لا شك أن هندسة الذكاء الاصطناعي أصحبت مجالًا رائدًا ومرتفع الطلب وترجع أهميتها لأهمية تخصص الذكاء الاصطناعي الذي اختصر علينا نحن البشر كثيرًا من العمل، ووفر الكثير من وقتنا وجهدنا في مختلف المجالات مثل دعم عملية التعليم، وإدارة العمليات التجارية، وتشخيص الأمراض، وتصميم الصور وصناعة مقاطع الفيديو وغيرها الكثير، فما هي هندسة الذكاء الاصطناعي؟ وما أهميتها؟ وما طرق درستها المختلفة؟ وما أهم تطبيقاتها العملية؟ هذا ما سنعرفه في مقال اليوم.

ما هو تخصص الذكاء الاصطناعي؟

قبل التعرف على هندسة الذكاء الاصطناعي لنوضح بداية ما هو الذكاء الاصطناعي الذي يعد مجالًا حديثًا يهتم ببناء آلات وحواسيب وأنظمة تستطيع التعلم والتفكير ومحاكاة الأدمغة البشرية، وتستطيع تأدية الوظائف التي كانت تتطلب ذكاءً بشريًا للتعامل معها، بل وصل الأمر إلى ما هو أبعد من ذلك فصارت الآلات والحواسيب المبنية بالذكاء الاصطناعي قادرة على التعامل مع بيانات ضخمة لم يكن البشر ليتعاملوا معها ويستطيعوا تحليلها لضخامة حجمها، فساعد الذكاء الاصطناعي على تحليلها والخروج بنتائج مفيدة منها.

ويعتمد تخصص الذكاء الاصطناعي بشكل أساسي على البيانات، إذ يتعلم منها ويكتسب خبراته من تحليل أحجام ضخمة من البيانات واكتشاف ما تخفيه هذه البيانات من أنماط وعلاقات بالاعتماد على خوارزمية الذكاء الاصطناعي.

ما هي هندسة الذكاء الاصطناعي

هندسة الذكاء الاصطناعي AI-Engineering أحد التخصصات الهندسية الرائدة التي تهدف إلى تصميم وتطوير وإدارة الأنظمة التي تعتمد على تقنيات الذكاء الاصطناعي، فهي مجال حيوي يهتم باستخدام الأساليب الحديثة والأدوات المتطورة لتطبيق حلول الذكاء الاصطناعي وحل المشكلات المعقدة وأتمتة العمليات في مختلف الصناعات كالتعليم والنقل والتمويل والرعاية الصحية.

وهي تخصص حديث ومهم يجمع بين عدة مجالات رئيسية من بينها هندسة البرمجيات وعلوم الحاسوب وعلم البيانات والتحليل الإحصائي، ويركز بشكل خاص على على برمجة الآلات وجعلها قادرة على التفكير بطريقة مشابهة لطريقة الدماغ البشري. ويعنى بتطوير خوارزميات ونماذج تعلم الآلة ML وبناء أدوات وحلول قائمة على الذكاء الاصطناعي لمنح الآلات قدرة على التفكير واتخاذ القرارات المنطقية بكفاءة.

تختلف هندسة الذكاء الاصطناعي عن الهندسة التقليدية لأن الأنظمة الذكية تعتمد على البيانات لتحديد سلوكها النهائي فهي تتعلم من البيانات وتحسن أدائها بمرور الوقت، ولا تعتمد على البرمجة الصريحة المباشرة، وما يميز مهندسي الذكاء الاصطناعي عن مهندسي البرمجيات التقليديين هو قدرتهم على العمل مع هياكل البيانات المعقدة والشبكات العصبية وشبكات التعلم العميق، ونماذج تعلم الآلة المتطورة والاستفادة من قدراتها لحل المشكلات بدل طرق البرمجة التقليدية العادية.

كما تهتم هندسة الذكاء الاصطناعي بإجراء الأبحاث الأساسية في مجالات الذكاء الاصطناعي وتعلم الآلة وتبني جسرًا بينها وبين العلوم الهندسية، وتسعى لجعل تخصصات الذكاء الاصطناعي وتعلم الآلة سهلة الاستخدام وتضمن تطبيقها الآمن والفعال في مختلف المجالات.

تخصصات هندسة الذكاء الاصطناعي

تتضمن هندسة الذكاء الاصطناعي العديد من التخصصات الفرعية، ومن أهمها:

• تعلم الآلة Machine Learning: يركز هذا التخصص على جعل الأجهزة ذكية وقابلة للتعلم من البيانات وتحسين أدائها تلقائيًا دون برمجة صريحة وهو يستخدم في التنبؤ وتصنيف البيانات وأنظمة التوصية.
• التعلم العميق Deep Learning: فرع متقدم من تعلم الآلة يحاكي عمل الدماغ البشري من خلال استخدام شبكات عصبية اصطناعية متعددة الطبقات، ويستخدم في تطبيقات التعرف على الوجوه، وتحويل النصوص المكتوبة إلى كلام منطوق، وتشخيص الأمراض.
• التعلم بواسطة التعزيز  Reinforcement Learning: أحد أساليب تعلم الآلة يركز على تدريب الأنظمة على اتخاذ القرارات والتعلم بالاعتماد على أسلوب المكافأة والعقاب لتحسين سلوكها، وهو يستخدم في تطوير الألعاب والتحكم الآلي والتنبؤات المالية.
• معالجة اللغات الطبيعية Natural language processing: يركز هذا التخصص على تمكين الآلات من فهم ومعالجة وإنتاج اللغة البشرية ويستخدم في الترجمة الآلية وأنظمة الدردشة الذكية وتحليل المشاعر.
• الرؤية الحاسوبية Computer Vision: يهتم بتمكين الأجهزة من فهم وتحليل الصور والفيديو يستخدم في التعرف على الوجوه والسيارات ذاتية القيادة والفحص الطبي.
• علم الروبوتات Robotics: يهتم بدمج الذكاء الاصطناعي في الأنظمة الفيزيائية للتفاعل مع العالم الحقيقي ويستخدم في التصنيع والرعاية الصحية.

مهام مهندس الذكاء الاصطناعي

تتضمن المهام الرئيسية لمهندسي الذكاء الاصطناعي تصميم وبناء تطبيقات ونماذج ذكية يمكنها معالجة كميات ضخمة من البيانات، والتعلم منها لاتخاذ عن قرارات صائبة باستخدام لغات برمجة الذكاء الاصطناعي والشبكات العصبية التي تحلل هذه البيانات وتستخرج الأنماط والتنبؤات منها، بالإضافة إلى نشر التطبيقات الذكية في بيئات الإنتاج وصيانة وتحديث أنظمة الذكاء الاصطناعي بصورة مستمرة وتحسين أدائها لضمان فعاليتها وملاءمتها.

من الأمثلة على التطبيقات التي يمكن لمهندس الذكاء الاصطناعي تطويرها تطبيقات الترجمة بمساعدة الذكاء الاصطناعي، وروبوتات الدردشة الذكية مثل ChatGPT، وتطبيقات الرؤية الحاسوبية التي تتعرف على الوجوه أو الصور، وتطبيقات تحليل المشاعر، وأنظمة التوصية التي تقترح الأفلام أو المنتجات بناءً على تفضيلات المستخدم والألعاب المعتمدة على الذكاء الاصطناعي التي تتكيف مع أساليب اللعب المختلفة وتحسن تجربة اللاعبين وغيرها الكثير.

