ماهو الذكاء الاصطناعي التوليدي؟

ما هو الذكاء الاصطناعي التوليدي؟

الذكاء الاصطناعي التوليدي، والذي يُختصر غالبًا إلى GenAI، هو أي نوع من الذكاء الاصطناعي القادر على إنشاء محتوى جديد بنفسه. يتضمن محتوى الذكاء الاصطناعي التوليدي النصوص والصور ومقاطع الفيديو والموسيقى والترجمات والملخصات والرموز. كما يمكنه إكمال مهام معينة، مثل الإجابة على أسئلة مفتوحة وتنفيذ تعليمات شبه عشوائية والمشاركة في المحادثات.

تم تعريف الجمهور العام بمعنى GenAI من خلال خدمات مثل ChatGPT و DALL-E، مما أدى أيضًا إلى زيادة شعبية التكنولوجيا بشكل كبير.

كيف يعمل الذكاء الاصطناعي التوليدي؟

تستخدم نماذج GenAI التعلم العميق لتحديد وتحليل الأنماط داخل مجموعات البيانات الموجودة. وعلى غرار سلوك الدماغ البشري، تستخدم هذه النماذج المحولات وغيرها من هياكل التعلم العميق لمعالجة مجموعات البيانات و"التعلم" منها. يتم تدريب نماذج الذكاء الاصطناعي هذه على كميات هائلة من البيانات لإنشاء محتوى جديد وأصلي.

يمكنك إعطاء نموذج الذكاء الاصطناعي "مطالبة" بمجرد تدريبه عن طريق إدخال شيء مثل نص أو صورة أو سلسلة من النوتات الموسيقية. ثم تقوم الخوارزميات بإنشاء محتوى جديد في المقابل. ويمكنها حتى العمل عبر الوسائط، على سبيل المثال، باستخدام صورة لإنشاء تعليق نصي أو إنشاء صورة من وصف نصي.

أحد الأنواع الشائعة لنماذج الذكاء الاصطناعي التوليدي هو نماذج اللغة الكبيرة (LLMs)، والتي يتم تدريبها على النص. تتعلم هذه النماذج التعرف على الكلمات المستخدمة بشكل تسلسلي. يمكنها بعد ذلك تكوين جملة من خلال التنبؤ بالكلمة التي من المرجح أن تأتي بعد ذلك في التسلسل، مما يؤدي إلى إخراج يبدو طبيعيً

أمثلة على نماذج الذكاء الاصطناعي التوليدي

هناك عدة أنواع من نماذج الذكاء الاصطناعي التوليدي قيد الاستخدام حاليًا. تختلف أساليبها وحالات استخدامها، ولكنها جميعًا تجمع بين خوارزميات مختلفة لمعالجة المحتوى وإنشائه.

الشبكات التنافسية التوليدية (GANs)

يحتوي نموذج GAN على شبكتين عصبيتين يتم تدريبهما في نفس الوقت. تسمى هاتان الشبكتان المولد والمميز، وتتنافسان مع بعضهما البعض في سيناريو يشبه اللعبة. 

يقوم المولد بإنشاء مخرجات جديدة، مثل صورة بناءً على مطالبة. ثم يقوم المميز بتقييم هذا المحتوى الجديد للتأكد من صحته ويقدم ملاحظات إلى المولد للمساعدة في تحسين مخرجاته. يحاول المولد دائمًا خداع المميز لقبول المحتوى الناتج على أنه "حقيقي"، بينما يسعى المميز دائمًا إلى تحسين قدرته على معرفة الفرق.

من الأمثلة المعروفة لنموذج GAN هو Midjourney (أداة GenAI لتحويل النص إلى صورة). ومع ذلك، لا تقتصر GANs على إنشاء الصور؛ فقد أنتجت أيضًا محتوى نصيًا وفيديو. 

إن المنافسة المستمرة بين مولد GAN والمميز تعني أنهما يمكنهما توليد مخرجات عالية الجودة بسرعة. ومع ذلك، من المهم التأكد من توازن الشبكتين لتجنب مشكلات مثل الإفراط في التجهيز وانهيار الوضع وانخفاض التدرجات.

أجهزة التشفير التلقائي المتغيرة (VAEs)

تستخدم نماذج التشفير التلقائي أيضًا شبكتين لتفسير البيانات وتوليدها. في هذا النموذج، تسمى الشبكتان المشفر وفك التشفير. يتم تدريب شبكة التشفير على ضغط البيانات إلى تنسيق مبسط أو كامن يلتقط الميزات الرئيسية. وفي الوقت نفسه، يتم تدريب نموذج فك التشفير لإعادة بناء المحتوى من البيانات الكامنة. 

تستخدم نماذج VAE مساحات كامنة مستمرة لتمكين التباين المحلي بين نقاط بيانات التدريب. ومن خلال فك تشفير المعلومات المضغوطة المعدلة قليلاً، ينتج نموذج VAE محتوى مشابهًا، ولكنه أصلي في النهاية.

