مصدر الصورة: تم إنشاؤه بواسطة الذكاء الاصطناعي غير محدود
أصبح استخدام الذكاء الاصطناعي أكثر انتشارا ولا يقتصر على استخدامه من قبل الأفراد. كما أصبح من الشائع بشكل متزايد في المؤسسات استخدام الذكاء الاصطناعي لتحسين سير العمل والنهوض بالعمل. ولكن تجدر الإشارة إلى أن النماذج الأكبر حجما هي الأكثر قوة في كثير من الأحيان ، مما سيسبب صعوبات في نشر المؤسسة. كتب سيلفيو سايسي عن أفكاره حول هذه المشكلة ، ** النماذج ليست أكبر هي الأفضل ، يمكن للنماذج الصغيرة التعامل بشكل أفضل مع محتوى العمل. **
فيما يلي ترجمة وترتيب النص الأصلي بواسطة قلب الآلة دون تغيير المعنى الأصلي.
العنوان الأصلي:
في الأشهر الأخيرة ، كتبت الكثير عما أسميه LAM (نموذج العمل الكبير) ، وهو متغير أكثر نشاطا واستقلالية من LLM. فهو لا ينشئ محتوى مثل النصوص أو الصور فحسب ، بل يمكنه إكمال المهام بأكملها وحتى المشاركة في سير العمل ، سواء مع الأشخاص أو بمفردك. هذا العام ، في Dreamforce 2023 ، مع إطلاق مساعد طيار أينشتاين ، اتخذت هذه الرؤية خطوة كبيرة نحو الواقع. سيتم طرح مساعد أينشتاين ، مساعد المحادثة الذكاء الاصطناعي في Salesforce ، عبر منصة Salesforce وجاهز للاندماج في كل ما يفعله العملاء تقريبا.
**مساعد طيار أينشتاين: لمحة عن مستقبل الذكاء الاصطناعي التوليدية **
من الصعب عدم إثارة إعجاب مساعد أينشتاين خارج الصندوق. تم تصميمه من الألف إلى الياء ليكون منتجا بطريقة آمنة من خلال مساعدة المستخدمين في جميع أنواع سير العمل تقريبا. يمكنه التعامل مع الأسئلة المنشورة بلغة طبيعية وتقديم إجابات موثوقة ذات صلة مستخرجة من بيانات الملكية الآمنة من قبل الشركة. هذه صورة واضحة للمكان الذي أعتقد أن الذكاء الاصطناعي يتجه إليه في المؤسسة: واجهة واحدة موثوقة مصممة حول التفاعل اليومي بين الإنسان والحاسوب وقادرة على المساعدة في مجموعة متنوعة من المهام. إنه يوضح قوة الذكاء الاصطناعي لضمان تلبية التكنولوجيا لاحتياجات الشركات ، وليس لدي شك في أنها ستغير أيضا طريقة عمل العملاء. و LAM ، مع تطورها في المرونة والوظائف ، ستأخذ هذه القوة القوية بالفعل إلى المستوى التالي.
جعل نماذج الذكاء الاصطناعي التوليدية "صغيرة وكبيرة"
في الآونة الأخيرة ، دارت العديد من الموضوعات في الذكاء الاصطناعي التوليدية حول مقياس النموذج وبنية النموذج التي تعمل على تشغيل LLM و LAM. مع استمرار شركات مثل OpenAI في دفع حدود الحجم ، مع تجاوز عدد المعلمات 100 مليار ، ليس من الصعب استنتاج أن الأكبر هو الأفضل. في الواقع ، غالبا ما تتباهى النماذج الكبيرة بأن أدائها صعب أو مستحيل تحقيقه بطريقة أخرى. ومع زيادة حجم النموذج ، يظهر سلوك معقد بشكل لا يصدق ، مما يشير إلى أن الاستراتيجيات واسعة النطاق يمكن أن تحقق فوائد كبيرة.
