سيعمل مُقيِّم الذكاء الاصطناعي الجديد من META على تحويل تدريب نموذج اللغة الكبير، وإليك الطريقة
- The model uses autonomous learning, giving and evaluating tasks on the go to improve results.
- It eliminates the need for human intervention at various stages of AI model development.
- Time will tell whether training AI systems using other AI systems will prove to be successful.
قبل شهرين فقط، سمعنا سام ألتمان، الرئيس التنفيذي لشركة OpenAI، وهو يقول إن تدريب الذكاء الاصطناعي على البيانات الاصطناعية (أي البيانات التي يولدها الذكاء الاصطناعي) يمكن أن يؤدي إلى نماذج ذكاء اصطناعي غير موثوقة.
إن أحدث أداة تقييم للذكاء الاصطناعي من META، والتي تم الإعلان عنها في نفس الوقت، تهدف بالفعل إلى إثبات خطأ ألتمان.
تم تصميم Meta’s Self-Taught AI Evaluator للمساعدة في تطوير نماذج اللغة الكبيرة من خلال السماح لها بالتقييم الذاتي وتحسين نفسها دون تدخل بشري.
في الوقت الحالي، يتطلب تحسين برامج الماجستير في القانون عملية غير فعالة يتولى فيها البشر المهرة التحقق من دقة الإجابات، وهو ما يزيد بشكل كبير من أوقات تطبيقها وتكاليفها.
علاوة على ذلك، تتطلب العملية بيانات من صنع الإنسان، وهو أمر لا يتوفر إلا بكمية محدودة.
أصبح بإمكان نموذج META الجديد الآن إنشاء بيانات يمكن استخدامها لتدريب نماذج الذكاء الاصطناعي الأخرى، وهو ما يعني أن مشكلة واحدة تم حلها بالفعل.
وهذا يعني أيضًا أنه لن تكون هناك حاجة إلى البشر للإشراف على جودة البيانات التي يتم إدخالها إلى نماذج الذكاء الاصطناعي. وسوف يتولى مُقيِّم الذكاء الاصطناعي هذه المهمة أيضًا.
الميزات الرئيسية للمقيّم الذاتي
Copy link to sectionيتمتع النموذج الجديد بميزتين رئيسيتين يمكنهما إحداث تحول في صناعة الذكاء الاصطناعي.
أولاً، يستخدم ميزة التعلم الذاتي لتوليد المهام وتقييم أدائها، مما يلغي الحاجة إلى البشر المهرة للتحقق من البيانات المستخدمة والإجابات المقدمة لحل المهمة المطروحة.
يؤدي هذا إلى تقليل الوقت والتكاليف المرتبطة بتطوير النماذج وتحسينها، مما يوفر إمكانية التوسع، وهو متطلب أساسي للشركات التي تحتاج إلى استخدام النماذج عبر منصات متعددة ولتلبية احتياجات المستخدمين المختلفة.
بالإضافة إلى ذلك، تعمل هذه المشاركة البشرية المنخفضة أيضًا على تقليل التحيز المحتمل الذي أدخله البشر إلى النموذج.
ثانياً، يتم استخدام تقنية التفكير “سلسلة الأفكار” لمحاكاة التفكير البشري من خلال توفير سلسلة من الخطوات الوسيطة نحو حل المهام المعقدة، بدلاً من تقديم إجابة مباشرة.
ولتحقيق هذه الغاية، قد يتعلم النموذج من الاستدلال الناجح السابق المستخدم لحل مشكلات مماثلة.
لماذا يعتبر هذا الأمر كبيرا؟
Copy link to sectionإن القدرة على إنشاء بيانات اصطناعية لتدريب وتقييم نماذج الذكاء الاصطناعي الأخرى تشكل أهمية كبيرة للشركات التي ترغب في استخدام الذكاء الاصطناعي في دعم العملاء أو تدريب الموظفين أو التحليل القانوني.
على سبيل المثال، عند استخدام هذا النموذج في روبوت الدردشة لدعم العملاء، فإنه يستطيع تقسيم المشكلة إلى سلسلة من الخطوات الأصغر للتحقق من الأسباب المحتملة للمشكلة وتوجيه العميل إلى إيجاد حل.
في سيناريو آخر، يمكن للنموذج تفكيك القواعد والإجراءات الداخلية للشركة لتحسين برنامج التدريب للموظفين الجدد.
يمكن للشركات تعديل هذه النماذج بسرعة لتتوافق مع احتياجاتها الخاصة دون الحاجة إلى بناء نموذجها الخاص أولاً، وهو الأمر الذي كان يتعين عليها القيام به حتى الآن.
مخاطر التنفيذ
Copy link to sectionإن تنفيذ مثل هذه الأنظمة الخاصة بالذكاء الاصطناعي محفوف بالمخاطر والتحديات التي قد تؤدي، إذا لم تؤخذ في الاعتبار، إلى مشاكل أكبر حجماً في المستقبل.
إن جودة نموذج البذرة سوف تحدد دائمًا مدى فعاليته ومدى إمكانية الثقة به عند استخدامه في التطبيقات الواقعية: إذا كان النموذج معيبًا، فقد تكون الإجابة معيبة أيضًا.
من ناحية أخرى، قد يؤدي الافتقار إلى الإشراف البشري إلى معلومات خاطئة يُفترض أنها مدخلات موثوقة من شأنها أن تنتج إجابات خاطئة أو غير مثالية. كما قد يعطي النموذج إجابة دقيقة بعد استخدام المنطق الخاطئ.
وفي حين يبدو أن النموذج يعمل بشكل جيد من الناحية النظرية، فإن الوقت وحده هو الذي سيخبرنا ما إذا كان قادرًا على أداء المهام التي نتوقعها منه بشكل موثوق.
وإذا نظرنا إلى وتيرة تطوير الذكاء الاصطناعي، فقد لا نضطر إلى الانتظار طويلاً.
تمت ترجمة هذا المقال من اللغة الإنجليزية بمساعدة أدوات الذكاء الاصطناعي، ثم تمت مراجعته وتحريره بواسطة مترجم محلي.
More industry news