غالبًا ما يُستخدم هذا النموذج لإنشاء الصور واكتشاف الشذوذ، ولكن يمكنه أيضًا إنشاء نصوص ومقاطع صوتية. تتميز نماذج VAE بالسرعة في إنشاء مخرجات مثل الصور، ولكنها قد تفتقر إلى التفاصيل مقارنة ببعض النماذج الأخرى.

انحداري ذاتي

تعمل نماذج الذكاء الاصطناعي التوليدية الانحدارية الذاتية على إنشاء عينات جديدة من خلال مراعاة سياق العناصر التي تم إنشاؤها مسبقًا. وهي تنمذج توزيع الاحتمالات الشرطية لكل نقطة بيانات وتولد بيانات جديدة من خلال التنبؤ بالعنصر التالي في التسلسل.

تنتج هذه النماذج البيانات بشكل متسلسل، عنصرًا تلو الآخر، مما يسمح بإنشاء تسلسلات معقدة. تُستخدم الذكاء الاصطناعي الانحداري التلقائي عادةً في إنشاء النصوص (مثل ChatGPT) ونمذجة اللغة وتأليف الموسيقى.

نماذج الانتشار

تُسمى نماذج الانتشار أحيانًا أيضًا بنماذج احتمالية انتشارية لإزالة الضوضاء (DDPMs). يتم تدريبها من خلال عملية مكونة من خطوتين تتضمن الانتشار الأمامي والانتشار العكسي. 

أثناء الانتشار الأمامي، تتم إضافة ضوضاء غاوسية عشوائية تدريجيًا إلى بيانات التدريب، مما يؤدي إلى تدميرها فعليًا. ثم يتعلم الذكاء الاصطناعي إعادة بناء العينات من خلال الانتشار العكسي. بمجرد تدريبها بالكامل، يمكن لنماذج الانتشار إنشاء بيانات جديدة من ضوضاء عشوائية تمامًا.

محولات

تستخدم المحولات نوعًا محددًا من التعلم الآلي الذي يساعدها في معالجة العلاقات طويلة الأمد بين بيانات الإدخال المتسلسلة. ويتطلب هذا تدريب النماذج على مجموعات بيانات أكبر.

إن هذا المفهوم المعروف باسم "الانتباه" يمكّن المحولات من تحديد الأجزاء التي تؤثر على الأجزاء الأخرى من المدخلات، أي فهم السياق. وهذا يجعلها مثالية لمهام توليد النصوص التي تنطوي على معالجة اللغة الطبيعية (NLP)، والتي تتطلب فهم السياق. إن غالبية برامج الذكاء الاصطناعي التوليدي المعروفة هي أمثلة على النماذج القائمة على المحولات.

لقد أثبتت المحولات أنها مولدات نصوص قوية للغاية. وذلك لأنها تحتاج فقط إلى النص كمدخل تدريبي، وهناك مليارات الصفحات المتاحة للاستخدام. وبصرف النظر عن معالجة اللغة الطبيعية، تتضمن الاستخدامات الأخرى لنماذج الذكاء الاصطناعي للمحولات تتبع الاتصالات وتحديد العلاقات داخل الكود والبروتينات والمواد الكيميائية والحمض النووي.

ما هو دور التعلم العميق في الذكاء الاصطناعي التوليدي؟

لقد أدى التحول نحو التعلم العميق إلى جعل نماذج الذكاء الاصطناعي أكثر تطورًا، مما يسمح لها بنمذجة بيانات معقدة بشكل متزايد، مثل اللغة الطبيعية. ستستخدم غالبية نماذج الذكاء الاصطناعي التوليدية التعلم العميق.

يأتي اسم التعلم العميق من العدد الكبير من طبقات المعالجة المستخدمة لهذه النماذج. يتم توفير الطبقة الأولى من العقد المترابطة ببيانات التدريب. ثم يتم استخدام الناتج من هذه الطبقة كمدخل للطبقة التالية. مع بناء كل طبقة على المعرفة المكتسبة من الطبقة السابقة، تزداد التعقيدات والتجريد ويمكن أن تساهم التفاصيل الدقيقة لمجموعات البيانات في فهم الأنماط الأكبر نطاقًا.

في حين يحتاج المبرمجون إلى إجراء استخراج الميزات أثناء التعلم الآلي التقليدي، يمكن لبرامج التعلم العميق إنشاء تمثيلات مفيدة للبيانات داخليًا مع إشراف أقل.

علاوة على ذلك، تسمح تقنيات التعلم العميق لنماذج الذكاء الاصطناعي بالتعامل مع المفاهيم المعقدة والمجردة، مثل فهم اللغة الطبيعية والتعرف على الصور.

هناك عدد من الطرق لتحسين أداء الذكاء الاصطناعي، مثل زيادة حجم البيانات، ونقل التعلم، والضبط الدقيق. تستخدم زيادة حجم البيانات نماذج توليدية لإنشاء نقاط بيانات اصطناعية جديدة لبيانات التدريب. ثم يتم إضافة ذلك إلى البيانات الموجودة لزيادة حجم وتنوع مجموعات البيانات، وبالتالي دقة النموذج.