** كيف يمكن لتقليص حجم النماذج بشكل استراتيجي أن يحقق فوائد ضخمة **
في حين أن النماذج الأكبر لا تزال تهيمن على العناوين الرئيسية ، فإن السعي وراء نماذج أكبر ليس هو أفضل استراتيجية. من الواضح أن أكبر النماذج أصبحت الآن باهظة الثمن من الناحية الحسابية ، والعديد من الشركات بعيدة المنال. وحتى تلك الشركات القادرة على تحمل تكاليف نشرها يجب أن تعترف بأن الناتج عالي الجودة الذي تعد به يمكن أن يكون بطيئا للغاية. بالإضافة إلى ذلك ، ما زلنا نواجه مشاكل تتعلق بالثقة والأمن والضرر ومطالبات الملكية مثل حقوق الطبع والنشر ، وكلها تنبع من مجموعات البيانات الضخمة ذات المصادر العالمية التي تعتمد عليها النماذج فائقة الحجم.
أوجه القصور هذه تجعل النماذج الصغيرة جذابة بشكل متزايد في العديد من المجالات. إنها فعالة نسبيا من حيث التكلفة ويمكن ضبطها على سرعات لا تصدق. اليوم ، يمكن تشغيل LLM المصممة خصيصا بالكامل على الحافة في بعض الحالات ، بما في ذلك الأجهزة المحمولة للمستخدمين النهائيين. ولأنها تتطلب تدريبا أقل ، يمكن للعملاء القيام بدور إداري أكثر نشاطا في إعداد مجموعات البيانات الخاصة بهم. في هذه المرحلة ، يمكن إجراء تحسينات هائلة من حيث الجودة والأمان وحتى الوضع القانوني للمحتوى الموجود في مجموعة البيانات.
من خلال التركيز على المناطق الضيقة ، يمكن أن تكون جودة مخرجات النموذج الصغير على قدم المساواة مع "إخوانهم الكبار". تم تصميم نماذج مثل ChatGPT بشكل أساسي للجميع ، حيث تساعد في الواجبات المنزلية ووصفات العشاء والإجابة على الأسئلة حول العلوم والتكنولوجيا والتاريخ والثقافة الشعبية. وعلى النقيض من ذلك، يمكن وينبغي أن تركز الذكاء الاصطناعي التوليدية للمؤسسات على مجالات المشاكل الأصغر والأكثر صلة. ومن الواضح أن هذا مكسب للجميع: فهو يعني خفض الحواجز التي تحول دون الدخول دون المساس بجودة المخرجات. **
**كيف يوفر تنسيق النماذج الصغيرة إمكانات كبيرة **
حتى النماذج الصغيرة يمكن أن توفر حلولا كبيرة ، نحتاج فقط إلى التفكير بشكل مختلف في الحجم. بدلا من جعل النموذج نفسه أكبر ، قم بنسج نماذج متعددة لخدمة هدف أعلى مستوى. ** تم تصميم كل نموذج مع وضع هدف محدد في الاعتبار وتم تدريبه على مجموعة بيانات منسقة بعناية ومدققة بدقة وخاصة. ماذا لو كان من الممكن الجمع بين الذكاء الاصطناعي وكلاء مثل أينشتاين مساعد الطيار أو تنسيقهم ، تماما كما يمكن للعديد من البشر القيام بعمل كفريق أكثر مما يمكنهم كأفراد؟ على سبيل المثال ، مطعم ، وهو منظمة لا يمكن تحقيقها إلا من خلال العمل الجماعي ، لكل عضو مهاراته الخاصة ومجالات تركيزه: النوادل مسؤولون عن الطلب ، والطهاة مسؤولون عن إعداد الطعام ، وموظفو الاستقبال مسؤولون عن التعامل مع الحجوزات والطلبات ، والسائقين مسؤولون عن توصيل الطعام. إذن ، كيف ستبدو LAM عندما يتم تنظيمها بطريقة مماثلة؟
لقد كنت أفكر في التنسيق مؤخرا ، وأعتقد أنها واحدة من أكثر التقنيات إثارة ، ولكنها أيضا الأكثر عملية ، لجلب وكلاء مفيدين ومستقلين بطريقة آمنة وفعالة. والأهم من ذلك ، أن التنسيق يعني أنه حتى أكثر الحلول طموحا شفافة ومعروفة للمبدعين والأشخاص الذين يعملون معهم. ضع في اعتبارك أنه في هذه الحالة ، لا يأتي الحجم من شبكات عصبية أكبر وأكبر ، ولكن من مكونات مستقلة ومحددة جيدا يتم تنظيمها بطرق منطقية للبشر. على سبيل المثال ، بدلا من تدريب نموذج عملاق لتسجيل ملاحظات اجتماع العملاء ، واستخلاص الاستدلالات من النتائج ، وتحديث سجلات CRM المقابلة ، ثم إرسال معلومات المتابعة ، قم بتعيين كل مهمة من هذه المهام إلى نموذج مدرب بشكل منفصل.
