فتح الآفاق الحقيقية: الدروس الرئيسية من Google Cloud خارج ضجة الذكاء الاصطناعي

هل أكبر دائماً أفضل لنماذج اللغة الكبيرة (LLMs)؟

شاركت ياسمين أحمد، المديرة التنفيذية لاستراتيجية وإدارة المنتجات الخارجية للبيانات والتحليلات والذكاء الاصطناعي في Google Cloud، مؤخرًا رؤى حول هذا الموضوع في VB Transform. وكانت الإجابة المباشرة: "نعم ولا".

بينما تميل النماذج الكبيرة إلى تقديم أداء أفضل، إلا أن هذا لا يستمر إلى الأبد. أكدت أحمد أن النماذج الأصغر المدربة على بيانات محددة للخدمة يمكن أن تتفوق على النماذج الأكبر. "البيانات هي الأساس"، مشددةً على كيفية تمكين المعلومات الموجهة نحو الصناعة للنماذج.

تُعزز هذه المقاربة الإبداع والفعالية والشمولية داخل المؤسسات. من خلال استغلال البيانات التي كانت غير متاحة سابقًا، يمكن للمنظمات إشراك الموظفين بطرق مبتكرة.

"يقوم الذكاء الاصطناعي التوليدي بتوسيع آفاق ما يمكن للأجهزة إنشاؤه"، قالت أحمد. "يطمس الحدود بين التكنولوجيا والسحر، مما قد يعيد تعريف ما نعتبره سحرًا".

الحاجة إلى أساس جديد للذكاء الاصطناعي

يتضمن تدريب LLMs بشكل فعال ضمن سياق مؤسسي محدد تقنيتين رئيسيتين: الضبط الدقيق وإنتاج محسن بالمعلومات المسترجعة (RAG). يساعد الضبط الدقيق النماذج على فهم "لغة عملك"، بينما يربط RAG النموذج ببيانات实时من مصادر متنوعة مثل الوثائق وقواعد البيانات.

"يسمح هذا بالحصول على إجابات دقيقة ضرورية للتحليلات المالية، وتحليل المخاطر، وأكثر"، أوضح أحمد.

تكمن القوة الحقيقية لـ LLMs في قدراتها المتعددة الأنماط، مما يسمح لها بالتعامل مع أنواع بيانات متنوعة مثل الفيديو والنصوص والصور. بما أن 80 إلى 90٪ من بيانات المؤسسات متعددة الأنماط، أكدت أحمد أهمية استغلال LLMs للاستفادة من هذه المعلومات بشكل فعال.

كشف دراسة أجرتها Google عن تحسن بنسبة 20 إلى 30٪ في تجربة العملاء عند استخدام البيانات متعددة الأنماط، مما عزز قدرة الشركات على قياس مشاعر العملاء وتحليل أداء المنتجات مقارنة مع اتجاهات السوق.

"لم يعد الأمر مجرد التعرف على الأنماط"، أوضحت أحمد. "يمكن لـ LLMs فهم تعقيدات منظماتهم من خلال الوصول إلى جميع بياناتها المتاحة".

تواجه الشركات التقليدية تحديات في بنى البيانات القديمة التي تكافح معالجة المعلومات متعددة الأنماط. يتطلب مستقبل الذكاء الاصطناعي تأسيس قاعدة جديدة مبنية على هذه التعقيدات.

الذكاء الاصطناعي التفاعلي: دور التفاعل

كما أبرزت أحمد أهمية تفاعلات السؤال والجواب في نجاح LLMs. بينما تبدو المحادثة مع بيانات الأعمال مغرية، فإنها تواجه تحديات.

على سبيل المثال، إذا سألت زميلًا عن توقعات مبيعات الربع المقبل دون تقديم سياق، قد تكون إجاباتهم غامضة. ينطبق الأمر نفسه على LLMs، التي تحتاج إلى سياق دلالي وبيانات وصفية لتقديم إجابات دقيقة.

غالبًا ما تتطلب التحليلات البشرية حوارًا متبادلًا لصياغة الأسئلة وتحقيق الوضوح. بالمثل، يجب أن تعزز LLMs المحادثات المترابطة، متطورة من تفاعلات معزولة إلى "الجيل التالي من الذكاء الاصطناعي التفاعلي".

"فكر فيها كرفيق بيانات شخصي"، اقترحت أحمد. يمكن لهذا العامل الدؤوب الانخراط في تبادلات مدروسة، مما يتيح الشفافية في الاستفسارات حتى يتمكن المستخدمون من الوثوق بالنتائج.

أشارت أحمد إلى ظهور "الذكاء الاصطناعي الوكالي" - الأنظمة القادرة على اتخاذ القرارات والسعي لتحقيق الأهداف. تقلد هذه النماذج العمليات الفكرية البشرية عن طريق تفكيك المهام إلى مهام فرعية وتطوير مهارات التفكير الاستراتيجي.

مع التقدم في القدرات في الوقت الفعلي، تحدثت هذه التطورات بوتيرة غير مسبوقة. "المستقبل هنا، وهو يخلق سلالات جديدة من الأعمال"، اختتمت أحمد. "نحن فقط في بداية ما يمكن أن تسهله هذه التكنولوجيا".