يتضمن التعلم بالتحويل استخدام نموذج مدرب مسبقًا لمهمة ثانية ذات صلة. من خلال الاستفادة من الناتج من النموذج الحالي كمدخل لمشكلة تعلم مختلفة، يمكن للنموذج تطبيق المعرفة المكتسبة من أول حالة تدريب. من أمثلة التعلم بالتحويل استخدام نموذج مدرب لتحديد السيارات لتدريب نموذج لتحديد المركبات الأخرى. يعد التعلم بالتحويل مفيدًا لأنه يقلل من كمية البيانات اللازمة لتدريب نموذج جديد.

أخيرًا، الضبط الدقيق هو تقنية لتخصيص نموذج الذكاء الاصطناعي من خلال تدريبه ببيانات أكثر تحديدًا. وهذا يسمح بتحسين النماذج المدربة مسبقًا لاستخدامها في مجالات أو مهام محددة. هناك حاجة إلى مجموعات بيانات عالية الجودة تمثل المهمة النهائية للضبط الدقيق.

حالات استخدام الذكاء الاصطناعي التوليدي في العالم الحقيقي

تتمتع تقنية الذكاء الاصطناعي التوليدي بمجموعة ضخمة من التطبيقات في العالم الحقيقي، بدءًا من إنشاء النصوص والصور وحتى تطوير البرمجيات. دعونا نلقي نظرة على بعض حالات الاستخدام الشائعة الحالية.

توليد الصورة

تتيح أدوات مثل DALL-E للمستخدمين إنشاء صور جديدة (صور ورسوم توضيحية وحتى مقاطع فيديو) من خلال إدخال إرشادات مرئية أو مكتوبة. ويمكن للنماذج متعددة الوسائط إنشاء صور من تعليمات نصية، بحيث يمكن للمستخدمين أن يكونوا غامضين أو محددين كما يحلو لهم.

على سبيل المثال، يمكنك أن تطلب رسمًا يعتمد على "الحيوانات" و"قوس قزح"، ثم ترى ما سيخرج به الرسم. أو يمكنك إعطاء تعليمات مفصلة، مثل "صغير وحيد القرن يرتدي نظارة شمسية وينظر إلى قوس قزح من خلال نافذة ذات ستائر أرجوانية".

هناك خيار آخر وهو نقل الأسلوب، حيث يتم دمج محتوى صورة واحدة مع الأسلوب المرئي لصورة أخرى. يمكنك إدخال صورة محتوى (صورة وحيد القرن) وصورة مرجعية للأسلوب (لوحة لبيكاسو)، ويستطيع الذكاء الاصطناعي دمجهما معًا لإنشاء صورة وحيد قرن جديدة على غرار بيكاسو.

توليد النص

في حين أن أحد أشهر حالات استخدام GenAI المستندة إلى النصوص هو برامج الدردشة الآلية، إلا أنه يمكن الآن تطبيق التكنولوجيا على العديد من المهام الأخرى. على سبيل المثال، يمكن لأدوات مثل GrammarlyGo المساعدة في كتابة رسائل البريد الإلكتروني والرد عليها بأسلوب عملي.

لنفترض أنك مضطر لإنتاج كتيب إعلاني لمنتج تقني. بصفتك إنسانًا، ستستغرق وقتًا لقراءة الميزات والمواصفات، وتدوين ملاحظات مفصلة، والتوصل إلى مسودة سردية. يمكن لبرنامج الذكاء الاصطناعي التوليدي القيام بكل ذلك في ثوانٍ بعد تقديم المعلومات، وإنشاء محتوى جاهز للاستخدام بسرعة. يعد إنشاء النصوص مفيدًا أيضًا في دبلجة الأفلام، وتوفير ترجمات مغلقة لمحتوى الفيديو أو ترجمة المحتوى إلى لغات مختلفة.

تأليف الموسيقى

تستطيع GenAI كتابة الموسيقى في نوع موسيقي معين أو محاكاة أسلوب مؤلفين موسيقيين معينين. وكما هو الحال مع مولدات الصور، يمكنك تقديم التفاصيل أو السماح بحرية إبداعية كاملة، على سبيل المثال، "أغنية عن قوس قزح" أو "أغنية أطفال من ثلاثة أبيات عن قوس قزح في وقت الفالس، مصحوبة باليوكاليل والكازو".

يمكنك أيضًا أن تطلب من الذكاء الاصطناعي دمج قطعتين مختلفتين معًا باستخدام نقل الأسلوب، على سبيل المثال، أغنية Happy Birthday بأسلوب Gershwin، أو إنشاء ريمكس. تقوم Amper Music بإنشاء مسارات موسيقية من عينات مسجلة مسبقًا، بينما يمكن لأدوات أخرى إنشاء مسار صوتي من خلال التعرف على الكائنات في لقطات الفيديو.

ما هي تطبيقات الذكاء الاصطناعي التوليدي في الصناعة؟

مع وجود العديد من الطرق التي يمكن استخدام هذه التكنولوجيا بها، فلا عجب أن الذكاء الاصطناعي التوليدي لتجارة التجزئة والخدمات المالية والرعاية الصحية والمزيد أصبح هو المعيار وليس الاستثناء.