في الواقع ، لقد أمضيت معظم مسيرتي البحثية في مجال الروبوتات ، ولا يسعني إلا أن أنظر إلى أبعد من ذلك ، متخيلا أن تصميم الرقصات هذا يمكن أن يتم في مساحة العالم الحقيقي. في المصانع والمكاتب والمستشفيات وحتى المطاعم ، تعمل النماذج جنبا إلى جنب مع البشر لإنجاز مجموعة متنوعة من المهام. يبدو الأمر نبيلا وبعيدا ، لكن في الوقت الحالي ، فإن إمكانات التنسيق ضخمة.
دعونا نتحدث عن فوائده. بادئ ذي بدء ، ينقذنا التنسيق من صعوبة تجميع مجموعة بيانات كبيرة بما يكفي وجعل نموذج واحد مرنا للغاية لحل صعوبات الوكلاء عبر المجالات ، كما يزيل خطر وضع كمية كبيرة من البيانات المختلفة جدا في مجموعة تدريب واحدة. **بالإضافة إلى ذلك، يمكن ضبط كل طراز بشكل أكبر بواسطة RLHF. لذلك ، في هذا النظام ، يكون كل مكون متخصصا للغاية ويستخدم لإكمال الخطوات الحرجة ولكن التي يمكن التحكم فيها في مهمة أكبر.
عندما تنشأ مشاكل ، سواء أثناء التشغيل أو الإنتاج ، يمكن تحديد المشكلات بسهولة أكبر من خلال نموذج واحد مخصص لفهمها وحلها بشكل أفضل. حتى الأخطاء الخطيرة يمكن التعامل معها بطريقة معيارية أكثر قوة. وتعمل النماذج المتعددة معا ، ويسهل التحكم في حالات الفشل وعزلها ، وهناك المزيد من الفرص للاستمرارية عند فشل مكون واحد.
** فن الآرت نوفو للتوليد الذكاء الاصطناعي: التصميم عبر نماذج متعددة **
والأهم من ذلك ، أنه يرفع إنشاء نماذج الذكاء الاصطناعي للمؤسسات من مهمة تقنية بحتة إلى مهمة نمذجة العمليات التجارية بعبارات يمكن لأصحاب المصلحة البشريين فهمها. مثلما يقوم المدير الجيد بتقسيم مشكلة إلى فريق لحلها ، سيكون لدى منسق الذكاء الاصطناعي القدرة على تقسيم المشكلة إلى سلسلة من النماذج المصممة لهذا الغرض.
الأمر المثير بشكل خاص في هذه الرؤية هو أنها تشير إلى مهارة جديدة ، يمكن للمرء أن يسميها فنا ناشئا ، وأنا أتطلع إلى رؤيتها تتطور في المؤسسة. سيفكر خبراء تنسيق LAM على مستوى عال ، ويتعاملون مع احتياجات المؤسسة كعمل تجاري ، وليس مجرد منصة تقنية ، ويستخدمون هذه الرؤية لتقسيم المهام الكبيرة والهادفة إلى سلسلة من المهام الأصغر التي سيتم حلها بواسطة "فرق" لام.
يتشابك عملهم بين البنية التحتية وعلوم البيانات وتصميم واجهة الإنسان والآلة. يضمن الأول أن هذه الفرق النموذجية يمكنها النشر بأمان وكفاءة ، بينما يسعى الأخير جاهدا لجمع مجموعات بيانات فريدة لحل المشكلات الأصغر والأقل غموضا. بعبارة أخرى، قد يصبح خبراء التنسيق الوجوه الجديدة الذكاء الاصطناعي المؤسسات، مع التركيز بشكل أقل على تفاصيل الشبكات العصبية وأكثر على كيفية بناء أنظمة قوية وقوية.
