كل ما ترغب في معرفته عن أساسيات نماذج اللغة الكبيرة للذكاء الاصطناعي
<p dir="RTL" ><span ><span >يبدو أن نماذج اللغة الكبيرة (<span dir="LTR">LLMs</span>)، ستحدث ثورة في كيفية تفكيرنا في الذكاء الاصطناعي وتطبيقاته المحتملة.</span></span></p>
<p dir="RTL" ></p>
<p dir="RTL" ><span ><span >يعرف عمالقة التكنولوجيا مثل مايكروسوفت وميتا وجوجل أن نماذج اللغات الكبيرة أصبحت ضرورية للناس للابتكار والأتمتة وتحسين حياة المستخدم النهائي ككل. </span></span></p>
<p dir="RTL" ></p>
<p dir="RTL" ><span ><span >ولعل أحد الأمثلة على ذلك هو شات جي بي تي، الذي يستخدم المحول التوليدي المدرّب مسبقًا من شركة أوبن إيه (<span dir="LTR">OpenAI</span>) لإنجاز المهام في بضع ثوانٍ والتي تستغرق عادةً ساعات أو أيامًا.</span></span></p>
<p dir="RTL" ></p>
<p dir="RTL" ><span ><span >ولكن أولاً، دعونا نستكشف أساسيات نموذج اللغة الكبيرة وتطبيقاتها في حالات الاستخدام في العالم الحقيقي. </span></span></p>
<p dir="RTL" ></p>
<p dir="RTL" ><img src="https://argaamplus.s3.amazonaws.com/922bfc28-3a1f-4e2f-ad4b-1a31911a26ea.png" ></p>
<p dir="RTL" ></p>
<p dir="RTL" ><strong><span ><span >ما النماذج اللغوية الكبيرة؟</span></span></strong></p>
<p dir="RTL" ></p>
<p dir="RTL" ><span ><span >- نماذج اللغة الكبيرة هي نماذج تعليم عميق كبيرة جدًا مدرَّبة مسبقًا على كميات هائلة من البيانات. وهي تُستخدم لأغراض إنشاء المحتوى والتلخيص والترجمة والتصنيف وتحليل المشاعر وغير ذلك الكثير.</span></span></p>
<p dir="RTL" ></p>
<p dir="RTL" ><strong><span ><span >كيف تعمل نماذج اللغة الكبيرة؟</span></span></strong></p>
<p dir="RTL" ></p>
<p dir="RTL" ><span ><span >- لفهم كيفية عمل نماذج اللغة الكبيرة، تحتاج أولاً إلى فهم بنية المحولات. وهي العمود الفقري لنماذج المحولات مثل جي بي تي والكثير من النماذج البارزة الأخرى. </span></span></p>
<p dir="RTL" ></p>
<p dir="RTL" ><span ><span >- بنية المحول هي بنية شبكة عصبية تسمح بالمعالجة المتوازية وتستخدمها نماذج لغوية كبيرة لمعالجة البيانات وتوليد استجابات ذات صلة بالسياق. </span></span></p>
<p dir="RTL" ></p>
<p dir="RTL" ><span ><span >- وهو يتألف من سلسلة من الطبقات، حيث تتكون كل طبقة من مكونات معالجة متوازية تسمى آليات الانتباه وشبكات التغذية الأمامية. </span></span></p>
<p dir="RTL" ></p>
<p dir="RTL" ><span ><span >- تزن آليات الانتباه أهمية كل كلمة، باستخدام النماذج الإحصائية لتعلم العلاقات بين الكلمات ومعانيها. يسمح هذا لنماذج اللغة الكبيرة بمعالجة التسلسلات بالتوازي وتوليد استجابات ذات صلة بالسياق.</span></span></p>
<p dir="RTL" ></p>
<div >
<table align="center" border="0" cellpadding="0" cellspacing="0" dir="rtl" width="100%">
<tbody>
<tr >
<td colspan="3" >
<p dir="RTL" ><span ><span ><strong><span >ما بعض الأمثلة على النماذج اللغوية الكبيرة؟</span></strong></span></span></p>
</td>
</tr>
<tr >
<td >
<p dir="RTL" ><span ><span ><strong><span >تمثيلات التشفير ثنائية الاتجاه من نماذج المحولات(</span></strong><span dir="LTR"><span >BERT</span></span><strong><span >)</span></strong></span></span></p>
</td>
<td >
<p dir="RTL" ></p>
</td>
<td >
<p dir="RTL" ></p>
<p dir="RTL" ><span ><span ><span >- أحدثت "بيرت" ثورة في البرمجة اللغوية العصبية من خلال فهم السياق ثنائي الاتجاه.</span></span></span></p>
<p dir="RTL" ></p>