مهارات هندسة الذكاء الاصطناعي

تحتاج دراسة هندسة الذكاء الاصطناعي لامتلاك العديد من المهارات التقنية من أهمها:

• إلمام بمبادئ علوم الحاسوب وأساسيات لغات البرمجة مثل بايثون Python أو R أو جافا Java
• معرفة بخوارزميات تعلم الآلة والتعلم العميق ومعالجة اللغة الطبيعية لبناء واختبار النماذج المناسبة واستخدامها في مشاريعهم وتطبيقاتهم
• خبرة في استخدام أطر عمل ومكتبات الذكاء الاصطناعي مثل بايتورش PyTorch   وتنسرفلو TensorFlow التي تسهل تنفيذ النماذج.
• امتلاك أساس في الإحصاء والجبر الخطي لفهم أنماط البيانات وإجراء التنبؤات.
• الإلمام بمفاهيم قواعد البيانات لإدارة واسترجاع البيانات بكفاءة.
• بالإضافة المهارات التقنية، هناك عدة مهارات شخصية للنجاح في مجال هندسة الذكاء الاصطناعي كالتفكير الإبداعي وحل المشكلات وفهم مجال العمل التي يحتاج لأن يطور لها أنظمة ذكية.
• أخيرًا يحتاج مهندس الذكاء الاصطناعي لفهم أساسيات أخلاقيات الذكاء الاصطناعي وتأثيره على المجتمع لتطوير مشاريع ذكاء اصطناعي آمنة وموثوقة.

مستقبل هندسة الذكاء الاصطناعي

تزداد سرعة تطور الذكاء الاصطناعي يومًا بعد الآخر من تقنيات ومسائل أمنية وأخلاقية ووظائف، وتتحسن أدواته وتزيد دقتها، بل تظهر أدوات جديدة هي أكثر تطورًا من سابقاتها وتزداد الحاجة إلى تطوير حلول ذكية قابلة للتطبيق في مختلف المجالات.

وهذا سيفتح المجال لظهور فرص واسعة للمهندسين والمبرمجين الخبراء بتطوير التطبيقات والأدوات الذكية والقادرين على استخدام خوارزميات الذكاء الاصطناعي وتعلم الآلة، ولغات البرمجة، وهياكل البيانات بكفاءة لبناء واختبار ونشر نماذج ذكاء اصطناعي عالية الكفاءة وقادة على أداء المهام التي تتطلب ذكاءً مشابهًا للذكاء البشري.

فدراسة هندسة الذكاء الاصطناعي خيار مثالي لضمان مستقبل واعد والمساهمة الفعالة في التطور التقني وهي تفتح أمامك الكثير من الفرص والإمكانيات وتعزز فرصة حصولك على وظيفة مرموقة تضمن مستقبلك وتوفر لك راتبًا مرتفعًا . فإذا كنت شغوفًا بالتقنية ومهتمًا بتخصص الذكاء الاصطناعي، فابدأ من الآن بدراسة هذا التخصص الرائد وحقق طموحك المهني.

طرق دراسة هندسة الذكاء الاصطناعي

إذا قررت دراسة الذكاء الاصطناعي وتعلم التقنيات الضرورية لهذا التخصص فأمامك مساران:

• الدراسة الجامعية: تتميز بوضوح المسار والمنهج وتوافر الدعم من الأساتذة الخبراء، وكذلك وجود مجتمع من الأصدقاء الداعمين السائرين في نفس الطريق، وسهولة الالتزام والاستمرارية في هذا المسار، وتحصيل شهادة مهنية تشهد لك بدراستك للمجال، أما عيوبها فطول مدة الدراسة، ونظرية المناهج دون التركيز على التطبيق العملي وسوق العمل.
• الدراسة الذاتية: تتفوق على الدراسة الجامعية في المرونة والقدرة على انتقاء الأستاذ الذي تعجبك طريقته، وتتميز أيضًا بالتركيز على سوق العمل والتطبيقات العملية المفيدة، وأنَّ مدة دراستها أقل من مدة الدراسة الجامعية، ولكن يعيب الدراسة الذاتية صعوبة الانضباط، وصعوبة الوصول الدائم إلى خبير يرشدك ويعينك في طريقك.

واحرص أثناء دراسة هندسة الذكاء الاصطناعي على تطوير مشاريع ذكاء اصطناعي والتطبيق العملي على كل ما تدرسه، فأصل دراسة المجالات التقنية عمومًا هو التطبيق العملي. وإن أردت الجمع بين مميزات الدراسة الجامعية من دعم ومنهج واضح والتزام وشهادة معتمدة ومميزات الدراسة الذاتية من تطبيق عملي ومرونة ومواكبة لسوق العمل؛ فستساعدك دورة الذكاء الاصطناعي من أكاديمية حسوب على دراسة المجال من الصفر حتى الاحتراف مع مدربين محترفين يجيبون على كل تساؤلاتك ويشرحون لك ما يصعب عليك فهمه.

دورة الذكاء الاصطناعي

احترف برمجة الذكاء الاصطناعي AI وتحليل البيانات وتعلم كافة المعلومات التي تحتاجها لبناء نماذج ذكاء اصطناعي متخصصة.

اشترك الآن

وكذلك ستجد في أكاديمية حسوب مصادر عديدة مجانية تساعدك على البدء في تعلم هندسة الذكاء الاصطناعي من مقالات ودروس متخصصة، وكتبٍ شاملة، وإن كان التشتت والخشية من البداية الخاطئة ، ولا تدري أين نقطة البداية في هذا المجال الفسيح، فابدأ من صفحة تعلم الذكاء الاصطناعي التي تحوي جميع المعلومات والإرشادات التي تحتاجها للبداية في مجال الذكاء الاصطناعي، وتذكر أن الذكاء الاصطناعي هو مجال سريع التطور لذا من الضروري متابعة آخر التطورات، بما في ذلك نماذج تعلم الآلة الجديدة، وتقنيات تطوير الذكاء الاصطناعي، وتتابع أحدث التقنيات الناشئة وتوظفها في عملك.

الخلاصة

تعرفنا في مقال اليوم على هندسة الذكاء الاصطناعي وطرق دراسته المختلفة ومستقبله المتوقع ، فإن كنت مهتمًا بهذا المجال الحيوي فلا تتردد في البدء في دراسة المجال أو أدواته وتطبيقاته في مجالك، وتجهيز نفسك لمستقبل مهني مشرق يسوقه أصحاب المهارات التقنية الذكية ويفضلون على غيرهم من الموظفين في سوق العمل.

اقرأ أيضًا

• مستقبل الذكاء الاصطناعي
• كيف أستخدم تقنيات الذكاء الاصطناعي في عملي؟
• اسأل مهندس الذكاء الاصطناعي: أسئلة شائعة حول الذكاء الاصطناعي
• أمثلة على الذكاء الاصطناعي
• مستقبل البرمجة

كان بناء نموذج ذكاء اصطناعي متطور صعبًا، ومقتصرًا على الشركات الكبيرة، مثل جوجل و OpenAI نظرًا لصعوبة تجميع مجموعات بياناتٍ كبيرةٍ لتدريب النموذج عليها والحاجة إلى بنية تحتية حاسوبية قوية لتشغيل تلك النماذج. حتى ظهرت منصة Hugging Face التي غيرت المشهد. فقد أصبحت منصة Hugging Face واحدة من أبرز المنصات التي تسهل بناء النماذج الذكية وتطويرها وتوفر للمطورين نماذج ذكاء اصطناعي ومجموعات بيانات مفتوحة المصدر وتمكنهم من إنجاز مشاريع ذكار اصطناعي خاصة بهم دون العناء في تجميع البيانات وتنقيحها، ودون الحاجة لدفع مبالغ طائلة، فما هي منصة Hugging Face؟ وما أهم استخداماتها؟ وما النماذج التي توفرها؟ هذا ما سنعرفه في مقال اليوم.