في الواقع، ما أتمناه في نهاية المطاف هو أن هذه المهارة ليست نادرة ولا حصرية، بل واسعة الانتشار، مما يحول تنسيق LAM إلى حل قوي وشخصي سيلعب دورا متزايد الأهمية في حياتنا المهنية. ومع ظهور السوق، قد يتم تخفيض حاجز الدخول إلى أبعد من ذلك، مما يوفر للعالم حلا يشبه تنسيق LAM يشبه مساعد الطيار والذي يعمل ببساطة على تشغيل الذكاء الاصطناعي التوليدية على نطاق لا يصدق.
سيستخدم البعض حل السوق هذا مباشرة ، مما يجعل تنسيق LAM حقيقة واقعة. سيعاملها الآخرون كوحدات ويدمجونها مع وحدات أخرى لتشكيل حلول بأحجام مختلفة وفقا لاحتياجاتهم. ولكن في كلتا الحالتين ، فإن أكثر ما يثيرني هو أن الذكاء الاصطناعي التوليدية لا تتشكل من قبل مجموعة صغيرة من التقنيين بقدر ما تتشكل من خلال إبداع ورؤية المهنيين في مختلف المجالات.
في الواقع ، رؤيتي لمستقبل العمل هي عالم يدعم فيه الذكاء الاصطناعي المهارات البشرية ويسمح لنا بالتفكير على مستوى أعلى ، وتبسيط كل ما نقوم به مع الاحتفاظ بالإبداع والأسلوب والمنظور الذي يميزنا.
ملخص
إن تحقيق أي رؤية جديدة أمر تدريجي ، ولام ليست استثناء. ومع ذلك ، فقد أظهرت السنوات الأخيرة أن كل خطوة على الطريق ستكون تحويلية. منذ بدايتها الأولى ، أظهرت LLM إمكانات نادرة للاضطراب والابتكار. تأخذ العوامل المساعدة مثل Einstein Copilot هذا الشريط إلى المستوى التالي من خلال واجهة سهلة الاستخدام وميزات ثقة وأمان قوية وتكامل سلس مع أنظمة مساعد الطيار التقليدية.
شاهد النسخة الأصلية
قد تحتوي هذه الصفحة على محتوى من جهات خارجية، يتم تقديمه لأغراض إعلامية فقط (وليس كإقرارات/ضمانات)، ولا ينبغي اعتباره موافقة على آرائه من قبل Gate، ولا بمثابة نصيحة مالية أو مهنية. انظر إلى إخلاء المسؤولية للحصول على التفاصيل.
تنسيق نموذج صغير ، بحيث تعمل المؤسسة 1 + 1_2 بشكل أكثر مرونة وكفاءة
المصدر الأصلي: آلة الطاقة
أصبح استخدام الذكاء الاصطناعي أكثر انتشارا ولا يقتصر على استخدامه من قبل الأفراد. كما أصبح من الشائع بشكل متزايد في المؤسسات استخدام الذكاء الاصطناعي لتحسين سير العمل والنهوض بالعمل. ولكن تجدر الإشارة إلى أن النماذج الأكبر حجما هي الأكثر قوة في كثير من الأحيان ، مما سيسبب صعوبات في نشر المؤسسة. كتب سيلفيو سايسي عن أفكاره حول هذه المشكلة ، ** النماذج ليست أكبر هي الأفضل ، يمكن للنماذج الصغيرة التعامل بشكل أفضل مع محتوى العمل. **
فيما يلي ترجمة وترتيب النص الأصلي بواسطة قلب الآلة دون تغيير المعنى الأصلي.
في الأشهر الأخيرة ، كتبت الكثير عما أسميه LAM (نموذج العمل الكبير) ، وهو متغير أكثر نشاطا واستقلالية من LLM. فهو لا ينشئ محتوى مثل النصوص أو الصور فحسب ، بل يمكنه إكمال المهام بأكملها وحتى المشاركة في سير العمل ، سواء مع الأشخاص أو بمفردك. هذا العام ، في Dreamforce 2023 ، مع إطلاق مساعد طيار أينشتاين ، اتخذت هذه الرؤية خطوة كبيرة نحو الواقع. سيتم طرح مساعد أينشتاين ، مساعد المحادثة الذكاء الاصطناعي في Salesforce ، عبر منصة Salesforce وجاهز للاندماج في كل ما يفعله العملاء تقريبا.