بيع بالتجزئة

تستخدم العديد من شركات التجزئة بالفعل برامج المحادثة الآلية لأتمتة خدمة العملاء، ومع تقدم الذكاء الاصطناعي التوليدي، ستصبح برامج المحادثة الآلية هذه أكثر تطورًا. في المستقبل، يمكن للذكاء الاصطناعي توفير المزيد من التخصيص للعملاء من خلال غرف القياس الافتراضية وتطوير المنتجات والتسويق الاستباقي. يمكن لشركات التجزئة أيضًا الاستفادة من استخدام GenAI للتخطيط للمخزون والطلب بالإضافة إلى تحديد عمليات التصيد الاحتيالي أو الاحتيال من أجل تعزيز الأمان.

الخدمات المالية

تستثمر الشركات العاملة في قطاع الخدمات المالية بالفعل في GenAI لتحليل كميات كبيرة من البيانات. ومن الأمثلة على ذلك برنامج BloombergGPT LLM، الذي تم الإعلان عنه في وقت سابق من هذا العام. تم تصميم الذكاء الاصطناعي الذي يحتوي على 50 مليار معلمة خصيصًا لإعداد التقارير والتنبؤات الخاصة بقطاع الخدمات المالية.

وتشمل الاستخدامات الأخرى للذكاء الاصطناعي التوليدي في قطاع الخدمات المالية، سواء الآن أو في المستقبل، إدارة المخاطر واكتشاف الاحتيال وتحسين الكفاءة التشغيلية وزيادة تخصيص العملاء.

تصنيع

منذ الثورة الصناعية، كانت صناعة التصنيع تهدف إلى تحسين الكفاءة من خلال الأتمتة. وتوفر الذكاء الاصطناعي التوليدي أداة جديدة ستدفع هذه الصناعة إلى المستقبل مرة أخرى.

يمكن للذكاء الاصطناعي توفير تقارير آلية عن عمليات التصنيع المستمرة، وتحديد فجوات الأداء أو الاختناقات واستخدام الأولويات القائمة على البيانات لتعزيز الكفاءة. بالإضافة إلى مراقبة العمليات، يمكن للذكاء الاصطناعي أيضًا مراقبة المعدات وتقليل وقت التوقف عن العمل من خلال الصيانة التنبؤية واستكشاف الأخطاء وإصلاحها.

وأخيرا، يمكن لحاملي الماجستير في مجال التصنيع تخصيص تجربة العملاء، سواء أثناء خدمة العملاء أو في منتجات معينة، مثل المركبات أو التكنولوجيا الذكية.

وسائط

لقد كان استخدام صناعة الترفية للذكاء الاصطناعي موضوعًا للكثير من المناقشات في الآونة الأخيرة. ومع ذلك، هناك العديد من الطرق التي يمكن من خلالها استخدام الذكاء الاصطناعي التوليدي دون التأثير على وظائف الصناعة.

يمكن استخدام تحليل تفضيلات المستخدم وأنماط الاستهلاك وإشارات وسائل التواصل الاجتماعي بواسطة نماذج الذكاء الاصطناعي لتحسين توصيات الوسائط من خدمات الترفيه. كما يمكن لنماذج GenAI تحسين الإعلانات المستهدفة. ومع ذلك، فإن التطور الأكثر إثارة فيما يتعلق ببرامج الماجستير في القانون في مجال الترفية هو إمكانية سرد القصص التفاعلية حيث تشكل قرارات المشاهد السرد.

الرعاية الصحية

في مجال الرعاية الصحية، يمكن أن تساعد نماذج الذكاء الاصطناعي التوليدي في اكتشاف أدوية جديدة من خلال إنشاء رسوم بيانية لإظهار المركبات والجزيئات الكيميائية الجديدة. تستخدم شركة أسترازينيكا بالفعل الذكاء الاصطناعي لاكتشاف الأدوية، وبحلول عام 2025، من المتوقع أن يتم اكتشاف أكثر من 30% من الأدوية والمواد الجديدة باستخدام تقنية GenAI.

كما يمكن لهذه النماذج أن تقترح مركبات جديدة للاختبار، وتحديد المرشحين المناسبين للتجارب، وضبط تطبيقات التحليلات الطبية باستخدام الصور الاصطناعية. وعلاوة على ذلك، يمكن استخدام الذكاء الاصطناعي لإنشاء خطط علاج مخصصة أو نسخ الاستشارات لتحميلها على السجلات الصحية الإلكترونية.

كيف يمكن لتطبيقات الذكاء الاصطناعي التوليدي أن تفيد الشركات

لقد رأينا بعض التطبيقات في العالم الحقيقي، ولكن ماذا يعني الذكاء الاصطناعي التوليدي للشركات؟ فيما يلي بعض الفوائد الرئيسية.