<p dir="RTL" ><span ><span ><span >- وهي مصممة لأداء مهام معالجة اللغة الطبيعية مثل تحليل المشاعر والإجابة عن الأسئلة وتصنيف النصوص.</span></span></span></p>
<p dir="RTL" ></p>
</td>
</tr>
<tr >
<td >
<p dir="RTL" ><span ><span ><strong><span >المحول التوليدي مسبق التدريب(</span></strong><span dir="LTR"><span >GPT</span></span><strong><span >-3)</span></strong></span></span></p>
</td>
<td >
<p dir="RTL" ></p>
</td>
<td >
<p dir="RTL" ></p>
<p dir="RTL" ><span ><span ><span >- تم تطوير جي بي تي-3 بواسطة شركة أوبن إيه، وهو نموذج لغوي كبير يعد أحد أكثر نماذج الذكاء الاصطناعي تقدمًا في العالم.</span></span></span></p>
<p dir="RTL" ></p>
<p dir="RTL" ><span ><span ><span >- وقد تم تدريبه على كمية هائلة من البيانات النصية ويمكنه توليد استجابات شبيهة بالإنسان لمجموعة واسعة من الموضوعات والأسئلة.</span></span></span></p>
<p dir="RTL" ></p>
</td>
</tr>
<tr >
<td >
<p dir="RTL" ><span ><span ><strong><span >النماذج متعددة اللغات(</span></strong><span dir="LTR"><span >XLM-R</span></span><strong><span >)</span></strong></span></span></p>
</td>
<td >
<p dir="RTL" ></p>
</td>
<td >
<p dir="RTL" ></p>
<p dir="RTL" ><span ><span ><span >- هو نموذج لغوي كبير قائم على المحولات تم تدريبه مسبقًا على كمية هائلة من البيانات النصية بلغات متعددة.</span></span></span></p>
<p dir="RTL" ></p>
<p dir="RTL" ><span ><span ><span >- ويتم ضبطه لمهام محددة في البرمجة اللغوية العصبية مثل تصنيف النصوص والترجمة الآلية والإجابة عن الأسئلة.</span></span></span></p>
<p dir="RTL" ></p>
</td>
</tr>
<tr >
<td >
<p dir="RTL" ><span ><span ><strong><span >نظام التعرف التلقائي على الكلام واسع النطاق(</span></strong><span dir="LTR"><span >Whisper</span></span><strong><span >)</span></strong></span></span></p>
</td>
<td >
<p dir="RTL" ></p>
</td>
<td >
<p dir="RTL" ></p>
<p dir="RTL" ><span ><span ><span >- يتم تدريب "ويسبر" على 680 ألف ساعة من البيانات المتنوعة والمتعددة اللغات، مما يؤدي إلى تحسين قوة اللهجات والضوضاء في الخلفية واللغة التقنية.</span></span></span></p>
<p dir="RTL" ></p>
<p dir="RTL" ><span ><span ><span >- كما لديه القدرة على نسخ الكلام بلغات متعددة وإجراء الترجمة إلى اللغة الإنجليزية.</span></span></span></p>
<p dir="RTL" ></p>
</td>
</tr>
<tr >
<td >
<p dir="RTL" ><span ><span ><strong><span >مستقبل نماذج اللغات متعددة المهام(</span></strong><span dir="LTR"><span >T</span></span><strong><span >5)</span></strong></span></span></p>
</td>
<td >
<p dir="RTL" ></p>
</td>
<td >
<p dir="RTL" ></p>
<p dir="RTL" ><span ><span ><span >- هو نموذج لغوي كبير مصمم لأداء مهام البرمجة اللغوية العصبية المختلفة مثل إنشاء النص إلى نص والتلخيص والترجمة.</span></span></span></p>
<p dir="RTL" ></p>
<p dir="RTL" ><span ><span ><span >- ويُستخدم لضبط قدراته لمهام محددة في البرمجة اللغوية العصبية، مما يجعله نموذجًا متعدد الاستخدامات للغاية.</span></span></span></p>
<p dir="RTL" ></p>
</td>
</tr>
</tbody>
</table>
<div ></div>
</div>
<p dir="RTL" ><strong><span >لماذا تعد النماذج اللغوية الكبيرة مهمة جدًا للمؤسسات؟</span></strong></p>
<p dir="RTL" ></p>
<p dir="RTL" ><span ><span >تتمتع النماذج اللغوية الكبيرة بإمكانات هائلة للمنظمات، ويمكن أن تحدث نقلة نوعية في كيفية عملها. </span></span></p>
