ما هو التدريب
تدريب الذكاء الاصطناعي هو عملية تحسين. يعالج النموذج أمثلةً، ويقيس نظام التدريب مدى توافق مخرجاته مع هدفٍ ما. ثم يحدّث المعلمات القابلة للتعلّم في النموذج ويكرر العملية.
بالنسبة إلى شبكة عصبية مدرَّبة باستخدام التدرجات، تتضمن خطوة التدريب عادةً ثلاثة أجزاء أساسية:
- تشغيل النموذج إلى الأمام لإنتاج مخرج.
- حساب خسارة، وهي رقم يعبّر عن مدى ابتعاد المخرج عن هدف التدريب.
- حساب تغييرات المعلمات وتطبيقها بهدف تحسين المخرجات التالية.
لا تستخدم كل طريقة تدريب أمثلةً معنونة أو خوارزمية التحديث نفسها. ومع ذلك، تظل النتيجة المحدِّدة هي تغيّر الحالة المتعلَّمة: مجموعة جديدة من المعلمات، أو مكيّف محدَّث، أو نقطة تحقق جديدة يمكن استخدامها لاحقًا.
ما هو الاستدلال
يشغّل استدلال الذكاء الاصطناعي نموذجًا مدرَّبًا لحساب تنبؤ أو توليد أو درجة أو تضمين أو مخرج آخر. تستخدم العملية الحالة المتعلَّمة المحددة للنموذج، لكنها لا تطبّق تحديثًا تدريبيًا عليها.
يمكن أن يحدث الاستدلال عند إرسال مطالبة إلى روبوت محادثة، أو عندما يحسب نموذج لاكتشاف الاحتيال درجةً لمعاملة، أو عندما تعالج شركة مجموعةً من الصور التي التُقطت خلال ليلة كاملة دفعةً واحدة. وليس من الضروري أن يحدث الاستدلال مباشرةً، كما لا يلزم أن يكون مدخله جديدًا حرفيًا. المهم هو أن المدخل يُستخدم للحصول على مخرج، لا لتحديث النموذج في تلك العملية.
التمييز الفعلي
أوضح تمييز هو ما يحدث بعد أن يحسب النموذج مخرجًا.
- التدريب: يستخدم إشارةً من هدف لتغيير الحالة المتعلَّمة.
- الاستدلال: يستخدم المخرج مع إبقاء الحالة المتعلَّمة ثابتة.
وهذا أكثر موثوقيةً من القول إن التدريب بطيء والاستدلال سريع، أو إن التدريب يحدث في مختبر بينما يحدث الاستدلال في منتج. فكثيرًا ما تكون هذه الأوصاف صحيحة، لكن من السهل العثور على استثناءات.
| Dimension | Training | Inference |
|---|---|---|
| Primary purpose | Improve or adapt the model | Produce an output from the model |
| Learned parameters | Updated during the process | Read and used, but not updated by the operation |
| Typical gradient-based work | Forward calculation, objective calculation, backward calculation, optimizer update | Forward model calculation only |
| Input role | Supplies evidence for a learning objective | Supplies the case for which an output is needed |
| Result | Updated parameters, adapter, or checkpoint | Prediction, generation, score, embedding, or action signal |
| Timing | Can be one-off, periodic, or continuous | Can be request-driven, streamed, scheduled, or batched |
| Main system concerns | Learning quality, stability, data, memory, and time to reach an objective | Output quality, latency, throughput, reliability, and cost per workload |
يمكن أن تستخدم المرحلتان بنية النموذج نفسها والكثير من العتاد نفسه. ولا تلغي هذه أوجه التشابه الحدَّ الفاصل بينهما؛ بل إن وجود تحديث للتعلّم أو غيابه هو ما يفعل ذلك.
مثال عملي
لنفترض أنك تبني مرشّحًا للرسائل غير المرغوب فيها. الأرقام التالية توضيحية.
أثناء التدريب، يتلقى النموذج رسالة بريد إلكتروني تحمل التصنيف المعروف "غير مرغوب فيها". ويمنح الرسالة درجة 0.40 لكونها غير مرغوب فيها. يقارن نظام التدريب تلك الدرجة بالتصنيف المعروف، ويحسب خطأً، ويعدّل معلمات النموذج. ويكرر هذه العملية عبر أمثلة كثيرة. ثم تمنح نقطة تحقق محفوظة لاحقًا رسالة التدريب نفسها درجة 0.91.