**مساعد طيار أينشتاين: لمحة عن مستقبل الذكاء الاصطناعي التوليدية **
من الصعب عدم إثارة إعجاب مساعد أينشتاين خارج الصندوق. تم تصميمه من الألف إلى الياء ليكون منتجا بطريقة آمنة من خلال مساعدة المستخدمين في جميع أنواع سير العمل تقريبا. يمكنه التعامل مع الأسئلة المنشورة بلغة طبيعية وتقديم إجابات موثوقة ذات صلة مستخرجة من بيانات الملكية الآمنة من قبل الشركة. هذه صورة واضحة للمكان الذي أعتقد أن الذكاء الاصطناعي يتجه إليه في المؤسسة: واجهة واحدة موثوقة مصممة حول التفاعل اليومي بين الإنسان والحاسوب وقادرة على المساعدة في مجموعة متنوعة من المهام. إنه يوضح قوة الذكاء الاصطناعي لضمان تلبية التكنولوجيا لاحتياجات الشركات ، وليس لدي شك في أنها ستغير أيضا طريقة عمل العملاء. و LAM ، مع تطورها في المرونة والوظائف ، ستأخذ هذه القوة القوية بالفعل إلى المستوى التالي.
جعل نماذج الذكاء الاصطناعي التوليدية "صغيرة وكبيرة"
في الآونة الأخيرة ، دارت العديد من الموضوعات في الذكاء الاصطناعي التوليدية حول مقياس النموذج وبنية النموذج التي تعمل على تشغيل LLM و LAM. مع استمرار شركات مثل OpenAI في دفع حدود الحجم ، مع تجاوز عدد المعلمات 100 مليار ، ليس من الصعب استنتاج أن الأكبر هو الأفضل. في الواقع ، غالبا ما تتباهى النماذج الكبيرة بأن أدائها صعب أو مستحيل تحقيقه بطريقة أخرى. ومع زيادة حجم النموذج ، يظهر سلوك معقد بشكل لا يصدق ، مما يشير إلى أن الاستراتيجيات واسعة النطاق يمكن أن تحقق فوائد كبيرة.
** كيف يمكن لتقليص حجم النماذج بشكل استراتيجي أن يحقق فوائد ضخمة **
في حين أن النماذج الأكبر لا تزال تهيمن على العناوين الرئيسية ، فإن السعي وراء نماذج أكبر ليس هو أفضل استراتيجية. من الواضح أن أكبر النماذج أصبحت الآن باهظة الثمن من الناحية الحسابية ، والعديد من الشركات بعيدة المنال. وحتى تلك الشركات القادرة على تحمل تكاليف نشرها يجب أن تعترف بأن الناتج عالي الجودة الذي تعد به يمكن أن يكون بطيئا للغاية. بالإضافة إلى ذلك ، ما زلنا نواجه مشاكل تتعلق بالثقة والأمن والضرر ومطالبات الملكية مثل حقوق الطبع والنشر ، وكلها تنبع من مجموعات البيانات الضخمة ذات المصادر العالمية التي تعتمد عليها النماذج فائقة الحجم.
أوجه القصور هذه تجعل النماذج الصغيرة جذابة بشكل متزايد في العديد من المجالات. إنها فعالة نسبيا من حيث التكلفة ويمكن ضبطها على سرعات لا تصدق. اليوم ، يمكن تشغيل LLM المصممة خصيصا بالكامل على الحافة في بعض الحالات ، بما في ذلك الأجهزة المحمولة للمستخدمين النهائيين. ولأنها تتطلب تدريبا أقل ، يمكن للعملاء القيام بدور إداري أكثر نشاطا في إعداد مجموعات البيانات الخاصة بهم. في هذه المرحلة ، يمكن إجراء تحسينات هائلة من حيث الجودة والأمان وحتى الوضع القانوني للمحتوى الموجود في مجموعة البيانات.
