الذكاء الاصطناعي وتعلّم الآلة: توظيف التقنية لتحسين الأداء

استخدام الذكاء الاصطناعي في التحليل والتنبؤ

أنظمة المحادثة واللغة المنطوقة: الماضي والحاضر

قبل عقدين من الزمن كانت هناك بالفعل أنظمة قادرة على التحاور باللغة الطبيعية، لكنها كانت بعيدة عن الكمال ومحدودة من نواحٍ كثيرة. ورغم أنّ تقنيات التعرّف على الكلام كانت متاحة قبل ظهور ChatGPT بوقت طويل، فقد واجهت تحدّيات معقّدة وقيوداً كبيرة في الأداء.

تحدّيات تدريب أنظمة الذكاء الاصطناعي

يتطلّب تطوير أنظمة الذكاء الاصطناعي تغذيتها بكمّ هائل من الأمثلة. ولكي يجيب النظام إجابةً صحيحة عن الأسئلة، لا بدّ من تدريب مكثّف على سيناريوهات متنوّعة. فعلى سبيل المثال، عند طرح سؤال مثل «كيف يغرّد الطائر؟» يُتوقّع من النظام أن يجيب «تغريداً». وإذا أخطأ النظام يجري تصحيحه، وهكذا يتحسّن مع مرور الوقت.

التعلّم من الأخطاء

لكي تتمكّن أنظمة الذكاء الاصطناعي من رصد أخطائها وتصحيح نفسها، من الضروري معرفة الإجابة الصحيحة لكل سؤال مسبقاً. فإذا أخطأ النظام تُقدَّم له الإجابة الصحيحة فيتعلّم منها بشكل موجَّه. في الماضي كانت هذه العملية تتطلّب التعلّم المُوجَّه: عملاً ضخماً يشمل كتابة آلاف الأسئلة وإجاباتها الصحيحة.

إيليا سوتسكيفر واختراق OpenAI

إيليا سوتسكيفر، المولود في روسيا والمهاجر إلى إسرائيل، أصبح أحد أبرز روّاد مجال الذكاء الاصطناعي. وبعد دراسة الدكتوراه في علوم الحاسوب في كندا وتولّيه منصب كبير العلماء في OpenAI، اختار إيليا تغيير النهج واستكشاف أساليب تدريب جديدة لروبوتات المحادثة: التعلّم غير المُوجَّه.

ما هو التعلّم غير المُوجَّه؟

يقوم هذا النهج على تدريب النظام على جُمل كاملة مأخوذة من نصوص قائمة، مع حذف الكلمة الأخيرة كي يخمّنها النظام. وإذا أخطأ يُصحَّح ويواصل التعلّم من ذلك. وهكذا تنشأ عملية تدريب آلية وأكثر كفاءة بكثير.

دمج تقنية Transformer

حظي أسلوب التعلّم غير المُوجَّه بقفزة نوعية مع تطوير بنية Transformer على يد باحثين في جوجل عام 2017. وقد أدّى الجمع بين Transformer ونهج التعلّم غير المُوجَّه إلى تطوير GPT-1، الذي قدّم أداءً أفضل بكثير من سابقيه.

تطوّر نماذج GPT

واصلت OpenAI تحسين النموذج وتوسيعه حتى بلغت الذروة مع إطلاق GPT-3.5 عام 2022. ويُعدّ هذا النموذج من أكثر روبوتات المحادثة تقدّماً، إذ دُرِّب على كميات هائلة من المعلومات ويقدّم قدرات مبهرة ورائدة.

نماذج مفتوحة المصدر داخل شبكتكم

تتجنّب مؤسسات كثيرة دمج نماذج لغوية مثل ChatGPT خشية تسرّب معلومات حسّاسة، فيما تختار أخرى شراء تراخيص لخدمات تجارية لكنها تقيّد استخدامها، خصوصاً حين يتعلّق الأمر بمحتوى قابل للمشاركة. وفي الآونة الأخيرة نشهد ثورة في مجال النماذج اللغوية مفتوحة المصدر؛ فهذه النماذج تتميّز بجودتها وتتفوّق أحياناً على النماذج التجارية.

نقترح تشغيل هذه النماذج مفتوحة المصدر على شبكتكم الداخلية، دون اتصال بالإنترنت (On-Premise)، وهو ما يتيح مزايا جوهرية. أولاً، أمن معلومات مطلق — تبقى جميع البيانات داخل الشبكة الداخلية دون أي خطر للتسريب. ثانياً، ملاءمة فريدة لاحتياجات مؤسستكم — إذ يتيح الوصول الكامل إلى النموذج إجراء تخصيصات دقيقة لعوالم المحتوى الخاصة بكم. إضافةً إلى ذلك، هناك توفير كبير في التكاليف — فالنماذج نفسها مجانية، والنفقة الوحيدة هي تكلفة الحوسبة، وهي عادةً أقل بكثير من تراخيص الاستخدام التجارية.

يسرّ فريقنا أن يقدّم لكم المشورة بشأن بنية الشبكة الداخلية وأن يضع لكم خطة مخصّصة لتطبيق نموذج لغوي خاص.

ماذا تستطيع النماذج اللغوية أن تقرأ

تفتح النماذج القائمة على اللغة والحلول المتقدّمة للتحليل اللغوي الباب إلى عالم جديد من الفهم العميق للنصوص والكلام. فبفضل هذه التقنية تستطيع هذه النماذج قراءة النصوص وتحليلها مهما كان طولها، واستخلاص رؤى مهمّة تخدم طيفاً واسعاً من التطبيقات.