مصادر الإيرادات

تتيح هذه التقنية للشركات إنشاء وإطلاق منتجات جديدة بسرعة من خلال ابتكار تصميمات جديدة وتسريع عملية البحث والتطوير. كما يمكنها تحليل الاتجاهات وسلوك العملاء من أجل تقديم أفكار جديدة لتدفقات إيرادات إضافية.

بالإضافة إلى ابتكار المنتجات، يمكن للذكاء الاصطناعي مساعدتك في إعداد خطط تسويقية جديدة وإنشاء مواد ترويجية. يتيح تحليل تفضيلات العملاء إنشاء إعلانات مستهدفة وتخصيص التوصيات وتخصيص المنتجات والخدمات. كما يساعد تحليل بيانات الذكاء الاصطناعي الشركات على تحديد الفرص التي تبقيها متقدمة على منافسيها وتحافظ على ميزة تنافسية. 

وأخيرًا، يؤدي استخدام GenAI إلى تحسين أداء روبوت الدردشة الخاص بالأعمال، مما يؤدي إلى زيادة رضا العملاء والمبيعات والاحتفاظ بهم.

إنتاجية

وهناك فائدة رئيسية أخرى تتمثل في الإنتاجية، حيث يمكن استخدام GenAI لأتمتة المهام اليدوية التي تستغرق وقتًا طويلاً، مثل إدخال البيانات ورسائل البريد الإلكتروني الروتينية ونسخ الاجتماعات أو المكالمات.

تتميز نماذج الذكاء الاصطناعي بقدرتها الرائعة على تلخيص المعلومات المعقدة، مما يسهل على البشر فهمها وتفسيرها. كما يمكنها أيضًا تحليل بياناتك واقتراح طرق لتحسين سير العمل الحالي لتحقيق أقصى قدر من الكفاءة.

في مجال دعم العملاء، تستطيع الشركات نشر روبوتات الدردشة والمساعدين الافتراضيين المدعومين بالذكاء الاصطناعي لتقليل العبء على وكلاء الدعم. وتتضمن المزايا أوقات استجابة وحل أقصر، فضلاً عن السماح للوكلاء بالتعامل مع مهام أخرى بينما يتولى الذكاء الاصطناعي التعامل مع الاستفسارات الشائعة.

التخفيف من المخاطر

يمكن أن تمنحك منصات الذكاء الاصطناعي التوليدي رؤية أعمق لبياناتك فضلاً عن تحديد الثغرات المالية أو الأمنية بسرعة. يمكن لبرامج الذكاء الاصطناعي المتقدمة حتى محاكاة المخاطر التجارية المحتملة، مما يتيح لك تقييم الامتثال وتنفيذ البروتوكولات لتجنب المشكلات أو التخفيف منها.

وفي الوقت نفسه، يعني ضغط البيانات أن المؤسسات تحتاج فقط إلى الاحتفاظ بالبيانات الأساسية، مما يقلل من مخاطر الاحتفاظ بالكثير من المعلومات الشخصية.

ما هي الفروقات بين برامج الماجستير في القانون الأكثر شيوعا؟

تشكل برامج الماجستير في القانون مجالًا مزدحمًا، ومن المتوقع أن يستمر عدد الخيارات المتاحة للاختيار من بينها في الزيادة. ومع ذلك، يمكنك عمومًا تصنيف برامج الماجستير في القانون إلى فئتين: الخدمات الاحتكارية ونماذج المصدر المفتوح. دعونا نلقي نظرة فاحصة.

الخدمات الملكية

الخدمة الأكثر شهرة في مجال LLM هي ChatGPT، والتي أطلقتها OpenAI في نهاية عام 2022. توفر ChatGPT واجهة بحث سهلة الاستخدام تقبل المطالبات وتوفر عادةً استجابات سريعة وذات صلة. كما يمكن للمطورين الوصول إلى واجهة برمجة تطبيقات ChatGPT، مما يسمح لهم بدمج LLM في تطبيقاتهم أو منتجاتهم أو خدماتهم. 

ومن الأمثلة الأخرى على الذكاء الاصطناعي المولد للخدمات الملكية Google Bard وClaude من Anthropic.

نماذج مفتوحة المصدر

النوع الآخر من برامج إدارة الحقوق مفتوح المصدر ومتاح للاستخدام التجاري. وقد لحق مجتمع البرامج مفتوحة المصدر سريعًا بأداء النماذج الملكية، ويمكن تخصيص نماذجها، التي يمكن استضافتها ذاتيًا أو توفيرها عبر واجهات برمجة تطبيقات الخدمة السحابية، عن طريق الضبط الدقيق.

تتضمن برامج LLM مفتوحة المصدر الشهيرة Llama 2 من Meta وMPT من MosaicML، والتي استحوذت عليها Databricks.