والآن يتلقى المرشّح رسالة بريد إلكتروني واردة من مستخدم. أثناء الاستدلال، تمنحها نقطة التحقق المحفوظة درجة 0.82 لكونها غير مرغوب فيها. وقد ينقل التطبيق الرسالة إلى مجلد الرسائل غير المرغوب فيها. لكن هذا الإجراء، بحد ذاته، لا يعلّم النموذج شيئًا. وتظل المعلمات المستخدمة للرسالة التالية كما هي.
إذا جمع النظام لاحقًا رسائل بريد إلكتروني راجعها أشخاص واستخدمها لتحديث النموذج، فإن تشغيل التحسين اللاحق هذا يُعد تدريبًا. فالتنبؤ وتحديث التعلم عمليتان منفصلتان، حتى عندما توفر إحداهما بيانات للأخرى.
متى تكون كل منهما مهمة
تحدد خيارات التدريب السلوك الذي يصبح جزءًا من الحالة المتعلَّمة للنموذج. وتؤثر البيانات والهدف وطريقة التحديث ونقطة التوقف جميعها في نقطة التحقق التي ستكون متاحة للاستخدام.
تحدد خيارات الاستدلال كيفية تصرف نقطة التحقق تلك تحت عبء عمل حقيقي. وقد يحسّن فريقٌ ما الاستجابة السريعة لمستخدم واحد، أو معالجة دفعة كبيرة بكفاءة، أو جودة المخرجات المتوقعة، أو يوازن بين هذه الأهداف.
تعتمد مقارنة التكلفة على النظام. فقد يستهلك تشغيل تدريبي رئيسي واحد قدرًا من الحوسبة يفوق بكثير ما يستهلكه طلب استدلال واحد. ومع ذلك، قد تنفق خدمة تتلقى عددًا كافيًا من الطلبات على الاستدلال إجمالًا أكثر. وقد يغيّر نموذج يُعاد تدريبه كثيرًا هذا التوازن مرة أخرى. والقول إن "التدريب أكثر تكلفة" ناقص ما لم تُذكر وحدة القياس والفترة الزمنية.
ما الذي يخلط الناس بينه
الاستدلال ليس تعلّمًا تلقائيًا
قد يحفظ تطبيق للذكاء الاصطناعي المحادثات، أو يسترجع المستندات، أو يحدّث ذاكرةً مؤقتة، أو يتذكر تفضيلًا للمستخدم أثناء تلبية طلب. هذه تغييرات تطرأ على التطبيق المحيط، وليست تدريبًا للنموذج إلا إذا غيّرت عملية تعلّم معلمات النموذج أو مكوّنًا متعلّمًا آخر.
التقييم عملية مجاورة
غالبًا ما يبدو التحقق والاختبار شبيهين بالاستدلال لأن النموذج ينتج مخرجات من دون تحديث للمعلمات. لكنهما يختلفان في الغرض: إذ يقارن التقييم المخرجات بإجابات أو معايير معروفة لقياس النموذج. وقد تتوقف عملية التدريب بين جولات التحديث لتقييم نقطة تحقق، لكن عملية التقييم هذه ليست تحديثًا تدريبيًا بحد ذاتها.
الضبط الدقيق يظل تدريبًا
يبدأ الضبط الدقيق من نقطة تحقق موجودة بدلًا من نموذج غير مدرَّب. وقد يحدّث جميع معلمات النموذج أو مكيّفًا أصغر فقط. وفي كلتا الحالتين، يغيّر الحالة المتعلَّمة لتحقيق هدف، ولذلك يقع ضمن جانب التدريب من الحد الفاصل.
يمكن تشبيك المرحلتين
يمكن لنظام منشور أن يُجري تنبؤات الآن، ويجمع الملاحظات، ثم يدرّب نموذجًا منقحًا لاحقًا. ويمكن للتعلم عبر الإنترنت أن يتناوب بين خطوات التنبؤ والتحديث أو يجمعهما على نحو أكثر تقاربًا. وقد تبدو دورة الحياة ضبابية، لكن لا يزال من الممكن تحديد كل عملية وفقًا لما إذا كانت تحدّث الحالة المتعلَّمة.
إلى أين تذهب بعد ذلك
اقرأ ما هو التدريب في الذكاء الاصطناعي؟ لفهم عملية التحسين التي تغيّر النموذج. واقرأ ما هو الاستدلال في الذكاء الاصطناعي؟ لفهم كيفية تحويل النموذج المدرَّب للمدخلات إلى مخرجات في الأنظمة التفاعلية وأنظمة المعالجة الدفعية.