الذكاء الاصطناعي التوليدي: تزايد الحماس حول النماذج اللغوية الصغيرة

مع ظهور الذكاء الاصطناعي التوليدي قبل عام، أصبح التقنيون مفتونين بإمكانات النماذج اللغوية الكبيرة (LLMs) التي تقدم استجابات شبيهة بالبشر لاستفساراتهم. عادةً ما تتقلص التقدمات التكنولوجية بمرور الوقت، فقد تطورت أنظمة الكمبيوتر الرئيسية إلى نماذج عميل-خادم، واندمجت أجهزة الكمبيوتر الشخصية مع الأجهزة اللوحية والهواتف الذكية استجابةً للطلب على الحوسبة المحمولة. يتكشف الآن اتجاه مشابه مع برمجيات الذكاء الاصطناعي التوليدي، وهو تحرك نحو نشر خدمات الذكاء الاصطناعي التوليدية القوية على أجهزة أصغر، بطريقة مشابهة لكيفية توسيع التطبيقات قبل عقد من الزمن.

لقد زاد هذا الاتجاه نحو تصغير النماذج من الارتباك لدى قادة تكنولوجيا المعلومات الذين تتطلب منهم المهمة اختيار النموذج المناسب. لحسن الحظ، هناك إطار استراتيجي لاختيار نموذج لغوي صغير (SLM).

مقارنة LLM مقابل SLM

لنوضح أولاً الفروقات بين LLMs وSLMs، مع الإشارة إلى أنه لا يوجد معيار عالمي يميز بين الاثنين.

تتألف LLMs عادة من مئات المليارات من المعلمات، بما في ذلك الأوزان والتحيزات التي تم تعلمها خلال التدريب. على النقيض، تحتوي SLMs على عدد من المعلمات يتراوح بين مئات الملايين إلى عشرات المليارات.

بينما يمكن لـ LLMs إنتاج أنواع متنوعة من المحتوى—مثل النصوص والصور والصوت والفيديو—وأداء مهام معالجة اللغة الطبيعية المعقدة، فإنها تتطلب سعة خادم كبيرة، وتخزين، ووحدات معالجة رسومات (GPUs) لتعمل بشكل فعال. قد تثني التكاليف المرتفعة المرتبطة بـ LLMs بعض المؤسسات، خاصة عند مراعاة الالتزام بالمعايير البيئية والاجتماعية والحوكمة (ESG)، حيث تتطلب هذه النماذج موارد حوسبة كبيرة للتدريب، والتعزيز، والتحسين، ومهام أخرى.

ومع ذلك، تستهلك SLMs موارد أقل بينما تقدم أداءً قويًا بشكل مدهش، في بعض الأحيان تنافس LLMs في معايير محددة. يتيح طابعها القابل للتخصيص للمؤسسات ضبط SLMs لتناسب مهام معينة، مثل التدريب على بيانات مختارة وتعزيز نتائج البحث من خلال توليد معزز بواسطة الاسترجاع (RAG). بالنسبة للكثيرين، تعد SLMs مثالية للنشر على الخوادم المحلية.

إن الاتجاه نحو تصغير النماذج يحظى بقبول متزايد بين الشركات العملاقة الناشئة والمشروعات الصغيرة، حيث أطلق العديد منها نماذج أصغر مصممة للأجهزة المحمولة، من أجهزة الكمبيوتر المحمولة إلى الهواتف الذكية. تشمل الأمثلة البارزة الكشف عن خط Gemini من Google في ديسمبر، الذي يتضمن نموذج Nano المدمج، إلى جانب نماذج Mixtral 8x7b من Mistral AI وPhi-2 من Microsoft. في فبراير، قدمت Google نماذج Gemma.

اختيار النموذج المناسب

يعتمد الاختيار بين نموذج LLM ونموذج SLM على عدد المعلمات المطلوبة لتلبية احتياجاتك وميزانيتك. إليك دليل لتحديد ما إذا كان نموذج SLM مناسبًا لمؤسستك:

1. تقييم الاحتياجات التجارية: حدد المشكلات المحددة التي تسعى لحلها—سواء كان ذلك روبوت دردشة جديد لخدمة العملاء أو تحسين إنشاء المحتوى للتسويق والمبيعات.

2. بحث السوق: استكشف النماذج المختلفة لتحديد الأنسب بناءً على مواردك الحالية، بما في ذلك الأفراد والعمليات والتكنولوجيا.

3. إجراء اختبار نماذج: قم باختبار SLMs المفضلة من خلال برامج تجريبية لتقييم دقة النموذج، والقدرة على التعميم، وسهولة الفهم، والسرعة.

4. تقييم متطلبات الموارد: قيّم احتياجات مؤسستك من الخوادم، والتخزين، وGPUs، إلى جانب التكاليف المرتبطة بها.

5. وضع استراتيجية للنشر: قم بتطوير استراتيجية شاملة لدمج النموذج المختار في الأنظمة الحالية، مع مراعاة الأمان وخصوصية البيانات، والتخطيط للصيانة والدعم.

أفكار ختامية

يتطور مشهد الذكاء الاصطناعي التوليدي بسرعة. من الضروري البقاء على إطلاع لتجنب فقدان التطورات المهمة.

هناك نظام بيئي متزايد من الشركاء المتاحين لمساعدتك في اختيار النموذج المناسب، والبنية التحتية، والاستراتيجيات التي تتناسب مع عملك. من خلال التعاون مع الشريك المناسب، يمكنك إنشاء خدمات ذكاء اصطناعي توليدي مُحسّنة لموظفيك وزبائنك.

هل أنت مستعد للتعاون والابتكار؟ اكتشف كيف يمكن أن تساعدك Dell APEX للذكاء الاصطناعي التوليدي في دمج الذكاء الاصطناعي بسلاسة في عملياتك.