اختيار أفضل برنامج ماجستير في الذكاء الاصطناعي التوليدي

إن فهم الاختلافات بين برامج الماجستير في القانون ذات الملكية الخاصة وبرامج الماجستير في القانون ذات المصدر المفتوح هي الخطوة الأولى، ولكن لا يزال هناك الكثير مما يجب مراعاته عند اختيار برنامج الماجستير في القانون لتطبيقات GenAI. يجب أن يؤخذ في الاعتبار الاستعداد للمستقبل والتكلفة والاستفادة من البيانات كميزة تنافسية عند الاختيار بين واجهة برمجة تطبيقات مغلقة من جهة خارجية أو برنامج الماجستير في القانون ذي المصدر المفتوح (أو المعدل).

في حين أن خدمات إدارة التعلم الآلي الخاصة غالبًا ما تكون قوية جدًا، إلا أنها قد تثير أيضًا مخاوف بشأن الحوكمة بسبب أسلوبها "الصندوق الأسود"، والذي يسمح بإشراف أقل على عمليات التدريب والأوزان الخاصة بها. وهناك خطر آخر يتمثل في إمكانية إهمال النماذج الخاصة أو إزالتها، مما سيؤدي إلى كسر أي خطوط أنابيب أو فهرس متجه موجود.

ومن ناحية أخرى، تظل نماذج المصدر المفتوح متاحة للمشتري إلى أجل غير مسمى. وتوفر هذه النماذج أيضاً قدراً أكبر من التخصيص والإشراف، وهو ما قد يؤدي إلى تحقيق توازن أفضل بين الأداء والتكلفة. وأخيراً، مع ضبط نماذج المصدر المفتوح في المستقبل، تستطيع المنظمات الاستفادة من بياناتها كميزة تنافسية لبناء نماذج أفضل من تلك المتاحة للعامة.

لماذا هناك مخاوف بشأن أخلاقيات الذكاء الاصطناعي التوليدي؟

إن أي شكل من أشكال الذكاء الاصطناعي يثير مخاوف أخلاقية، حيث يكافح البشر مع الآثار المترتبة على الآلات الذكية. إذن، ما هي أخلاقيات الذكاء الاصطناعي التوليدي؟ بادئ ذي بدء، هذه التكنولوجيا جديدة نسبيًا وتتطور أيضًا بسرعة كبيرة. حتى المطورين في هذا المجال ليسوا متأكدين تمامًا من المكان الذي ستنتهي إليه، ولكن مع تعلم النماذج إنتاج استجابات أكثر شبهاً بالإنسان، أصبح من الصعب اكتشاف عدم الدقة. 

من المشاكل التي تم تحديدها في نماذج GenAI هي "الهلوسة". يحدث هذا عندما تقوم برامج المحادثة الآلية باختلاق أشياء. وقد يؤدي هذا إلى عواقب وخيمة إذا تم استخدام النموذج لأشياء مثل تقديم المشورة الطبية أو إعداد التقارير الدقيقة.

بصرف النظر عن المعلومات المضللة أو المحتوى الضار المحتمل، هناك مخاوف شائعة بشأن "التزييف العميق" - الصور أو مقاطع الفيديو المزيفة رقميًا. يمكن للمهاجمين السيبرانيين أيضًا استخدام الذكاء الاصطناعي التوليدي لتقليد أسلوب المرسل الموثوق به وكتابة رسائل تطلب كلمات مرور أو أموالًا.

علاوة على ذلك، غالبًا ما يكون من الصعب تتبع مخرجات النماذج إلى المؤلفين، مما يخلق مشاكل تتعلق بحقوق الطبع والنشر والانتحال. ويزداد الأمر تعقيدًا بسبب نقص المعلومات حول مجموعات بيانات معينة - على سبيل المثال، باستخدام أدوات إنشاء الصور، يمكن للمستخدمين طلب شيء "على غرار الفنان X"، عندما لم يوافق "الفنان X" أبدًا على أن تكون صورهم جزءًا من مجموعة بيانات.

وتشمل المخاوف الأخرى المحيطة بالذكاء الاصطناعي والأخلاقيات الاستدامة، حيث تتطلب التكنولوجيا طاقة حسابية هائلة والكهرباء، فضلاً عن الكيفية التي يمكن أن تعطي بها مصداقية للادعاءات بأن التقارير الحقيقية مزيفة من خلال تشجيع عدم الثقة في الكلمات والصور عبر الإنترنت.

كيف يمكنك اختبار جودة الذكاء الاصطناعي؟

كما ذكرنا في القسم السابق، قد ينتج الذكاء الاصطناعي التوليدي أحيانًا مخرجات غير دقيقة أو منخفضة الجودة. عند البحث عن أدوات وأطر عمل الذكاء الاصطناعي التوليدي، سيتم عرض مقاييس الأداء في مواد المبيعات، ولكن من الأفضل دائمًا التحقق بنفسك.

يتعين على المطورين والمهندسين اختبار المحتوى الذي تم إنشاؤه بواسطة الذكاء الاصطناعي من حيث الجودة والتنوع لضمان أن النموذج يتصرف كما تم تدريبه على القيام به. من السهل نسبيًا معرفة ما إذا كان هناك بيان "حقيقي" خاطئ - ولكن من الأصعب تقييم جودة المخرجات الفنية أو الإبداعية، والتي هي ذاتية.

