"الذكاء الاصطناعي التوليدي" هو الاسم العام لأنظمة الذكاء الاصطناعي التي يمكنها إنتاج نصوص أو صور أو مقاطع صوتية أو أكواد برمجية جديدة. منذ أواخر عام 2022، دخلت هذه الأنظمة إلى الحياة اليومية للملايين من خلال مساعدي الدردشة ومولدات الصور. ولكن كيف يمكن لبرنامج حاسوبي كتابة مقال أو رسم مشهد طبيعي لم يكن موجوداً من قبل؟
النماذج اللغوية الكبيرة
تعتمد أنظمة توليد النصوص على "نماذج لغوية كبيرة". وتعتمد هذه النماذج على بنية شبكة عصبية تسمى "المحول" (Transformer)، والتي تم تقديمها في ورقة بحثية عام 2017 من قبل باحثين في جوجل. يتم تدريب النموذج على كميات هائلة من البيانات المكتوبة - نصوص الويب والكتب والأكواد البرمجية. مهمة التدريب بسيطة بشكل مدهش: رؤية جزء من النص والتنبؤ بالجزء التالي - الكلمة أو جزء الكلمة الذي يسمى "الرمز" (token). من خلال محاولة هذا التنبؤ عبر مليارات الأمثلة، يتعلم النموذج بنية اللغة، والعلاقات بين المفاهيم، وقدرًا كبيرًا من المعرفة كأنماط إحصائية.
التحول إلى مساعد دردشة
النموذج الذي خرج للتو من مرحلة التدريب المسبق يعرف كيفية إكمال النص ولكنه لا يفهم دائماً ما يريده المستخدم. لذا، في مرحلة ثانية، يتم ضبطه بدقة باستخدام أمثلة للأسئلة والأجوبة، ومن خلال التغذية الراجعة حيث يحكم البشر على الاستجابات الأكثر فائدة ودقة وأماناً. وهكذا يصبح النموذج مساعداً يتبع التعليمات، ويمكنه إجراء محادثة، ويكون أكثر حذراً مع الطلبات الضارة.
توليد الصور
تستخدم معظم أدوات تحويل النص إلى صورة "نماذج الانتشار" (diffusion models). أثناء التدريب، تتعلم هذه النماذج كيفية إضافة الضوضاء إلى الصور خطوة بخطوة ثم كيفية إزالتها. عند الاستخدام، تبدأ من ضوضاء عشوائية وتزيلها خطوة بخطوة بطريقة تتناسب مع وصف المستخدم، مما يؤدي إلى إنشاء صورة جديدة.
الحدود والمخاطر
- الهلوسة: تنتج النماذج اللغوية ما هو "محتمل"، وليس ما هو "صحيح". لذا يمكنها أحياناً إنتاج معلومات مقنعة تماماً ولكنها خاطئة، أو مصادر أو اقتباسات غير موجودة.
- الحداثة: تقتصر معرفة النموذج على الوقت الذي تم فيه جمع بيانات تدريبه؛ وتملأ بعض الأدوات هذه الفجوة من خلال البحث في الويب.
- التحيز: يمكن أن تنعكس التحيزات الموجودة في بيانات التدريب في إجابات النموذج.
- الخصوصية: تحقق من سياسة البيانات الخاصة بالأداة قبل مشاركة معلومات شخصية أو مالية أو تجارية سرية.
- حقوق النشر والأصالة: تستمر النقاشات القانونية حول الحقوق في بيانات التدريب والمحتوى المُنشأ.
استخدامه بحكمة
يعد الذكاء الاصطناعي التوليدي مساعداً قوياً للصياغة، والعصف الذهني، وتلخيص النصوص الطويلة، وشرح موضوع ما بطرق مختلفة، وكتابة الأكواد البرمجية. ولكن في المسائل المهمة مثل الصحة والقانون والتمويل، تحقق دائماً من المعلومات مع مصادر وخبراء موثوقين، واحتفظ بالقرار النهائي والمسؤولية لنفسك.
مصطلحات شائعة: مسرد قصير
- المطالبة (Prompt): التعليمات أو السؤال الموجه للنموذج. كلما كانت المطالبة أوضح وأكثر ثراءً بالسياق، كانت النتيجة أكثر دقة.
- نافذة السياق (Context window): كمية النص التي يمكن للنموذج "رؤيتها" في وقت واحد. إذا تجاوزت المحادثة هذا الحد، فقد لا يتم أخذ الأجزاء الأقدم في الاعتبار.
- درجة الحرارة (Temperature): إعداد العشوائية في الإجابات. تعطي القيمة المنخفضة نتائج أكثر اتساقاً وقابلية للتكرار، بينما تعطي القيمة العالية نتائج أكثر تنوعاً وإبداعاً.
- الضبط الدقيق (Fine-tuning): تدريب إضافي لنموذج مدرب مسبقاً ببيانات إضافية لمهمة أو مجال معين.
- متعدد الوسائط (Multimodal): النماذج التي يمكنها فهم وتوليد أنواع مختلفة من البيانات مثل الصور أو الصوت أو الفيديو بجانب النص.
كيف يمكن تحسين الدقة؟ التوليد المعزز بالاسترجاع (RAG)
"تتذكر" النماذج اللغوية المعلومات من بيانات تدريبها، لذا في الموضوعات التي عفا عليها الزمن أو التي لم ترها من قبل، يمكنها تقديم إجابات مختلقة. إحدى الطرق الشائعة لتقليل هذه المشكلة هي "التوليد المعزز بالاسترجاع" (RAG)، الذي وصفه لويس وزملاؤه في عام 2020. في هذا النهج، يبحث النظام أولاً في مجموعة موثوقة من المستندات عن مقاطع ذات صلة بالسؤال، ثم يطلب من النموذج الإجابة بناءً على تلك المقاطع فقط.
يجعل التوليد المعزز بالاسترجاع (RAG) من الأسهل معرفة المستند الذي تستند إليه الإجابة، ويجعل من الممكن العمل بمعلومات لم يرها النموذج من قبل، مثل مستندات الشركة الداخلية. ومع ذلك، فهو لا يحل المشكلة بالكامل: إذا جلب البحث المستند الخطأ أو أساء النموذج قراءته، فقد تظل الأخطاء قائمة. ولهذا السبب، يدرج ملف تعريف مخاطر الذكاء الاصطناعي التوليدي لعام 2024 الصادر عن المعهد الوطني للمعايير والتكنولوجيا الأمريكي (NIST) أيضاً ممارسات توصي بالتحقق البشري من المخرجات.
أسئلة شائعة
هل "يفهم" الذكاء الاصطناعي حقاً؟
لا يزال هذا الأمر محل نقاش بين العلماء والفلاسفة. يمكن للنماذج استخدام أنماط معقدة من اللغة بشكل جيد للغاية، ولكن لا يوجد إجماع حول ما إذا كانت تمتلك أي شيء يشبه الفهم البشري.
المصادر وقراءة المزيد
- Ashish Vaswani et al., “Attention Is All You Need” (2017).
- Jonathan Ho et al., “Denoising Diffusion Probabilistic Models” (2020).
- مبادئ منظمة التعاون الاقتصادي والتنمية (OECD) بشأن الذكاء الاصطناعي؛ توصية اليونسكو بشأن أخلاقيات الذكاء الاصطناعي (2021).
- Lewis P. et al. – Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks, NeurIPS (2020)
- NIST AI 600-1 – Generative Artificial Intelligence Profile (2024)
اترك تعليقاً
لن يتم نشر عنوان بريدك الإلكتروني. الحقول المطلوبة مشار إليها بـ *