ما هي منصة Hugging Face

تعد Hugging Face منصة مختصة في الذكاء الاصطناعي وتعلم الآلة ومعالجة اللغات الطبيعية وعلوم البيانات، فهي توفر العديد من المكتبات مفتوحة المصدر مثل مكتبة المحولات Transformers، التي توفر نماذج جاهزة يمكن استخدامها مباشرةً أو تحسينها، كما توفر منصات لتجربة النماذج دون الحاجة إلى إعداد بيئة برمجية معقدة.

بالإضافة إلى ذلك، تسهل Hugging Face الوصول إلى مجموعات بيانات متنوعة من خلال مكتبة Datasets، مما يقلل من عبء إعداد البيانات اللازمة للتدريب. كما أن دعمها القوي لدمج النماذج في التطبيقات المختلفة عبر واجهات برمجية (APIs) جعلها الخيار الأمثل للمطورين، ومن خلال هذه الأدوات والخدمات، تمكنت Hugging Face من إزالة الحواجز التقنية أمام بناء النماذج، مما ساهم في تعزيز انتشار الذكاء الاصطناعي في العديد من المجالات مثل معالجة اللغات الطبيعية، وتحليل الصور والتعرف على الأصوات وغيرها..

وتؤمن لك المنصة بنية تحتية لتطبيقات الذكاء الاصطناعي، فتستطيع باستخدامها بناء نموذج ذكاء اصطناعي وتدريبه واختباره وإطلاقه، وكذلك توفر مستودعًا يضم كثيرًا من نماذج الذكاء الاصطناعي مفتوحة المصدر، وتطبيقات تفاعلية جاهزة تُسمى Spaces، والتي يمكنك من خلالها بناء نماذج جديدة محسنة، وستجد فيها أيضًا مجتمعًا ضخمًا يجمع كافة المهتمين بمجال الذكاء الاصطناعي وتعلم الآلة ويسمح بتبادل الخبرات وتطوير وتحسين هذا المجال الحيوي بطريقة تعاونية.

ما أهم مميزات منصة Hugging Face؟

تتميز منصة Hugging Face بمجموعةٍ من الخواص، ومنها:

•  توفر نماذج ذكاء اصطناعي متنوعة مفتوحة المصدر: إذ يحوي مستودع Hugging Face آلاف نماذج ذكاء اصطناعي models يمكنك الاطلاع عليها واستخدامها في بناء نموذجك الخاص بخلاف النماذج مغلقة المصدر مثل ChatGPT من OpenAI أو Bard من جوجل حيث تتيح Hugging Face للمطورين عرض ومشاركة الشيفرة البرمجية للنماذج، مما يجعلها مكانًا ديناميكيًا للنماذج المتجددة باستمرار، وعدد هذه النماذج في تزايد مستمر، كما توفر المنصة إمكانية رفع نماذجك الخاصة ومشاركتها مع المطورين الآخرين عبر المنصة، ووتنوع مجالات هذه النماذج، فمنها نماذج معالجة لغات طبيعية NLP Models، ومنها نماذج تعلم آلة Machine Learning Models، ومنها نماذج معالجة صور Image Processing Models.

• تتضمن مجموعات بيانات تغطي مجالات متعددة: توفر منصة Hugging Face أيضًا مكتبة ضخمة من مجموعات البيانات Datasets مفتوحة المصدر؛ وهي منظمة وجاهزة لتدريب نماذج الذكاء الاصطناعي عليها، ما يختصر على المطور وقتًا وجهدًا عظيمًا يبذله في جمع البيانات وتنقيحها وتنظيمها وتدريبها.

• تحتوي تطبيقات جاهزة للاستخدام: منصة Hugging Face ليست موجهة لمهندسي ومطوري الذكاء الاصطناعي فقط، بل يمكن لغير المختصين الاستفادة منها من خلال المساحات Spaces وهي عبارة عن تطبيقات أو نماذج ذكاء اصطناعي جاهزة متاحة للاستخدام إذ يستطيع المستخدم العادي استخدامها في تنفيذ مهامه المختلفة مثل توليد الصور واستنساخ الأصوات، وتحليل البيانات.
  وفي كل أسبوع، تعرض مساحات متميزة لتلهم المجتمع وتستخدم بشكل فعال للتجارب والأبحاث والأعمال الإبداعية، وبهذا يمكن للمستخدمين استكشاف التطبيقات المميزة والوصول لها بسهولة من أعلى الصفحة. ومن الأمثلة على مساحات مفيدة مساحة CodeFormer المستخدمة في استعادة وتحسين ملامح الوجه في الصور القديمة، ومساحة Arabic Tashkeel لتشكيل النصوص العربية وغيرها من المساحات التي يمكنك استكشافها والإفادة منها.

دورة الذكاء الاصطناعي

احترف برمجة الذكاء الاصطناعي AI وتحليل البيانات وتعلم كافة المعلومات التي تحتاجها لبناء نماذج ذكاء اصطناعي متخصصة.

اشترك الآن

ما أهم استخدامات منصة Hugging Face؟

يستخدم مهندسو الذكاء الاصطناعي منصة Hugging Face بطرق مختلفة، وأهمها:

• صقل وتحسين النماذج Fine-Tuning: تختص تقنية الصقل بتكييف نموذج ذكاء اصطناعي مدرب مسبقًا لأداء مجموعة من المهام المحددة المندرجة تحت قسمٍ واحدٍ، ما يوفر الموارد المبذولة في تدريب نموذجٍ جديدٍ من الصفر، ويوفر كذلك من الوقت والجهد كثيرًا. ومع توفير منصة Hugging Face لكثيرٍ من نماذج الذكاء الاصطناعي العامة بشكلٍ مجانيٍّ ومفتوح المصدر؛ صارت المنصة مقصدًا لكل من أراد صقل نموذجٍ وتخصيصه في مجالٍ محددٍ.
• الاطلاع على نماذج تعلم الآلة ومشاركتها: تسمح منصة Hugging Face بالاطلاع على عدد ضخم من نماذج الذكاء الاصطناعي المختلفة، فقد تستوحي أفكارًا لمشاريع ذكاء اصطناعي خاصة من تصفح هذه النماذج والبحث فيها والتعلم منها، واستخدامها في التطبيق العملي، وكذلك فيمكنك مشاركة نماذج الذكاء الاصطناعي التي طورتها بنفسك مع مطورين خبراء على المنصة، فتختبرها وتعرف نقاط الضعف والقوة.
• الاطلاع على مجموعات بيانات ومشاركتها: توفر منصة Hugging Face كثيرًا من مجموعات البيانات Datasets المختلفة كما شرحنا سابقًأ، والتي يمكنك مباحثتها واختيار أنسبها لمشروعك الخاص ولتدريب نموذجك عليه، ويمكنك أيضًا مشاركة مجموعات البيانات التي نظمتها مع المطورين الآخرين، ليساعدوك في تحسينها وتعزيزها.
• البحث العلمي: تعرض منصة Hugging Face جمعًا من الأوراق والمواضيع البحثية في المجالات المختلفة من الذكاء الاصطناعي، مثل: معالجة اللغات الطبيعية Natural Language Processing والبيانات الضخمة Big Data، وتستطيع المشاركة في هذه الأبحاث مع مجموعة من مهندسي الذكاء الاصطناعي الخبراء للارتقاء بمجال الذكاء الاصطناعي والمضي به قدمًا.