يمكن استخدام أدوات مثل واجهة برمجة تطبيقات تقييم MLflow من Databricks لتتبع معلمات ونماذج GenAI لمعرفة ما إذا كانت المخرجات كافية لاحتياجاتك. يمكن أيضًا دمج ذلك مع التقييم البشري - على سبيل المثال، باستخدام حكمك الخاص لتقييم ما إذا كانت القطعة الموسيقية أو الفنية المولدة جذابة. تتضمن مقاييس التقييم الأكثر موضوعية درجة البداية ومسافة البداية Fréchet (FID) والحقيقة الأساسية.

الحقيقة الأساسية

تتضمن طريقة التقييم هذه تحديد الحقائق الأساسية التي تم تدريب الذكاء الاصطناعي التوليدي على أساسها. والحقيقة الأساسية هي في الأساس الاستجابة "الصحيحة" لاستعلام، استنادًا إلى المعلومات المعروفة بأنها صحيحة فعليًا. ويجب أن تكون موجودة في مجموعات البيانات التدريبية التي تعلم الذكاء الاصطناعي كيفية الوصول إلى ناتج موثوق.

على سبيل المثال، إذا كنت تدرب نموذجًا للتعرف على محتوى غير دقيق، فستحتاج إلى مجموعة بيانات كبيرة من النصوص والصور التي تم تصنيفها على أنها صحيحة أو خاطئة. يمكن للمطورين قياس دقة الإجابات والتنبؤات من خلال اتخاذ هذه المجموعة من البيانات كمعيار.

ومع ذلك، بما أن مصممي الذكاء الاصطناعي هم من يقومون ببناء الحقائق الأساسية، فإنك تعتمد على اجتهادهم في ضمان صحة المعلومات. ومن الناحية المثالية، ستأتي الحقائق الأساسية الخاصة بك مباشرة من المستخدمين كتعليقات.

يمكن أن تساعد خدمة مراقبة Databricks Lakehouseالمتخصصين في الذكاء الاصطناعي على ضمان جودة أصولهم ودقتها وموثوقيتها. توفر التقارير الاستباقية والأدوات الموحدة رؤية كاملة للبيانات والنماذج للكشف البسيط عن الشذوذ، ويمكن تعزيز مقاييس النموذج المضمنة كحكم باستخدام مقاييس الجودة المخصصة لك.

مقاييس جودة الذكاء الاصطناعي

مقاييس جودة الذكاء الاصطناعي هي قياسات تُستخدم لتحديد أداء نموذج الذكاء الاصطناعي التوليدي. بالإضافة إلى مقاييس التعلم الآلي التقليدية مثل الدقة والتذكر، تسمح المقاييس المخصصة الخاصة بالذكاء الاصطناعي التوليدي بإجراء تقييم مهم لهذه النماذج.  

على سبيل المثال، يقوم مقياس Fréchet Inception Distance (FID) بتقييم جودة الصور التي تم إنشاؤها بواسطة الذكاء الاصطناعي التوليدي. من خلال مقارنة توزيع الصور المولدة بتوزيع الصور الحقيقية المستخدمة لتدريب الأداة، يمكن حساب المسافة بين توزيع التنشيطات لبعض الطبقات العميقة في المصنف. تعتبر النتيجة 0.0 هي أفضل نتيجة لمقياس FID.

لقد أظهرت Databricks قيمة استخدام LLMs كحكم على جودة برامج الدردشة الآلية. وقد أدت هذه التقنيات المتطورة إلى ظهور وظيفة MLflow الجديدة التي تعتمد على نموذج الحكم، والتي يمكنها مقارنة الناتج النصي من نماذج الذكاء الاصطناعي المختلفة لتقييم السمية والحيرة.

تحديات الذكاء الاصطناعي التوليدي الحالية

رغم التطور السريع للتكنولوجيا، لا تزال هناك بعض التحديات الكبيرة في استخدام نماذج الذكاء الاصطناعي التوليدي.

توسيع البنية التحتية

أحد التحديات الرئيسية في نشر GenAI بنجاح هو قابلية التوسع. وكما تعلمنا، تحتاج هذه النماذج إلى كمية هائلة من البيانات عالية الجودة وغير المتحيزة من أجل توليد النتائج المرجوة.

تتطلب عملية تطوير وصيانة نماذج الذكاء الاصطناعي التوليدي بنية تحتية ضخمة للحوسبة والطاقة، وهو ما يتطلب بدوره إنفاقًا رأسماليًا كبيرًا وخبرة فنية. وقد أدى هذا إلى زيادة الطلب على الحلول القابلة للتطوير.

تعقيدات التحسين

قد يواجه ممارسو التعلم الآلي أيضًا عددًا من التحديات منخفضة المستوى الناتجة عن الحاجة إلى تحسين نماذج الذكاء الاصطناعي التوليدية. ومن أمثلة هذه التعقيدات انهيار الوضع وتدرجات التلاشي. 

