على مدى العامين الماضيين، سارعت الشركات إلى تطبيق الذكاء الاصطناعي (AI) في جميع عملياتها. لقد أفسحت الإثارة الأولية المجال لواقع أصعب: معظم المؤسسات لا ترى العائد على الاستثمار الذي توقعته، على الرغم من الوقت الكبير والميزانية والاهتمام التنفيذي المخصص لمبادرات الذكاء الاصطناعي.
جزء من السبب أساسي. تواصل Meta وOpenAI وAnthropic وغيرهم من اللاعبين الرئيسيين السباق لبناء نماذج أساسية أكبر من أي وقت مضى مدربة على مجموعات البيانات الآخذة في التوسع. بالنسبة للعديد من حالات الاستخدام المؤسسي، يخطئ هذا النهج في تحقيق الهدف ويحول التركيز عن الخصوصية التشغيلية التي تحتاجها الشركات بالفعل.
رئيس قسم الذكاء الاصطناعي والتحليلات في Altimetrik.
لا تفهم النماذج اللغوية الكبيرة المدربة على البيانات العامة العمليات الخاصة بالشركة، أو الإجراءات التي تم التحقق من صحتها، أو الوثائق. بروتوكولات مراقبة الجودة الخاصة بالشركة المصنعة. أطر تقييم المخاطر في البنك.
يستمر المقال أدناه
مسارات القرار السريري لنظام الرعاية الصحية. هذه هي المعرفة التي تحدد ما إذا كان الذكاء الاصطناعي يقدم قيمة في المؤسسة، وهذا بالضبط ما تفتقر إليه نماذج الأغراض العامة في بيئات المؤسسات اليومية.
نماذج الأساس الأكبر لن تساعد. نماذج اللغة الخاصة بالمجال، وهي نماذج أصغر يتم تدريبها بشكل مكثف على بيانات المؤسسة بدلاً من الإنترنت بالكامل، هي مستقبل الحصول على قيمة أكبر من الذكاء الاصطناعي.
يعتقد باحثو جامعة ستانفورد أننا وصلنا إلى نقطة تحول حيث تتفوق مجموعات البيانات والنماذج الأصغر المنسقة بعناية على المجموعات الضخمة.
ويعتقد المحللون أيضًا أن هذه هي الطريقة التي ستكتسب بها الشركات قيمة من الذكاء الاصطناعي في المستقبل. وتتوقع جارتنر أنه بحلول العام المقبل، سيكون أكثر من 50% من نماذج الذكاء الاصطناعي التي تستخدمها المؤسسات خاصة بالمجال أو الشركة، مقارنة بـ 1% فقط في عام 2023.
كيف تعمل النماذج الخاصة بالمجال
لقد أصبح التنفيذ أكثر عملية مما تدركه معظم المنظمات. يبدأ الأمر بنموذج أساسي، عادةً ما يحتوي على 50 إلى 70 مليار معلمة، حيث يصل إتقان اللغة إلى عتبة حرجة.
بهذا الحجم، يفهم النموذج بالفعل بنية اللغة بشكل جيد بما يكفي ليكون بمثابة أساس قوي لتكيف المؤسسة.
ومن هناك، يمكنك تدريبه على وثائق مؤسستك. لا يتعلم النموذج كيفية استرجاع المعلومات من هذه المستندات فحسب، بل يتعلم التفكير فيها بطرق تعكس واقعك التشغيلي ومعاييرك الداخلية.
يجمع نهج التدريب بين توليد الاسترجاع المعزز والضبط الدقيق. يمكن لنظامك الاستعلام عن مستندات محددة بينما يتطور الفهم الأساسي للنموذج ليتوافق مع مجالك.
عندما يقوم خبراء الموضوع بتصحيح الإجابات من خلال الواجهة، فإن تلك التصحيحات ترجع من خلال التعلم المعزز. يتحسن النموذج مع كل تفاعل ويصبح أكثر توافقًا مع توقعات المؤسسة.
لكن نموذج المؤسسة هو مجرد نقطة البداية. ومن هنا، يمكن للمؤسسات إنشاء نماذج قائمة على الشخصية. يحصل محللو الأعمال على نسخة واحدة. المهندسين الحصول على آخر. يحصل المختبرون على نتائجهم الخاصة. يعتمد كل نموذج شخصية على أساس المؤسسة ولكنه يتخصص بشكل أكبر في أدوار محددة ومسؤوليات متكررة.
