فتح الأسرار: كيف تجعل نماذج اللغة تعمل لصالحك

إذا كنت أصف لك أعراضك كقائد أعمال وأدخلت هذه الأعراض إلى ChatGPT، هل كنت تتوقع مني أن أضع خطة علاجية لك دون استشارة طبيب أولاً؟ ماذا لو عرضت عليك صفقة: أفضل علماء البيانات في العالم سينضمون إلى منظمتك، ولكن يجب على كل واحد من خبراء الأعمال لديك الانتقال إلى منافسك، تاركًا لك البيانات بدون خبراء لتوفير السياق؟

في عصر الذكاء الاصطناعي الحالي، تتصاعد النقاشات حول الفرص والمخاطر وأفضل الممارسات لدمج الذكاء الاصطناعي التوليدي، خصوصًا نماذج اللغة مثل GPT-4 أو Bard. نشهد يوميًا إعلانات عن نماذج مفتوحة المصدر جديدة، واكتشافات بحثية، وإطلاق منتجات جديدة.

في خضم هذا التطور السريع، تتركز الأنظار على قدرات نماذج اللغة. ومع ذلك، فإن اللغة تكون فعالة فقط عندما تتراف مع المعرفة والفهم. على سبيل المثال، إذا حفظ شخص ما جميع الكلمات المتعلقة بالكيمياء ولكنه يفتقر إلى المعرفة الأساسية، فإن تلك اللغة المحفوظة تظل غير فعالة.

ضبط الوصفة بشكل صحيح

يمكن أن تضيع نماذج اللغة في فهمها، حيث تستطيع إنشاء محتوى بدون فهم حقيقي. على سبيل المثال، إذا طُلب منها وضع وصفة جديدة، قد تحلل الوصفات السابقة للبحث عن علاقات، لكنها تفتقر إلى المعرفة الجوهرية حول ما هو لذيذ. هذا يمكن أن يؤدي إلى تركيبات غير عادية مثل مزج زيت الزيتون مع الكاتشب والخوخ، وهو أمر غير محتمل لأنه لا يظهر في البيانات السابقة، وليس لأن النموذج يمتلك خبرة طهي فعلية.

لذا، فإن الوصفة الجيدة من نموذج لغة تستند إلى إحصاءات مستمدة من خبراء الطهي. المفتاح لفعالية نماذج اللغة يكمن في دمج الخبرة.

الخبرة تجمع بين اللغة والمعرفة والفهم

العبارة "الارتباط لا يعني السببية" ت resonates مع المحترفين في مجال البيانات، مما يبرز مخاطر الربط غير الصحيح بين ظاهرتين غير مرتبطتين. بينما تتقن الآلات تحديد الارتباطات والأنماط، فإن الخبرة الحقيقية مطلوبة لفهم السببية وتوجيه اتخاذ القرار.

في مسيرتنا التعليمية، تمثل اللغة نقطة البداية فقط. عندما يتطور الأطفال لغويًا، يقوم مقدمو الرعاية بنقل المعرفة حول بيئتهم. في النهاية، يدركون السبب والنتيجة، مرتبطين الأفعال مثل القفز في بحيرة بالنتائج. وفي البلوغ، ندمج هياكل معقدة من الخبرة التي تربط اللغة بالمعرفة والفهم.

إعادة إنشاء هيكل الخبرة

عند استكشاف أي موضوع، إن امتلاك اللغة دون معرفة أو فهم لا يعني الخبرة. على سبيل المثال، قد أعرف أن السيارة تحتوي على علبة تروس ومحرك مع مكابس، لكن فهمي لكيفية عملها والقدرة على إصلاحها يتطلب خبرة عملية—وهي منطقة تفتقر فيها إلى الخبرة.

عند ترجمة هذا إلى سياق الآلات، لا ينبغي لنماذج اللغة التي لا تحتوي على معرفة أو فهم مرتبط اتخاذ قرارات. السماح لنموذج لغة بالعمل بشكل مستقل يشبه إعطاء صندوق أدوات لشخص يعرف فقط كيفية توقع الكلمة التالية المتعلقة بالسيارات.