تتيح النماذج فهم النصوص وتقييمها بعمق، بما في ذلك التعرّف على المشاعر التي يعكسها المحتوى — كالفرح أو الإحباط أو الغضب — بل وحتى التمييز بين الطلبات العاجلة وتلك الأقل إلحاحاً. كذلك يمكن قياس مستوى التهذيب في الحوار أو التمييز بين اللغة اليومية واللغة الرسمية، ما يسمح بتحسين الخدمات وتعزيز تجربة العملاء.

وتدعم هذه التقنية، التي تشمل نماذج مثل Llama 3 وMixtral، اللغة العبرية، وهي قادرة على تحليل النصوص والمحادثات بدقّة، بما في ذلك التسجيلات الصوتية في الزمن الحقيقي. وتسهم هذه التطبيقات في تحسين خدمة العملاء، سواء عبر رصد الأنماط وتحسين عمليات البيع أو عبر التعرّف على الاتجاهات التجارية الناشئة. وهكذا يمكن بناء برامج تدريب مخصّصة وتحسين استراتيجيات التسويق واستخلاص رؤى جديدة من المعلومات المهنية.

نماذج إضافية لفهم اللغة وتحليلها

إلى جانب النماذج المذكورة أعلاه، توجد نماذج أخرى تُستخدم لفهم اللغة وتحليلها بشكل متقدّم وتدعم طيفاً واسعاً من التطبيقات:

• BERT (Bidirectional Encoder Representations from Transformers) — طوّرته جوجل ويُستخدم لفهم سياق الكلمات ومعناها داخل الجُمل عبر تحليل ثنائي الاتجاه للنص. وهو مُهيّأ لمهام مثل الإجابة عن الأسئلة والتعرّف على الكيانات المسمّاة وتصنيف النصوص.
• GPT-4 (Generative Pretrained Transformer) — نموذج توليدي قوي من OpenAI يُستخدم لإنتاج نصوص مخصّصة والترجمة وتحليل المحادثات وغير ذلك. يعمل بلغات متعدّدة ويدعم توليد محتوى آلي ودقيق وفق احتياجات المستخدم.
• RoBERTa (Robustly Optimized BERT) — نسخة محسّنة من BERT بُنيت خصيصاً لفهم النص فهماً عميقاً، باستخدام بيانات تدريب إضافية وأساليب جديدة تجعله أسرع وأدقّ.
• DistilBERT — نموذج أصغر وأخفّ من BERT لكنه يحافظ على أداء لافت في مهام فهم اللغة. مناسب للتطبيقات التي تتطلّب معالجة أسرع بموارد محدودة.
• XLNet — نموذج أكثر تقدّماً من BERT طوّره فريق جوجل بهدف تجاوز قيود تعلّم ترتيب الكلمات. يحلّل النص بترتيبات محتملة متعدّدة ويحسّن دقّة فهم السياق.
• T5 (Text-to-Text Transfer Transformer) — نموذج متعدّد الاستخدامات يتعامل مع كل مسألة بوصفها مهمّة تحويل من نص إلى نص، ما يتيح حلّ طيف واسع من مسائل معالجة اللغة الطبيعية مثل تلخيص النصوص والترجمة والإجابة عن الأسئلة.
• ALBERT (A Lite BERT) — نسخة أكثر كفاءة من BERT تقلّل عدد المعاملات وتُحسّن عملية المعالجة مع الحفاظ على دقّة عالية، ما يجعله أداة متاحة وفعّالة في مهام تحليل اللغة.
• Whisper — نموذج توليدي من OpenAI لتحليل اللغة المنطوقة وفهمها، يوفّر التعرّف على الكلام وتحويل المحادثات إلى نص، بما في ذلك التعرّف على اللغة والتفريغ النصّي والترجمة.

يساعد استخدام هذه النماذج المؤسسات على تحسين عمليات مثل خدمة العملاء وتحليل المحادثات وفهم المستندات المعقّدة وتحسين تجربة المستخدم، مع ملاءمة دقيقة للاحتياجات التجارية والمتطلّبات اللغوية الخاصة.

نقاط أساسية

• تحليل البيانات بالذكاء الاصطناعي: فهم البيانات وسلوك المستخدمين.
• أتمتة ذكية: بناء عمليات آلية توفّر الوقت.
• تنبؤات تجارية: استخدام النماذج لاستشراف الاتجاهات المستقبلية.

أمثلة على التطبيق

• تحليل بيانات المستخدمين وسلوكهم لرصد الاتجاهات وفرص التحسين.
• إنشاء أتمتة تنفّذ المهام المتكرّرة تلقائياً.
• تطوير نماذج للتنبؤ باتجاهات السوق وبأداء الشركة.

وتيرة التأثير

• شركات التكنولوجيا: تأثير سريع؛ خلال أشهر يمكن ملاحظة تحسّن كبير في الأداء.
• الشركات المالية: وتيرة أبطأ، لكن بتأثير تراكمي على التنبؤ بالاتجاهات وتحسين الأداء التجاري.

تعلّم الآلة مبهر على الورق، لكن عملياً، من دون بيانات متاحة ونظيفة لا يوجد ما يُعلَّم. وعند تطبيق الذكاء الاصطناعي في مؤسسة، ينبغي أن يكون السؤال الأول عن البنية التحتية لا عن التقنية.