ما أهم مصطلحات منصة Hugging Face؟

تتعدد المصطلحات المهمة في منصة Hugging Face، ومنها:

• المحولات Transformers: تعد المحولات نوعًا من الشبكات العصبية المشهورة في مجال معالجة اللغات الطبيعية، وتتميز بقدرتها على فهم الكلام المكتوب بشكلٍ أفضل من غيرها من الشبكات العصبية، أمَّا المحولات Transformers في سياق منصة Hugging Face فهي مكتبة مفتوحة المصدر مطورة بلغة بايثون، توفر مجموعة من نماذج معالجة اللغات الطبيعية المبنية على الشبكات العصبية من نوع المحولات.
• المكتبات Libraries: تحوي المكتبات مقاطع من الشيفرات البرمجية التي يستخدمها المطورون بكثرة، وتختلف استخدامات المكتبات، فمثلًا تحتوي مكتبات تطوير مواقع الويب على أهم الشيفرات التي يستخدمها مطورو الويب باستمرار في غالب مشروعاتهم.
• مستودع Hugging Face Hub: تتشابه مستودعات Hugging Face Hub إلى حد ما مع منصة جيت هاب GitHub، ولكن مع تخصيص أكبر لمجال الذكاء الاصطناعي، إذ تحتوي على عددٍ ضخمٍ من نماذج تعلم آلة مدربة مسبقًا مفتوحة المصدر، وكذلك تحتوي على مجموعات بياناتٍ كثيرةٍ يمكن للمطور استخدامها لبناء نموذج الذكاء الاصطناعي الخاص به.
• الدفتر Notebook: تعد تطبيقاتٍ تفاعليةٍ تساعد علماء البيانات وخبراء تعلم الآلة على كتابة الشيفرات الجاهزة للتنفيذ واختبارها فورًا، مع كتابة نصوص توضيحية لهذه الشيفرات، ومشاركتها عبر المنصة مع خبراء آخرين.

مميزات منصة Hugging Face

تتعدد مزايا منصة Hugging Face، ومن أهمها:

• سهولة التطوير: جعلت منصة Hugging Face بناء نماذج الذكاء الاصطناعي سهلًا بتوفيرها لنماذج مدربة مسبقًا يمكن صقلها، وبتوفيرها كذلك لواجهات برمجية ذات خواصٍ تساعد مهندسي الذكاء الاصطناعي على تطوير نماذج معالجة لغات طبيعية ونماذج تعلم آلة متطورة، مما يرفع عن المطورين تحدياتٍ كانت تواجههم من صعوبة تدريب نماذج الذكاء الاصطناعي نظرًا للموارد الحاسوبية الكبيرة التي تحتاجها، وكذاك جمع البيانات لتدريب هذه النماذج.
• سهولة النمذجة الأولية: مع تقنية الصقل ونماذج الذكاء الاصطناعي مفتوحة المصدر بمنصة Hugging Face، باتت النمذجة الأولية لأي فكرة مشروع ذكاء اصطناعي غاية في السهولة ولا يحتاج إلى وقت كثير وجهد كبير، ولا يتطلب كذلك دفع مبالغ طائلة من المال.
• المجتمع الداعم: توفر منصة Hugging Face مجتمعًا داعمًا لمطوري الذكاء الاصطناعي، وتوفر مصادر كثيرة لهم لتطوير مهاراتهم، فمجتمع Hugging Face مملوء بالدورات والوثائق Documentations المجانية التي تزيد من مهارات مهندسي البرمجيات.
• منصة مجانية: تعد منصة Hugging Face مجانية بالأصل، ورغم أنها تتضمن بعض الخطط المدفوعة التي توفر ميزاتٍ إضافية للأعمال، ولكن حتى هذه الخطط المدفوعة ليست باهظة الثمن، ما يجعلها منصة فعالة من حيث التكاليف لاستخدامها في مشروعات الذكاء الاصطناعي الخاصة.

عيوب منصة Hugging Face

رغم مميزات منصة Hugging Face الكثيرة إلَّا أنَّ بها تحدياتٍ ستواجهك عند استخدامها كذلك، وأهمها:

• تحيز النماذج: تعاني بعض نماذج الذكاء الاصطناعي على منصة Hugging Face من تحيز الذكاء الاصطناعي AI Bias، وهو توليد النماذج لنتائج تسيء لفئة معينة أو تنحاز لطرف على حساب آخر، فيجب أن تحرص على اختبار النموذج الذي ستبني عليه نموذج الخاص قبل بنائه، لتتأكد أن ليس هذا النموذج متحيزًا.
• كثرة النماذج: كما أنَّ كثرة النماذج على المنصة ميزةٌ، فإنه بذات الوقت عيبٌ لصعوبة الوصول إلى النموذج المناسب لاحتياجاتك الخاصة، لذا توفر منصة Hugging Face توفر كثيرًا من المحددات Filters التي يمكنك استخدامها أثناء البحث لتسهيل وتسريع الوصول إلى النموذج المناسب لك.
• ضعف الأمان: تتفاوت درجات الأمان في نماذج الذكاء الاصطناعي على منصة Hugging Face نظرًا لتفاوت مستويات مطوريها، فيجب أن تحرص أثناء اختيارك للنموذج المناسب لمشروعك على بحث معايير الأمان لدى المطور واختبار النموذج أمنيًا مرارًا وتكرارًا للتيقن من سلامة وخصوصية العملاء والحرص على نماذج طورتها جهات معروفة.

الخلاصة

سرنا خلال رحلتنا في هذا المقال عبر مواضيعٍ متعددة، بدءًا من تعريف منصة Hugging Face وتوضيح ماهيتها، مرورًا بإيضاح مميزات المنصة واستخداماتها، وصولًا إلى تبسيط أهم مصطلحات المنصة وتبيان مزاياها وعيوبها، والآن دورك لتجرب هذه المنصة وتشاركنا في التعليقات بانطباعاتك عنها وخططك لاستخدام منصة Hugging Face وتضمينها في أعمالك.

اقرأ أيضًا

• اسأل مهندس الذكاء الاصطناعي: أسئلة شائعة حول الذكاء الاصطناعي
• مشاركة نموذج ذكاء اصطناعي على منصة Hugging Face
• كيف أستخدم تقنيات الذكاء الاصطناعي في عملي؟
• تطبيقات الذكاء الاصطناعي

تقنيات الذكاء الاصطناعي هي مجال يثير الفضول ويحمل منذ بدايته تحولًا ضخمًا في ساحة العمل. ويتساءل كثيرون عن طبيعة هذه التقنيات وكيف يمكن أن تلعب دورًا حيويًا في تطوير أداء الأفراد في مختلف المجالات المهنية. سنستكشف في هذا المقال أهم تقنيات الذكاء الاصطناعي، ونتعرف على كيفية استثمارها بشكل فعّال لتعزيز كفاءة العمل ورفع مستوى الأداء الشخصي.

سنبدأ بتحليل مفهوم تقنيات الذكاء الاصطناعي والتعرف على أساسياتها، لنوفر للمبتدئين فهمًا أساسيًا وواضحًا، ثم سنلقي نظرة على كيفية استفادة المبرمجين والأفراد غير المتخصصين منها، ونستكشف الفوائد العملية لتقنيات الذكاء الاصطناعي في تحسين الإنتاجية وتسهيل التفاعل اليومي مع التقنية.