الطبقة الأخيرة هي التخصيص الفردي. يمكن لكل شخص تدريب نسخته من النموذج على سير العمل والأولويات وأسلوب العمل المحدد. فكر في الأمر كمساعد شديد التخصيص يفهم عمليات شركتك وكيفية عملك شخصيًا فيها.
تستمر التعليقات التي تقدمها في تحسين النموذج ليتناسب مع احتياجاتك وتحسين ملاءمته بمرور الوقت.
هذا النهج ثلاثي الطبقات، المؤسسة، والشخصية، والفرد، يعمل فقط لأن هذه النماذج تعمل على آثار أقدام أصغر. إن الدورات التدريبية التي تكلف كل منها ما بين 10000 إلى 20000 دولار تجعل التخصيص الفردي مستحيلًا اقتصاديًا. تعمل النماذج الأصغر التي يتم تدريبها على بيانات المؤسسة المنسقة على تغيير هذه المعادلة وتجعل التكرار المستدام ممكنًا.
من أين تبدأ
يبدأ المسار للأمام بفهم البيانات الخاصة التي تمتلكها بالفعل. انظر إلى مستودعاتك، وقواعد المعرفة الخاصة بك، والمواد التقنية التي تعيش خلف جدار الحماية الخاص بك.
ثم حدد حالات الاستخدام حيث تخلق الدقة قيمة فورية، والمناطق التي تخلق فيها الاستجابات العامة مخاطر تشغيلية أو حيث تؤثر الدقة بشكل مباشر على النتائج والأداء القابل للقياس.
هناك سبب لإعطاء الأولوية للبناء على بياناتك الخاصة بدلاً من تحسين نموذج شخص آخر مع إضافة متطلباتك لاحقًا.
عندما تتدرب على وثائقك المحددة من الألف إلى الياء، فإن فهم النموذج يعكس واقعك التشغيلي بدلاً من محاولة تعديل المعرفة العامة أو الافتراضات التي قد لا تنطبق.
إن الطبقة الأساسية مهمة أكثر مما تدركه معظم المنظمات. لا يمكنك التخطي من المطالبات الأساسية إلى الوكلاء المستقلين وتوقع نتائج موثوقة. تعتمد أطر عمل الذكاء الاصطناعي الوكيل مثل AutoGPT وLangChain بشكل كامل على معرفة النماذج الأساسية.
إذا كانت هذه النماذج الأساسية تفتقر إلى الخبرة في المجال، فإن الوكلاء المستقلين المبنيين على القمة لن يتمتعوا بها أيضًا. تتطلب الثقة في اتخاذ القرار في الذكاء الاصطناعي أن يفهم الذكاء الأساسي ما يعمل عليه والسياق الذي يتم فيه اتخاذ القرارات.
ابدأ بالتطبيقات الضيقة. اختبار ضد مقاييس واضحة. يعتمد المقياس على نتائج قابلة للقياس بدلاً من خرائط الطريق الطموحة.
ومن المرجح أن نشهد هذا العام انفصالاً بين المؤسسات التي استثمرت في النماذج المدربة على عملياتها الفعلية وتلك التي استمرت في متابعة الحلول ذات الأغراض العامة.
لن يكون التمييز حول من يمكنه الوصول إلى أكبر الموديلات. سيكون الأمر حول من قام ببناء أنظمة الذكاء الاصطناعي التي تفهم أعمالهم المحددة ويمكنها دعم القرارات التشغيلية الحقيقية.
إن الدرس الباهظ الذي تتعلمه العديد من المنظمات هو أن الاتساع لا يساوي العمق. بالنسبة لتطبيقات المؤسسات حيث تحدد الدقة والمعرفة بالمجال ما إذا كان الذكاء الاصطناعي يقدم قيمة، فإن الأداء الأصغر والأكثر ذكاءً يتفوق باستمرار على الأكبر والأوسع.
لقد عرضنا أفضل روبوت محادثة يعمل بالذكاء الاصطناعي للأعمال.
تم إنتاج هذه المقالة كجزء من قناة Expert Insights التابعة لـ TechRadarPro حيث نعرض أفضل وألمع العقول في صناعة التكنولوجيا اليوم. الآراء الواردة هنا هي آراء المؤلف وليست بالضرورة آراء TechRadarPro أو Future plc. إذا كنت مهتمًا بالمساهمة، اكتشف المزيد هنا: https://www.techradar.com/news/submit-your-story-to-techradar-pro
التعليقات