من خلال التركيز على المناطق الضيقة ، يمكن أن تكون جودة مخرجات النموذج الصغير على قدم المساواة مع "إخوانهم الكبار". تم تصميم نماذج مثل ChatGPT بشكل أساسي للجميع ، حيث تساعد في الواجبات المنزلية ووصفات العشاء والإجابة على الأسئلة حول العلوم والتكنولوجيا والتاريخ والثقافة الشعبية. وعلى النقيض من ذلك، يمكن وينبغي أن تركز الذكاء الاصطناعي التوليدية للمؤسسات على مجالات المشاكل الأصغر والأكثر صلة. ومن الواضح أن هذا مكسب للجميع: فهو يعني خفض الحواجز التي تحول دون الدخول دون المساس بجودة المخرجات. **
**كيف يوفر تنسيق النماذج الصغيرة إمكانات كبيرة **
حتى النماذج الصغيرة يمكن أن توفر حلولا كبيرة ، نحتاج فقط إلى التفكير بشكل مختلف في الحجم. بدلا من جعل النموذج نفسه أكبر ، قم بنسج نماذج متعددة لخدمة هدف أعلى مستوى. ** تم تصميم كل نموذج مع وضع هدف محدد في الاعتبار وتم تدريبه على مجموعة بيانات منسقة بعناية ومدققة بدقة وخاصة. ماذا لو كان من الممكن الجمع بين الذكاء الاصطناعي وكلاء مثل أينشتاين مساعد الطيار أو تنسيقهم ، تماما كما يمكن للعديد من البشر القيام بعمل كفريق أكثر مما يمكنهم كأفراد؟ على سبيل المثال ، مطعم ، وهو منظمة لا يمكن تحقيقها إلا من خلال العمل الجماعي ، لكل عضو مهاراته الخاصة ومجالات تركيزه: النوادل مسؤولون عن الطلب ، والطهاة مسؤولون عن إعداد الطعام ، وموظفو الاستقبال مسؤولون عن التعامل مع الحجوزات والطلبات ، والسائقين مسؤولون عن توصيل الطعام. إذن ، كيف ستبدو LAM عندما يتم تنظيمها بطريقة مماثلة؟
لقد كنت أفكر في التنسيق مؤخرا ، وأعتقد أنها واحدة من أكثر التقنيات إثارة ، ولكنها أيضا الأكثر عملية ، لجلب وكلاء مفيدين ومستقلين بطريقة آمنة وفعالة. والأهم من ذلك ، أن التنسيق يعني أنه حتى أكثر الحلول طموحا شفافة ومعروفة للمبدعين والأشخاص الذين يعملون معهم. ضع في اعتبارك أنه في هذه الحالة ، لا يأتي الحجم من شبكات عصبية أكبر وأكبر ، ولكن من مكونات مستقلة ومحددة جيدا يتم تنظيمها بطرق منطقية للبشر. على سبيل المثال ، بدلا من تدريب نموذج عملاق لتسجيل ملاحظات اجتماع العملاء ، واستخلاص الاستدلالات من النتائج ، وتحديث سجلات CRM المقابلة ، ثم إرسال معلومات المتابعة ، قم بتعيين كل مهمة من هذه المهام إلى نموذج مدرب بشكل منفصل.
في الواقع ، لقد أمضيت معظم مسيرتي البحثية في مجال الروبوتات ، ولا يسعني إلا أن أنظر إلى أبعد من ذلك ، متخيلا أن تصميم الرقصات هذا يمكن أن يتم في مساحة العالم الحقيقي. في المصانع والمكاتب والمستشفيات وحتى المطاعم ، تعمل النماذج جنبا إلى جنب مع البشر لإنجاز مجموعة متنوعة من المهام. يبدو الأمر نبيلا وبعيدا ، لكن في الوقت الحالي ، فإن إمكانات التنسيق ضخمة.
دعونا نتحدث عن فوائده. بادئ ذي بدء ، ينقذنا التنسيق من صعوبة تجميع مجموعة بيانات كبيرة بما يكفي وجعل نموذج واحد مرنا للغاية لحل صعوبات الوكلاء عبر المجالات ، كما يزيل خطر وضع كمية كبيرة من البيانات المختلفة جدا في مجموعة تدريب واحدة. **بالإضافة إلى ذلك، يمكن ضبط كل طراز بشكل أكبر بواسطة RLHF. لذلك ، في هذا النظام ، يكون كل مكون متخصصا للغاية ويستخدم لإكمال الخطوات الحرجة ولكن التي يمكن التحكم فيها في مهمة أكبر.