استغلال نماذج اللغة من خلال إعادة إنشاء الخبرة

للاستخدام الفعال لنماذج اللغة، نحتاج إلى البدء بالخبرة وعكس هندسة العملية. تركز التعلم الآلي (ML) وتعليم الآلة على نقل خبرة الإنسان إلى صيغ يمكن للآلة قراءتها، مما يمكّن الآلات من إبلاغ أو اتخاذ قرارات بمفردها، مما يعزز قدرة الإنسان على اتخاذ قرارات دقيقة.

يعتبر الاعتقاد الخاطئ الشائع حول الذكاء الاصطناعي وتعلم الآلة أن البيانات هي العنصر الأكثر أهمية. في الواقع، فإن الخبرة تحتل هذا المركز. إذا افتقر النموذج إلى توجيه خبير، فماذا يمكن أن يستنبط من البيانات؟

من خلال تحديد الأنماط التي يعترف بها الخبراء على أنها مفيدة، يمكننا ترجمة تلك المعرفة إلى لغة الآلة لاتخاذ قرارات مستقلة. وهكذا، تبدأ العملية بالخبرة وتعمل للخلف. على سبيل المثال، قد يتعرف مشغل الآلة على أصوات معينة تشير إلى التعديلات اللازمة. من خلال تجهيز الآلات بأجهزة استشعار، يمكن ترجمة هذه الخبرة إلى لغة الآلة، مما يحرر المشغل لأداء مهام أخرى.

تحديد الخبرة الأساسية

عند بناء حلول الذكاء الاصطناعي، يجب على المؤسسات تحديد أي الخبرات هي الأكثر أهمية وتقييم المخاطر المرتبطة بفقدان تلك المعرفة مقابل الفوائد المحتملة لأتمتة القرارات المتعلقة بها. هل هناك موظف واحد حاسم في عملية معينة؟ هل يمكن تفويض المهام الروتينية إلى الأنظمة الذاتية لتوفير وقت أكثر للموظفين؟ بعد هذا التقييم، يمكن للمؤسسات مناقشة كيفية ترجمة الخبرة عالية المخاطر أو عالية العائد إلى لغة الآلة.

لحسن الحظ، يتم غالبًا تأسيس الأساس لأنظمة الخبراء مسبقًا. يمكن لنماذج اللغة الاستفادة من الخبرة الموجودة المبرمجة فيها.

الانتقال من الاستكشاف إلى العمليات

في العقد المقبل، سيتغير المشهد السوقي بناءً على استثمار المؤسسات في الذكاء الاصطناعي. على سبيل المثال التحذيري، ضع في اعتبارك Netflix، التي قدمت خدمة البث في عام 2007، مما أدى إلى إفلاس Blockbuster بعد ثلاث سنوات فقط، رغم جهود Blockbuster المبكرة في نفس المجال.

عندما تكشف الشركات المنافسة عن تطبيقات ذكاء اصطناعي متقدمة، قد يكون من المتأخر جدًا للآخرين التكيف، خصوصًا بالنظر إلى الوقت والمهارات المطلوبة لتطوير حلول قوية.

بحلول عام 2030، قد تجد الشركات التي تختار التفاعل بدلاً من الابتكار نفسها غير ذات صلة، شبيهة بمصير Blockbuster. بدلاً من الانتظار حتى يلحق الآخرون، يجب على قادة الأعمال استكشاف بشكل استباقي ما المواقع الفريدة في السوق التي يمكن أن ينشئوها، مما يدفع المنافسين للبحث عن حلول.

في هذه الحقبة من التحول الذاتي، ستعزز المؤسسات التي تعطي الأولوية لنقل الخبرة التشغيلية إلى الآلات وتصوّر ديناميات السوق المستقبلية مواقعها في السوق.