتصرف بناءً عليه.
لماذا تهم هذه التفرقة؟
تمنعك من إسناد كل نجاح أو فشل إلى المكوّن الخطأ. فقد تنتج النتيجة السيئة عن النموذج، لكنها قد تنتج أيضاً عن نقص السياق أو سوء إعداد المدخلات أو حد فاصل غير مناسب أو فشل أداة أو قاعدة طُبّقت بعد الاستدلال.
كما تجعل تقييم الادعاءات المتعلقة بالنماذج أسهل. فالنموذج لا يكون مفيداً إلا بالنسبة إلى مهمة، وأنواع المدخلات التي سيتلقاها، والطريقة التي سيُستخدم بها مخرجه، وتكلفة الأخطاء. لذلك ينبغي أن توضّح وثائق النموذج الاستخدامات المقصودة، وظروف التقييم، والقيود المعروفة، والاستخدامات التي لم تُختبر. ولا يستطيع رقم دقة واحد أو عرض توضيحي لمنتج الإجابة عن كل هذه الأسئلة.
وأخيراً، توضّح هذه التفرقة نوع الوصول الذي تملكه. فتنزيل الأوزان المتعلَّمة، واستدعاء نموذج مستضاف عبر API، واستخدام تطبيق ذكاء اصطناعي مكتمل، توفّر مستويات مختلفة من التحكم. وقد تتضمن نموذجاً من العائلة نفسها، لكنها ليست الشيء نفسه.
مفاهيم خاطئة شائعة
«يحتوي النموذج على بيانات التدريب»
يحتوي النموذج المدرَّب عادةً على حالة عددية متعلَّمة، لا على نسخة قابلة للبحث صفاً بصف من الأمثلة. وتلتقط تلك الحالة أنماطاً مفيدة لإنتاج المخرجات. ومع ذلك، قد تعيد النماذج إنتاج أجزاء من بيانات التدريب أو تكشفها في بعض الظروف، لذا فإن «ليس قاعدة بيانات» لا يعني «لا يمكنه الحفظ».
«يتعلّم النموذج في كل مرة أستخدمه فيها»
يستخدم الاستدلال عادةً قيماً متعلَّمة ثابتة. وقد يحفظ المنتج المحادثات أو يخصص الطلبات اللاحقة أو يستخدم الملاحظات في تدريب مستقبلي، لكن هذه سلوكيات منفصلة للنظام. ولا تدل على أن النموذج المنشور حدّث نفسه أثناء المحادثة.
«نموذج الذكاء الاصطناعي هو الشيء نفسه الذي تعنيه الخوارزمية»
الخوارزمية إجراء. تضبط خوارزمية التدريب نموذجاً، بينما تنفّذ خوارزمية الاستدلال ذلك النموذج. وفي الكلام اليومي تتداخل المصطلحات، لكن التمييز بين الإجراء والنتيجة المتعلَّمة يوضح كيف يمكن لطريقة التدريب نفسها أن تنتج نماذج مختلفة من بيانات مختلفة.
«كل نماذج الذكاء الاصطناعي نماذج لغوية»
نموذج اللغة الكبير (LLM) نوع واحد من نماذج الذكاء الاصطناعي. فهناك نماذج أخرى تصنّف الصور، وتتنبأ بالكميات، وترتّب نتائج البحث، وتكتشف الحالات الشاذة، وتقترح العناصر، وتتحكم في الآلات، أو تنفّذ مهام أخرى لتحويل المدخلات إلى مخرجات.
«النموذج الأفضل يضمن منتجاً أفضل»
يمكن لنموذج أقوى أن يحسّن القدرة الأولية للنظام، لكن جودة المنتج تعتمد أيضاً على البيانات والتعليمات والأدوات ووسائل الحماية ووقت الاستجابة وتصميم الواجهة ومدى ملاءمة النموذج للمهمة الفعلية. فالنموذج عنصر محوري، لكنه ليس العنصر الوحيد.
كيف تندرج نماذج الذكاء الاصطناعي في النظام الأوسع؟
يبدأ مشروع الذكاء الاصطناعي بمهمة وبطريقة ما للحكم على السلوك المفيد. وينتج التدريب نموذجاً أو يكيّفه. ويفحص التقييم سلوكه في ظروف مختارة. ويوفّر النشر القدرة الحاسوبية والبرمجيات المحيطة اللازمة لتشغيله. ثم تراقب المتابعة حالات الفشل والمدخلات المتغيرة وأسباب تحديث النموذج أو النظام.
ولهذا السبب، فإن سؤال «أي نموذج يستخدم هذا؟» ليس سوى بداية سؤال مفيد. فقد تحتاج أيضاً إلى معرفة الإصدار الذي يعمل، والمدخلات التي يتلقاها، وكيفية معالجة مخرجه، وما الذي جرى تقييمه من أجله، وأين يتخذ إنسان أو برنامج آخر القرار النهائي.
إلى أين تتابع؟
اقرأ ما هو التدريب في الذكاء الاصطناعي؟للتعرّف على العملية التي تنشئ حالة النموذج المتعلَّمة، ثم ما هو الاستدلال في الذكاء الاصطناعي؟لفهم ما يحدث عندما يعالج نموذج مدرَّب مدخلاً جديداً. ويشرح ما هو نموذج LLM؟عائلة النماذج التي تقف وراء كثير من منتجات النصوص والمحادثة.