<p dir="RTL" ></p>
<p dir="RTL" ><img src="https://argaamplus.s3.amazonaws.com/093647c5-9051-412d-9957-562d658acf63.png" ></p>
<p dir="RTL" ></p>
<table align="center" border="1" cellpadding="0" cellspacing="0" dir="rtl" width="100%">
<tbody>
<tr >
<td colspan="2" >
<p dir="RTL" ><span ><span ><strong><span >أهمية النماذج اللغوية الكبيرة للمؤسسات</span></strong></span></span></p>
</td>
</tr>
<tr >
<td >
<p dir="RTL" ><span ><span ><strong>1- </strong><strong>قدرات معالجة اللغة الطبيعية المتقدمة </strong></span></span></p>
</td>
<td >
<p dir="RTL" ></p>
<p dir="RTL" ><span ><span >- في الماضي، تطلب بناء الذكاء الاصطناعي للمحادثة جهدًا كبيرًا من فريق من الخبراء الذين أمضوا ساعات لا تحصى في إنشاء خوارزميات متعددة للتعلم الآلي.</span></span></p>
<p dir="RTL" ></p>
<p dir="RTL" ><span ><span >- ومع ذلك، فإن ظهور نماذج لغوية كبيرة قد غير هذا المشهد. </span></span></p>
<p dir="RTL" ></p>
<p dir="RTL" ><span ><span >- بدلاً من استخدام خوارزميات متعددة، يقوم نموذج واحد الآن بتنفيذ جميع الوظائف التي كانت تؤديها أنظمة متعددة في السابق.</span></span></p>
<p dir="RTL" ></p>
</td>
</tr>
<tr >
<td >
<p dir="RTL" ><span ><span ><strong>2- </strong><strong>قدرات مذهلة</strong></span></span></p>
<p dir="RTL" ></p>
</td>
<td >
<p dir="RTL" ></p>
<p dir="RTL" ><span ><span >- تمتلك نماذج تعلم اللغة قدرة توليدية مذهلة تجعلها أصولًا قيمة للمؤسسة.</span></span></p>
<p dir="RTL" ></p>
<p dir="RTL" ><span ><span >- من خلال قدرات الذكاء الاصطناعي المتقدمة للمحادثة، يمكن لنماذج اللغة الكبيرة مساعدة الشركات في استكشاف أفكار جديدة، وتطوير منتجات وخدمات جديدة، وتحسين المنتجات والخدمات الحالية. </span></span></p>
<p dir="RTL" ></p>
<p dir="RTL" ><span ><span >- يمكن لمديري اللغة أيضًا تحليل وفهم كميات كبيرة من البيانات والمعلومات، مما يسمح لهم بتقديم توصيات ثاقبة لتحسين العمليات التجارية وصنع القرار. </span></span></p>
<p dir="RTL" ></p>
<p dir="RTL" ><span ><span >- علاوة على ذلك، تسهل واجهة المحادثة الخاصة بنماذج اللغة الكبيرة على فرق العمل المشاركة والتعاون في الأفكار والمشاريع، مما يزيد من الإنتاجية وتبسيط العملية الإبداعية.</span></span></p>
<p dir="RTL" ></p>
</td>
</tr>
<tr >
<td >
<p dir="RTL" ><span ><span ><strong>3- </strong><strong>تجربة مستخدم سلسة</strong></span></span></p>
</td>
<td >
<p dir="RTL" ></p>
<p dir="RTL" ><span ><span >- تقدم نماذج تعلم اللغة تجربة مستخدم محادثة سلسة لا مثيل لها في أنظمة الذكاء الاصطناعي التقليدية.</span></span></p>
<p dir="RTL" ></p>
<p dir="RTL" ><span ><span >- يمكن للمؤسسة تسخيرها من خلال دمج نماذج اللغة الكبيرة في التطبيقات التي تواجه العملاء، مثل روبوتات الدردشة، لتحسين الاتصال الداخلي والدعم. </span></span></p>
<p dir="RTL" ></p>
<p dir="RTL" ><span ><span >- تسمح أتمتة بعض مهام الدعم من خلال المحادثة للشركات بتوفير موارد قيمة والتركيز على القضايا الأكثر تعقيدًا التي تتطلب خبرة بشرية.</span></span></p>
<p dir="RTL" ></p>
</td>
</tr>
</tbody>
</table>
<div ></div>
<p dir="RTL" ><strong><span >ما نقاط ضعف نماذج اللغة الكبيرة؟</span></strong></p>
<p dir="RTL" ></p>
<p dir="RTL" ><span ><span >هناك نقاط ضعف رئيسية في نموذج اللغة الكبيرة يجب مراعاتها عند التفكير في كيفية تطبيقها عمليًا في مجال الأعمال.</span></span></p>