عندما تنشأ مشاكل ، سواء أثناء التشغيل أو الإنتاج ، يمكن تحديد المشكلات بسهولة أكبر من خلال نموذج واحد مخصص لفهمها وحلها بشكل أفضل. حتى الأخطاء الخطيرة يمكن التعامل معها بطريقة معيارية أكثر قوة. وتعمل النماذج المتعددة معا ، ويسهل التحكم في حالات الفشل وعزلها ، وهناك المزيد من الفرص للاستمرارية عند فشل مكون واحد.
** فن الآرت نوفو للتوليد الذكاء الاصطناعي: التصميم عبر نماذج متعددة **
والأهم من ذلك ، أنه يرفع إنشاء نماذج الذكاء الاصطناعي للمؤسسات من مهمة تقنية بحتة إلى مهمة نمذجة العمليات التجارية بعبارات يمكن لأصحاب المصلحة البشريين فهمها. مثلما يقوم المدير الجيد بتقسيم مشكلة إلى فريق لحلها ، سيكون لدى منسق الذكاء الاصطناعي القدرة على تقسيم المشكلة إلى سلسلة من النماذج المصممة لهذا الغرض.
الأمر المثير بشكل خاص في هذه الرؤية هو أنها تشير إلى مهارة جديدة ، يمكن للمرء أن يسميها فنا ناشئا ، وأنا أتطلع إلى رؤيتها تتطور في المؤسسة. سيفكر خبراء تنسيق LAM على مستوى عال ، ويتعاملون مع احتياجات المؤسسة كعمل تجاري ، وليس مجرد منصة تقنية ، ويستخدمون هذه الرؤية لتقسيم المهام الكبيرة والهادفة إلى سلسلة من المهام الأصغر التي سيتم حلها بواسطة "فرق" لام.
يتشابك عملهم بين البنية التحتية وعلوم البيانات وتصميم واجهة الإنسان والآلة. يضمن الأول أن هذه الفرق النموذجية يمكنها النشر بأمان وكفاءة ، بينما يسعى الأخير جاهدا لجمع مجموعات بيانات فريدة لحل المشكلات الأصغر والأقل غموضا. بعبارة أخرى، قد يصبح خبراء التنسيق الوجوه الجديدة الذكاء الاصطناعي المؤسسات، مع التركيز بشكل أقل على تفاصيل الشبكات العصبية وأكثر على كيفية بناء أنظمة قوية وقوية.
في الواقع، ما أتمناه في نهاية المطاف هو أن هذه المهارة ليست نادرة ولا حصرية، بل واسعة الانتشار، مما يحول تنسيق LAM إلى حل قوي وشخصي سيلعب دورا متزايد الأهمية في حياتنا المهنية. ومع ظهور السوق، قد يتم تخفيض حاجز الدخول إلى أبعد من ذلك، مما يوفر للعالم حلا يشبه تنسيق LAM يشبه مساعد الطيار والذي يعمل ببساطة على تشغيل الذكاء الاصطناعي التوليدية على نطاق لا يصدق.
سيستخدم البعض حل السوق هذا مباشرة ، مما يجعل تنسيق LAM حقيقة واقعة. سيعاملها الآخرون كوحدات ويدمجونها مع وحدات أخرى لتشكيل حلول بأحجام مختلفة وفقا لاحتياجاتهم. ولكن في كلتا الحالتين ، فإن أكثر ما يثيرني هو أن الذكاء الاصطناعي التوليدية لا تتشكل من قبل مجموعة صغيرة من التقنيين بقدر ما تتشكل من خلال إبداع ورؤية المهنيين في مختلف المجالات.
في الواقع ، رؤيتي لمستقبل العمل هي عالم يدعم فيه الذكاء الاصطناعي المهارات البشرية ويسمح لنا بالتفكير على مستوى أعلى ، وتبسيط كل ما نقوم به مع الاحتفاظ بالإبداع والأسلوب والمنظور الذي يميزنا.
ملخص
إن تحقيق أي رؤية جديدة أمر تدريجي ، ولام ليست استثناء. ومع ذلك ، فقد أظهرت السنوات الأخيرة أن كل خطوة على الطريق ستكون تحويلية. منذ بدايتها الأولى ، أظهرت LLM إمكانات نادرة للاضطراب والابتكار. تأخذ العوامل المساعدة مثل Einstein Copilot هذا الشريط إلى المستوى التالي من خلال واجهة سهلة الاستخدام وميزات ثقة وأمان قوية وتكامل سلس مع أنظمة مساعد الطيار التقليدية.