انهيار الوضع هو نوع من الفشل يحدث في نماذج GAN عندما يتعلم المولد تكرار إخراج واحد معقول قبله المميز بدلاً من إنتاج مخرجات أكثر تنوعًا. إذا لم يتعلم المميز رفض المخرجات المتشابهة المتكررة، فسوف تدور كل تكرار لاحق للمولد عبر مجموعة صغيرة من أنواع الإخراج.

يمكن أن تحدث التدرجات المتلاشية عندما تُضاف طبقات إضافية ذات وظائف تنشيط معينة إلى الشبكات العصبية وتتسبب في أن يصبح تدرج دالة الخسارة صغيرًا جدًا. يمنع التدرج الصغير جدًا أوزان وتحيزات الطبقات الأولية من التحديث بشكل صحيح، مما يتسبب في فشل العناصر الرئيسية للتعرف على بيانات الإدخال وتصبح الشبكة غير دقيقة.

يوفر حل Databricks Fine-Tuning لعلماء البيانات الأدوات اللازمة للمساعدة في مواجهة هذه التحديات. تخفي واجهة مبسطة للمستخدمين تقنيات لتجنب تحديات التحسين المذكورة أعلاه، ويتم التعامل معها تلقائيًا للمستخدم.

البيانات غير المترابطة وأدوات التعلم الآلي والذكاء الاصطناعي

يمكن أن تؤدي الأدوات المنفصلة وغير المتكاملة بشكل جيد للبيانات، والتعلم الآلي الكلاسيكي، والذكاء الاصطناعي التوليدي أيضًا إلى خلق تحديات لعلماء البيانات. 

إن البيانات عالية الجودة ضرورية لتدريب كل من نماذج التعلم الآلي والذكاء الاصطناعي، كما يجب إرجاع مخرجات نماذج التعلم الآلي والذكاء الاصطناعي إلى خطوط أنابيب البيانات. وهناك حاجة إلى معالجة الحوكمة والجودة والتنفيذ بشكل شامل عبر البيانات والتعلم الآلي والذكاء الاصطناعي، ويمكن أن تؤدي المنصات المنفصلة إلى الاحتكاك وانعدام الكفاءة والتكاليف الإضافية للمنظمات. 

تدعم منصة Databricks Data Intelligence أحمال عمل البيانات الأساسية والتعلم الآلي الكلاسيكي والذكاء الاصطناعي التوليدي، وتفهم استخدام البيانات في جميع أنحاء النظام. من خلال الجمع بين البنية المفتوحة والموحدة لمنزل البحيرة والذكاء الاصطناعي التوليدي، تعمل منصة Data Intelligence الخاصة بنا على تحسين الأداء وتبسيط تجربة المستخدم وتوفير حوكمة وخصوصية قوية وآمنة.

كيف سيبدو مستقبل الذكاء الاصطناعي التوليدي؟

وفقًا لشركة جارتنر، من المتوقع أن يكون للذكاء الاصطناعي التوليدي تأثير مماثل لتأثير المحرك البخاري والكهرباء والإنترنت، وسيصبح في نهاية المطاف "تكنولوجيا متعددة الأغراض". وذلك لأن هناك العديد من التطبيقات المحتملة لهذه التكنولوجيا.

على سبيل المثال، من الممكن أتمتة الأنشطة التي تمثل ما يصل إلى 30% من ساعات العمل الحالية في مختلف أنحاء الاقتصاد الأمريكي بحلول عام 2030. وسوف نشهد أيضا زيادة في عدد مقدمي البرامج الذين يدمجون قدرات الذكاء الاصطناعي في أدواتهم.

من المفهوم أن يشعر البشر بالقلق إزاء فقدان وظائفهم لصالح الآلات، ولكن مستقبل الذكاء الاصطناعي قد يشهد أيضًا خلق العديد من الوظائف الجديدة. على سبيل المثال، سيظل البشر بحاجة إلى تطوير وتدريب أنظمة GenAI، بما في ذلك اختيار النموذج الأكثر ملاءمة لمهمة معينة وجمع بيانات التدريب لتقييم النتائج.

إن التبني السريع لتقنيات مثل ChatGPT يسلط الضوء على التحديات التي يفرضها استخدام GenAI بشكل مسؤول. لقد أدركت البلدان والدول بالفعل أنها بحاجة إلى بروتوكولات قانونية وأمنية جديدة للتعامل مع القضايا المتعلقة بحقوق النشر والتهديدات التي تواجه الأمن السيبراني، ومن المرجح أن تخضع هذه التقنيات لمزيد من التنظيم في المستقبل.

وفي الوقت نفسه، تشتمل منصة Databricks Data Intelligence على الذكاء الاصطناعي التوليدي المدمج - مما يجعل من الأسهل الحفاظ على أمان البيانات والحوكمة، بالإضافة إلى تتبع جودة البيانات ومراقبة نماذجك وضبطها.

مع تقدم البنى وخوارزميات التدريب، ستصبح نماذج الذكاء الاصطناعي التوليدي أكثر قوة. ويتعين على المنظمات أن تتذكر أن القوة تصاحبها المسؤولية، ولابد أن تجد التوازن بين الأتمتة والمشاركة البشرية.