مفهوم تقنيات الذكاء الاصطناعي

يعد الذكاء الاصطناعي تفوقًا ذهنيًا آليًا يسمح للأنظمة بفهم البيانات، والتعلم منها، واتخاذ قرارات بناءً على هذا الفهم. فالذكاء الاصطناعي يمثل مجالًا من مجالات علوم الحاسوب يهدف إلى تطوير أنظمة ذكية قادرة على محاكاة القدرات الذهنية البشرية، مثل التعلم، والتفكير المنطقي، وفهم اللغة الطبيعية.

أساسيات تقنيات الذكاء الاصطناعي

تقوم تقنيات الذكاء الاصطناعي بالأساس على عدة أسس تتمثل في كل من تعلم الآلة Machine Learning، ومعالجة اللغة الطبيعية NLP والشبكات العصبية الصناعية ANN، والتي سنذكرها جميعًا في الآتي بالتفصيل واحدة واحدة، حتى تكون لديك دراية أوضح عن كيفية عمل هذه التقنيات ويسهل عليك فهمها:

1. تعلم الآلة Machine Learning: يعد تعلم الآلة أو التعلم الآلي جزءًا أساسيًا من الذكاء الاصطناعي، حيث يتيح للأنظمة تطوير القدرة على التعلم من البيانات وتحسين أدائها بشكل تلقائي. هذا يعني أنها قادرة على الاستفادة من المعطيات والبيانات المتاحة أمامها لتحسين أدائها دون الحاجة إلى تدخل بشري مستمر.
2. معالجة اللغة الطبيعية Natural Language Processing: تعني تمكين الأنظمة من فهم وتفسير اللغة البشرية بطريقة تقارب الفهم البشري، وذلك عن طريق استخدام تقنيات وأدوات متنوعة مثل تحليل النصوص، وفهم السياق، واستخراج المعلومات الرئيسية، وتحليل الصوت، وتوليد اللغة، وغيرها حيث تسمح هذه التقنيات للأنظمة بفهم ما يقرأه المستخدمون أو يقولونه، وبالتالي تتمكن من التفاعل الفعّال مع المحتوى اللغوي، سواءً كان ذلك من خلال الردود التلقائية، أو فهم الأوامر، أو توليد المحتوى النصي بشكل طبيعي وسلس.
3. الشبكات العصبية الاصطناعية Artificial Neural Networks: تُستخدم الشبكات العصبية الاصطناعية لمحاكاة العمليات الذهنية بطريقة مشابهة للشبكات العصبية في الدماغ البشري، حيث تُدرَّب الشبكات العصبية الاصطناعية على مجموعة وافرة من البيانات المعروفة، مما يمكّنها من تحديد الأنماط والعلاقات والتنبؤ بالبيانات الجديدة. يتم ذلك من خلال تكرار تعديل الوزن والمعاملات داخل الشبكة العصبية بحيث تتطابق إخراجها مع المعطيات المعروفة. بعد التدريب الجيد، فتصبح الشبكة العصبية الاصطناعية قادرة على التعرف على الأنماط في البيانات الجديدة وتطبيق الاستنتاجات المعقولة بناءً على الخبرات السابقة.

تُحدد بنية الشبكة العصبية من خلال عدد الطبقات وعدد الخلايا العصبية في كل طبقة و الوصلات بين الخلايا العصبية. حيث تتكون الشبكة العصبية عادةً من طبقة إدخال وطبقة مخفية واحدة أو أكثر وطبقة إخراج.

• طبقة الإدخال Input Layer: هي الطبقة الأولى من الشبكة العصبية التي تتلقى بيانات الإدخال. عدد الخلايا العصبية في طبقة الإدخال يساوي عدد الميزات في بيانات الإدخال.
• الطبقات المخفية Hidden Layers: هي الطبقات الوسيطة بين طبقات الإدخال والإخراج. يطلق عليها مخفية لأن قيمها لا يتم ملاحظتها في بيانات الإدخال أو الإخراج. عدد الطبقات المخفية وعدد الخلايا العصبية في كل طبقة مخفية هو حلقة تشعبية تحتاج إلى ضبط.
• طبقة الإخراج Output Layer: هي الطبقة الأخيرة من الشبكة العصبية، والتي تنتج الإخراج. يعتمد عدد الخلايا العصبية في طبقة الإخراج على المشكلة. على سبيل المثال ، إذا كانت المشكلة عبارة عن مشكلة تصنيف ثنائي، فسيكون هناك خلية عصبية واحدة في طبقة الإخراج، وإذا كانت المشكلة مشكلة تصنيف متعدد الفئات، فستكون هناك خلايا عصبية متعددة في طبقة الإخراج.

بعد أن اطلعنا على كيفية عمل تقنيات الذكاء الاصطناعي، لنتعرف على كيفية الاستفادة من هذه التقنيات في بيئة العمل لتحسين الأداء وتسهيل العمليات.

تطبيقات تقنيات الذكاء الاصطناعي في مجال العمل

كما هو متعارف عليه، تستخدم تقنيات الذكاء الاصطناعي بأكثر من مجال وظيفي، فبالرغم من كونها قائمة على أسس برمجية، لكن يمكن استخدامها في المجالات البرمجية وغير البرمجية، وفيما يلي توضيح لهذه الاستخدامات.

أولًا: الاستفادة من تقنيات الذكاء الاصطناعي بالنسبة للمبرمجين

يستخدم المبرمج الذكاء الاصطناعي لتحسين الأداء وتسهيل عمليات البرمجة في العديد من السيناريوهات كأن يكون هناك حاجة لتحليل البيانات بشكل فعّال، أو التصحيح التلقائي للأخطاء، أو تطوير نماذج التنبؤ، أو تحسين تجربة المستخدم. فتحديد متى يتم استخدام الذكاء الاصطناعي يعتمد على متطلبات المشروع والأهداف التي يرغب المبرمج في تحقيقها. إليك بعض التقنيات الأساسية التي يمكن للمبرمج استخدامها، وكيف تستخدم؟

1. الاستفادة من الذكاء الاصطناعي في تطوير تطبيقات ومواقع الويب

يستفيد المبرمجون من نماذج الذكاء الاصطناعي في برمجة مواقع الويب وفي تطوير التطبيقات بسرعة أكبر، حيث تقدم بعض النماذج الجاهزة أكواداً تتماشى مع احتياجات المبرمج بشكل كبير، ويجب التأكيد على أن هذه النماذج تعتبر أدوات للمساعدة فقط وليس لاستبدال عمل المبرمج بالكامل. لذا، يجب أن يكون المبرمج متقناً لتمييز الأمور الصحيحة من الخاطئة في الأكواد ومعرفة النواقص وضبطها حسب الحاجة.

2. تحليل البيانات باستخدام الذكاء الاصطناعي

يستخدم المبرمجون تقنيات تحليل البيانات لفحص أنماط البيانات واستخلاص المعلومات المهمة منها. يمكن استخدام خوارزميات تعلم الآلة مثل الشبكات العصبية لتحليل بيانات ضخمة والكشف عن اتجاهات وتصورات التطبيق، إذ يمكن للمبرمج تطوير برامج باستخدام الذكاء الاصطناعي ويساعده تحليل البيانات في فهم احتياجات العملاء ومستخدمي التطبيقات، مما يمكنه من تصميم وتطوير حلول برمجية تلبي احتياجاتهم بشكل أفضل. ويمكن لتحليل البيانات مساعدة المبرمج في تحسين أداء التطبيقات أو المواقع الإلكترونية من خلال تحديد المواضع التي تحتاج لتحسين والعمل على تحسين الوظائف الحالية بناءً على البيانات المتاحة. ويمكن لتحليل البيانات مساعدة المبرمج في اتخاذ القرارات الاستراتيجية المستندة إلى البيانات، مثل تحديد الاتجاهات السائدة وتحديد الخطط المستقبلية لتطوير التطبيقات أو المواقع الإلكترونية.