<p dir="RTL" ></p>
<p dir="RTL" ><img src="https://argaamplus.s3.amazonaws.com/5e3637c0-dfd2-4205-bf6b-8cc1bdee8801.png" ></p>
<table align="center" border="1" cellpadding="0" cellspacing="0" dir="rtl" width="100%">
<tbody>
<tr >
<td colspan="2" >
<p dir="RTL" ></p>
<p dir="RTL" ><span ><span ><strong><span >نقاط ضعف نماذج اللغة الكبيرة</span></strong></span></span></p>
</td>
</tr>
<tr >
<td >
<p dir="RTL" ><span ><span ><strong>1- </strong><strong>دقة غير متناسقة</strong></span></span></p>
</td>
<td >
<p dir="RTL" ></p>
<p dir="RTL" ><span ><span >- تُعد نماذج اللغة الكبيرة، بما في ذلك شات جي بي تي، من الأدوات القوية التي يمكن أن توفر إجابات دقيقة على الأسئلة المعقدة.</span></span></p>
<p dir="RTL" ></p>
<p dir="RTL" ><span ><span >- على الرغم من قدراتها المثيرة للإعجاب، لا يزال هناك خطر تقديم ردود غير دقيقة أو خاطئة، والمعروفة باسم "الهلوسة".</span></span></p>
<p dir="RTL" ></p>
<p dir="RTL" ><span ><span >- يمكن أن يكون لهذه الظاهرة آثار خطيرة في الصناعات الحيوية مثل الرعاية الصحية والعمليات التجارية. </span></span></p>
<p dir="RTL" ></p>
<p dir="RTL" ><span ><span >- لذا، من الضروري تقديم ضمانات مثل الرقابة البشرية لتحسين المدخلات والتحكم في المخرجات للتخفيف من هذه المخاطر. </span></span></p>
<p dir="RTL" ></p>
</td>
</tr>
<tr >
<td >
<p dir="RTL" ><span ><span ><strong>2- </strong><strong>بيانات التدريب القديمة</strong></span></span></p>
</td>
<td >
<p dir="RTL" ></p>
<p dir="RTL" ><span ><span >- يتم تدريب النماذج اللغوية الكبيرة على كميات هائلة من البيانات النصية لفهم اللغة الطبيعية والاستجابة لها بطريقة تشبه الإنسان. </span></span></p>
<p dir="RTL" ></p>
<p dir="RTL" ><span ><span >- ومع ذلك، تقتصر بيانات التدريب الخاصة بها على فترة زمنية محددة وقد لا تعكس الوضع الحالي للعالم.</span></span></p>
<p dir="RTL" ></p>
<p dir="RTL" ><span ><span >- يُعد تحديث المعرفة أمرًا معقدًا ويتطلب إعادة تدريب النموذج، وهو أمر مكلف للغاية.</span></span></p>
<p dir="RTL" ></p>
<p dir="RTL" ><span ><span >- حتى ذلك الحين، ليس هناك ما يضمن أن النموذج لن يوفر معلومات قديمة، حتى لو كان محرك البحث المقترن به يحتوي على معلومات محدثة. </span></span></p>
<p dir="RTL" ></p>
</td>
</tr>
<tr >
<td >
<p dir="RTL" ><span ><span ><strong>3- </strong><strong>مخاطر الخصوصية</strong></span></span></p>
</td>
<td >
<p dir="RTL" ></p>
<p dir="RTL" ><span ><span >- يتم تدريب نماذج اللغة الكبيرة على كميات هائلة من البيانات النصية، بما في ذلك المعلومات الشخصية الحساسة، والتي قد يكون بإمكانها الوصول إليها أثناء توليد الردود. </span></span></p>
<p dir="RTL" ></p>
<p dir="RTL" ><span ><span >- وبطبيعة الحال، يمكن تسريب هذه المعلومات الشخصية من خلال مخرجات النموذج أو بيانات التدريب.</span></span></p>
<p dir="RTL" ></p>
<p dir="RTL" ><span ><span >- بالإضافة إلى ذلك، قد لا تكون بيانات التدريب المستخدمة لتطوير نماذج اللغة الكبيرة دائمًا مجهولة المصدر أو آمنة بشكل صحيح، مما يزيد من خطر حدوث اختراقات للبيانات الشخصية.</span></span></p>
<p dir="RTL" ></p>
</td>
</tr>
</tbody>
</table>
<div ></div>
<p dir="RTL" ><span ><strong >المصدر</strong><span >: </span><strong >شركة موف ووركس</strong></span></p>
المصدر...