3. تصحيح الأخطاء البرمجية تلقائيًا

يُستخدم الذكاء الاصطناعي لتطوير أدوات تلقائية لتحديد وتصحيح الأخطاء البرمجية. على سبيل المثال، يمكن استخدام تقنيات تعلم الآلة لتحديد أخطاء البرمجة المتكررة وتوفير تصحيحات فورية. على سبيل المثال لنفترض أن المبرمج يعمل على تطبيق مالي ينجز عمليات حسابية معقدة. وقد تنشأ أخطاء برمجية غير متوقعة تؤثر على دقة النتائج وهنا يمكن استخدام تعلم الآلة لتطوير نظام يتعلم من الأخطاء البرمجية السابقة ويُصححها تلقائيًا. فإذا كان هناك خطأ في حساب الفوائد، سيُصحح بشكل آلي دون تدخل يدوي.

4. تطوير نماذج التنبؤ باستخدام تعلم الآلة

يمكن للمبرمجين استخدام تقنيات تعلم الآلة لتطوير نماذج ذكاء اصطناعي قوية تستند إلى البيانات السابقة ليتمكنوا من تطوير ما يناسب احتياجات عملائهم، ويرفعوا من جودة أعمالهم وكفاءتها. على سبيل المثال، يستطيع المبرمج عبر الذكاء الاصطناعي وتقنيات تعلم الآلة تحديدًا تطوير نموذج يتنبأ بسلوك المستخدم في تطبيق معين، كأن يطور تطبيق لخدمة توصيل الطعام ويحسن من توقعات وقت التوصيل بناءً على الظروف المحيطة، هنا سيستخدم المبرمج تقنيات التعلم الآلة لتطوير نموذج قادر على التنبؤ بوقت التوصيل الأمثل بناءً على متغيرات عديدة مثل حركة المرور، والطلبات الحالية، مما يتيح له تحسين تجربة مستخدمي التطبيق وتقديم تقديرات أدق.

5. تطوير الروبوتات والأنظمة الذكية

يُمكن للمبرمجين استخدام التقنيات الذكية لتحسين أدائهم بالاستعانة بالروبوتات الذكية عن طريق برمجة روبوتات تستخدم تقنيات الذكاء الاصطناعي مثل تعلم الآلة، والتعرف على الصور والنصوص لأداء مهام متنوعة. يمكن لهذه الروبوتات التفاعل مع المبرمجين والبشر والبيئة المحيطة بها بشكل متطور، مما يجعلها قادرة على تنفيذ مجموعة واسعة من المهام ومساعدة المبرمجين في تسريع أداء المهام البرمجية.

فيمكن للمبرمجين في شركة تطوير برمجيات مثلًا استخدام الروبوتات الذكية المزودة بتقنيات الذكاء الاصطناعي لتسهيل عملية اختبار البرمجيات. فعندما يطور المبرمجون تطبيقًا جديدًا، يمكن للروبوتات الذكية إنجاز بعمليات اختبار آلية وذكية للتأكد من عمل التطبيق بشكل صحيح وفقًا للمواصفات المطلوبة.

تستخدم هذه الروبوتات تقنيات التعلم الآلي لتحليل سلوك التطبيق واكتشاف الأخطاء والمشاكل المحتملة بشكل فعال، وبالتالي توفير ردود فعل سريعة للمبرمجين لتصحيح الأخطاء وتحسين جودة التطبيق مما يساعد في تقليل وقت التطوير وتحسين الكفاءة العامة لفريق البرمجة في الشركة.

6. تسهيل عمليات اختبار البرمجيات

يمكن استخدام تقنيات الذكاء الاصطناعي في تطوير أنظمة اختبار البرمجيات. حيث تمكّن هذه التقنيات الأنظمة من تحليل البرمجيات بشكل أعمق وأدق وتنفيذ اختبارات تلقائية بناءً على الاستنتاجات التي تستخلصها. هذا يوفر وقت وجهد المبرمجين ويقلل من أخطاء البرمجة، مما يتيح لهم الفرصة للتركيز على المهام الأكثر تحديًا بدلاً من القيام بالاختبارات الروتينية. وبهذا تتيح هذه التقنيات للمبرمجين الاستفادة من إمكانيات أوسع وتحسين كفاءتهم في عمليات البرمجة، مما يسهم في تحقيق نتائج أفضل وتقديم تطبيقات تلبي احتياجات المستخدمين بشكل أفضل.

ثانيًا: الاستفادة من تقنيات الذكاء الاصطناعي لغير المبرمجين

تعتبر التقنيات الذكية أدوات حيوية في عالم الأعمال الحديث، ولكن ليس من الضروري أن تكون مبرمجًا محترفًا للاستفادة منها. فمع التطورات الحديثة، أصبح من الممكن للموظفين أو العاملين غير المبرمجين استخدام هذه التقنيات بسهولة وفعالية للتخلص من المهام الروتينية والمملة التي تستغرق منهم وقتًا طويلًا وتسهيل المهام التي تحتاج إلى بعض الجهد.

إليك توضيحًا أوسع لكيفية استخدام تلك التقنيات في بعض الأمور اليومية للعاملين غير المبرمجين:

1. استخدام الذكاء الاصطناعي في بيئة العمل للتطوير وزيادة الكفاءة

حين نتحدث عن جانب الموظف أو العامل الحر غير المبرمج، يتعين علينا التركيز على أمور تتعلق بسياق العمل. على سبيل المثال، يُمكن استخدام نماذج الذكاء الاصطناعي لاقتراح توصيات وتوفير تحديثات حول مستجدات مجال العمل، مما يساعد الموظف أو العامل الحر على مراقبة ومتابعة التطورات الموجودة في المجال.

وفي سياق الإنتاجية الشخصية، تقدم تطبيقات التعلم الآلي توقعات حول جداول الأحداث والمواعيد، مما يساعد الأفراد في تنظيم وتحسين إدارة وقتهم. بالاستعانة بتطبيقات مثل To do list أو Any.do، حيث يمكن للأفراد تنظيم مهامهم بفعالية وتحقيق الإنتاجية المثلى.

بالإضافة إلى ذلك، يُمكنهم مطالعة مقالات من أنواع محددة مبرمجة للاقتراح يوميًا ليتم اقتراحها يوميًا في أوقات معينة، وذلك للمساهمة في تطوير الموظف أو العامل الحر وظيفيًا ومعرفيًا. كما يمكنه استخدام الذكاء الاصطناعي في الأعمال المكتبية لتنظيم المهام وجدولتها بشكل أفضل، مما يساعده على زيادة الإنتاجية وتحسين إدارة الوقت.

2. فهم البيئة المحيطة

يمكن استخدام تقنيات الذكاء الاصطناعي في الحياة اليومية لتحسين قدرة العامل أو الموظف على التحكم في الوقت وتقليل التوتر وزيادة التركيز في العمل وتفادي الأمور الجانبية المحيطة بظروف التوجه للعمل أو العمل نفسه، يمكن للموظف أو العامل الحر الاستفادة من نماذج الذكاء الاصطناعي في تسهيل يوم عمله.

على سبيل المثال، يمكنه الاستعانة بتقنيات قائمة على استخدام تطبيقات الطقس والمرور لتحديد أفضل وقت وطريقة للوصول إلى العمل إذ تحدد التفاصيل آليًا دون الحاجة لتدخله وتفكيره في الأمر وذلك لتفادي الازدحام والظروف الجوية السيئة.

كما يمكنه الاستفادة من يمكن للموظفين غير المبرمجين الاستفادة من نماذج الذكاء الاصطناعي لتبسيط عملياتهم اليومية، مما يوفر الوقت والجهد ويزيد من الإنتاجية. على سبيل المثال، يمكن للموظف تعيين نموذج يطلب الطعام له يوميًا تلقائيًا عند ساعة محددة من الدوام. ويمكن برمجة هذا النموذج باستخدام الذكاء الاصطناعي كي يحدد نوع الطلب ومكان التسليم بناءً على موقع العمل وتوقيته. وبمجرد وصول الموظف للعمل وتسجيل دخوله، يمكن للنموذج تفعيل طلب الطعام بناءً على البيانات المبرمجة مسبقًا، مما يوفر عليه عناء التفكير في ذلك ويساعده على التركيز في أداء مهامه بشكل أفضل.

3. تحسين تجربة التسوق عبر الإنترنت

عند استخدام تقنيات الذكاء الاصطناعي، يمكن للشركات -عن طريق موظفيها- تحليل سلوك المستخدمين عبر الإنترنت، مثل الاهتمامات والتفضيلات والعادات التسويقية. ويمكن الاستفادة من هذه البيانات والاعتماد عليها لتقديم إعلانات مستهدفة بشكل أكبر تلبي احتياجات الجمهور المستهدف بدقة أكبر وبالتالي زيادة فعالية الإعلانات وربحية الحملات التسويقية.

4. تحسين التواصل مع العملاء بمختلف اللغات

يمكن لتطبيقات الترجمة الذكية أن تكون ذات أهمية كبيرة في حالات التواصل مع عملاء يتحدثون لغات مختلفة، حيث تساعد على تجاوز حاجز اللغة وتحقيق فهم أفضل. على سبيل المثال، يمكن استخدام تطبيقات الترجمة الذكية مثل Google Translate أو Microsoft Translator عند التواصل مع شركات أجنبية أو مع عملاء أجانب يتحدثون لغات مختلفة. وتساعد هذه التطبيقات في ترجمة الرسائل والمحادثات بسهولة، وتبادل المعلومات بدون عوائق لغوية أو الحاجة إلى مترجم مخصص، مما يسهل عملية التواصل ويعزز التفاهم بين الأطراف المشاركة في الحوار.

وعندما يكون هناك حاجة لترجمة مستندات العمل أو رسائل البريد الإلكتروني، يمكن للأفراد استخدام أدوات الترجمة الذكية لترجمة النصوص بسهولة ودقة. وهذا يوفر الوقت والجهد اللازمين لإنتاج المحتوى بلغة مستهدفة ويساهم في تحسين فعالية التواصل وتقديم الخدمات باحترافية وشمولية. وبذلك، تلعب هذه التطبيقات دورًا مهمًا في تحسين جودة الخدمة المقدمة للعملاء وتعزيز تجربتهم في التفاعل مع الشركة أو المؤسسة.

5. تسهيل المهام اليومية

يمكننا استخدام التقنيات الذكية لتوفير المساعدة للعاملين أيضًا. ففي بيئة العمل، يمكن للموظفين الاستفادة من هذه التقنيات لتنظيم أعمالهم وتسهيل العمليات اليومية. على سبيل المثال، يمكن للموظف استخدام تطبيقات الذكاء الاصطناعي لتذكيره بالمواعيد الهامة أو تنظيم جدوله اليومي، كما يمكن للموظف استخدام نماذج الذكاء الاصطناعي لطلب السيارة أو طلب وجبات الطعام في حالات الضيق الزمني أو عند الحاجة إلى خدمات خارجية.

على سبيل المثال، إذا كان الموظف لن يتمكن من الحضور للعمل في يوم ما، يمكنه تجهيز النظام مسبقًا لإرسال رسالة تلقائية إلى مديره تُعلمه بذلك في حالة عدم تسجيل دخوله للحاسوب في وقت محدد. وبهذه الطريقة، يمكن أن يكون الموظف مسبوقًا بترتيباته وإبلاغ الجهات المعنية بالغياب المحتمل. من الجدير بالذكر أيضًا أن بإمكانه استخدام تقنيات المساعدة الصوتية (مثل سيري Siri وكورتانا Cortana) لتنفيذ المهام الروتينية في البيئة المكتبية. يمكن للأفراد استخدام هذه المساعدات لإرسال رسائل، وضبط المنبهات، والحصول على تحديثات فورية بشكل مريح وفعال.

التحديات والمخاوف لاستخدام تقنيات الذكاء الاصطناعي

بالرغم من الفوائد الكبيرة التي تقدمها تقنيات الذكاء الاصطناعي في مكان العمل، إلا أنها تُثير أيضًا بعض التحديات والمخاوف التي يجب التعامل معها ومواجهتها بحذر لضمان الاستفادة منها بناحيتها الإيجابية والابتعاد عن الجوانب السلبية لها. تشمل بعض هذه التحديات النقاط التالية:

1. الخصوصية والأمان

قد يتسبب استخدام تقنيات الذكاء الاصطناعي في تجميع كميات هائلة من البيانات الشخصية، مما تُثير قضايا الخصوصية والأمان إذا لم يتم التعامل معها بحرص وحذر، إلا أن الخصوصية والأمان ترتبط بشكل رئيسي بالأنظمة والبيانات المشاركة مع نماذج الذكاء الاصطناعي، وملفات العمل، ومعلومات حسابات الشركة والدفع وغيرها. من المهم الإشارة لأن عدم توخي الحذر اللازم في التعامل مع هذه البيانات قد يؤدي إلى مشكلات في العمل، مثل الفصل في حالة كان الشخص موظف، أو تقليل ثقة العملاء، خاصة بالنسبة للعاملين في مجال العمل الحر.

2. تأثير الوظائف والعمل البشري

قد تتسبب التقنيات الذكية في إحداث تغييرات في الطبيعة وطريقة أداء بعض الوظائف، وهذا قد يؤثر على بعض العمال البشريين ويتطلب تكييفهم مع التقنيات الجديدة. ففي مجال التصنيع، قد تعتمد الشركات على الروبوتات والذكاء الاصطناعي لتحسين عمليات الإنتاج. ومع ذلك، يمكن أن يتسبب ذلك في تقليل عدد الوظائف المُنفذّة يدويًا، مما يتطلب تطوير مهارات جديدة للعمال لمواكبة هذه التطورات التقنية.

3. التعامل الأخلاقي مع التقنيات الذكية

يثير استخدام التقنيات الذكية في مكان العمل تساؤلات أخلاقية حول مدى استخدامها بطريقة عادلة ومنصفة وسليمة وآمنة، وتجنب التمييز أو التحيز في اتخاذ القرارات. ففي مجال التسويق، قد تستخدم الشركات تقنيات الذكاء الاصطناعي لاستهداف الإعلانات وتحديد استراتيجيات التسويق. ويتوجب على هذه الشركات مراعاة القوانين والأخلاقيات في استخدام البيانات وتجنب التمييز في استهداف العملاء.

4. التكاليف والاستثمار

قد تكون تكلفة تطبيق تقنيات الذكاء الاصطناعي في بعض الأحيان باهظة، وتتطلب استثمارات مالية كبيرة للتدريب وتطوير الأنظمة والتحديثات المستمرة. ففي مجال البنوك على سبيل المثال، قد تستثمر الشركات الكثير من الأموال في تطوير تقنيات الذكاء الاصطناعي لتحليل سلوك عملائها وتقديم خدمات مالية مخصصة. ومع ذلك، يجب أخذ هذه التكاليف في الاعتبار بما في ذلك تكلفة تطوير البرمجيات، وتدريب الموظفين على الاستخدام الفعّال لهذه التقنيات، كما أن هناك الكثير من الأمثلة في مجالات أخرى.

سلبيات إساءة الاستخدام أو عدم الاستيعاب الكامل للتقنيات الذكية

هناك الكثير من التأثيرات السلبية المحتملة لاستخدام تقنيات الذكاء الاصطناعي على المبرمج وغير المبرمج في حال عدم وجود استيعاب كامل لها أو اساءة استخدامها، ويمكن أن يشمل ذلك ما يلي:

1. بالنسبة للمبرمجين

هناك بعض النقاط السلبية التي قد يقع فيها المبرمج في حال الاعتماد الكامل على نماذج الذكاء الاصطناعي، فيجب أن ندرك أنها يمكن قد تواجههم في مجال عملهم ، ومن هذه النقاط السلبية:

• زيادة في الأخطاء: قد يؤدي الاعتماد الكلي على تقنيات الذكاء الاصطناعي إلى زيادة في حجم الأخطاء، حيث أن هذه التقنيات ليست خالية من العيوب وقد لا تقوم بأداء وظائفها بشكل دقيق بنسبة 100٪. وهذا قد يؤدي إلى تقليل ثقة العملاء وزيادة احتمالية وقوع أخطاء مهمة في البرمجيات.
• مخاطر أمن المعلومات: فترك كامل البيانات بيد أدوات الذكاء الاصطناعي يمكن أن يشكل مخاطر كبيرة على أمن المعلومات، خاصة عندما يتعلق الأمر بالبيانات الحساسة أو الشخصية. قد يتعرض المبرمج والعملاء لخطر الاختراقات أو التسريبات الغير مصرح بها لهذه البيانات، مما يؤثر سلباً على سمعتهم وأمان معلوماتهم.
• نقص المهارات: قد يؤدي الاعتماد الكبير على تقنيات الذكاء الاصطناعي إلى نقص في المهارات التقنية لدى المبرمج. إذا تم استخدام هذه التقنيات كأداة لتوليد الحلول دون فهم الخوارزميات والمفاهيم الأساسية وراءها، فقد يؤدي ذلك إلى تراجع مستوى المعرفة والمهارات البرمجية.

2. بالنسبة لغير المبرمجين

هناك أيضًا نقاط سلبية التي قد يقع فيها غير المبرمجين عند اعتمادهم على التقنيات الذكية من أبزرها:

• ارتكاب الأخطاء: قد يعتمد غير المبرمجين بشكل كامل على التقنيات الذكية دون فهم كامل للعمليات الخلفية، مما قد يؤدي إلى ارتكاب أخطاء في التحليل، أو الاستنتاجات، أو حتى في اتخاذ القرارات.
• فقدان التحكم: قد يجد غير المبرمجين أنفسهم في وضع لا يستطيعون فيه التحكم بالتقنيات الذكية التي يستخدمونها، مما قد يؤدي إلى اعتمادهم بشكل كبير على النظام دون القدرة على التدخل في العمليات أو التحكم في النتائج.
• عدم فهم النتائج: قد يواجه غير المبرمجين صعوبة في فهم النتائج والتحليلات التي تنجزها التقنيات الذكية، مما قد يقلل من قدرتهم على اتخاذ القرارات الصائبة بناءً على البيانات والمعلومات التي تقدمها هذه التقنيات.
• أمن البيانات: من المهم بالنسبة لغير المبرمجين تعمل أساسيات الأمان الرقمي وأفضل الممارسات لحماية بياناتهم الشخصية وبيانات العمل. كما يجب عليهم فهم كيفية استخدام التقنيات الذكية بشكل آمن ومدروس، وتطبيق الإجراءات الأمنية اللازمة مثل استخدام كلمات المرور القوية وتحديث البرمجيات بانتظام وتشفير البيانات المهمة لتقليل المخاطر المحتملة والحفاظ على سلامة بياناتهم وسرية معلوماتهم.

لمواجهة هذه التحديات يتوجب على العامل -المبرمج وغير المبرمج- الاستفادة من الإرشادات الأخلاقية والقوانين اللازمة لضمان استخدام التقنيات الذكية بطريقة مسؤولة وآمنة في بيئة العمل.

في الختام

يُظهر تكامل تقنيات الذكاء الاصطناعي أهميته البالغة في محيط العمل، حيث يمثل عاملًا حاسمًا في تعزيز الإنتاجية وتحسين جودة الخدمات المقدمة. ومن خلال استخدام التحليلات الذكية والتعلم الآلي وتطبيقات التوصية، يمكن للمؤسسات والعاملين الاستفادة من قدرات الذكاء الاصطناعي لتحسين أداء العمل وتطوير العمليات. ومع ذلك، يجب على العاملين أن يكونوا حذرين و متيقظين للتحديات المحتملة مثل الخصوصية والأمان والتأثير على الوظائف البشرية. يشجع هذا الاستخدام المتوازن والمسؤول لتقنيات الذكاء الاصطناعي الأفراد على استكشاف واعتماد هذه التقنيات بشكل فعّال، مما يسهم في تعزيز تجربتهم المهنية وتطوير بيئة العمل بشكل شامل ومبتكر لتحقيق تطور مستدام ونجاح متبادل في مجتمعنا وفي محيطنا العملي.

اقرأ أيضًا

• أساسيات الذكاء الاصطناعي: دليل المبتدئين
• أمثلة على الذكاء الاصطناعي
• تطبيقات الذكاء الاصطناعي
• كل ما تود معرفته عن دراسة الذكاء الاصطناعي
• برمجة الذكاء الاصطناعي: بناء مستقبل الآلات الذكية

وصولك إلى هذه المقالة يعني أنك تعاني من كثرة المصطلحات والمفردات اللغوية المستخدمة عند النقاش حول الذكاء الاصطناعي عمومًا AI التوليدي Generative AI على وجه الخصوص، فبعض هذه المصطلحات تستخدم بمفردات أجنبية وقد لا تكون ترجمتها الحرفية ذات دلالة كافية لفهم المعلومات التقنية التي تعبر عنها، لا داعي للقلق فعندما تنتهي من قراءة هذا المقال ستتمكن من فهم كافة المصطلحات والمفردات شائعة الاستخدام عند مناقشة الذكاء الاصطناعي التوليدي Gen AI والمشاركة في النقاشات الدائرة حول هذه التقنية الرائدة سواءً في عملك أو في أي مكانٍ آخر.

لقد بدأ النمو المتسارع لتقنيات الذكاء الاصطناعي التوليدي Generative AI -أو Gen AI اختصارًا- يؤثر بشكل جليّ على نمط حياتنا فَـغير طريقة إنجازنا للمهام المختلفة، لذا كان لزامًا على كافة الأشخاص العاملين في المجال التقني اكتساب معرفة كافية بالمصطلحات الأساسية لهذا المجال، وفهم كيفية عملها كي لا يشعر بالتشتت والاستغراب عند سماع مصطلحات مثل نموذج الأساس Foundation Model أو النماذج اللغوية الضخمة Large Language Models أو مصطلح هندسة المُوجّهات Prompt engineering أو غيرها من مصطلحات الذكاء الاصطناعي الشائعة اليوم.

سنبدأ في هذه المقالة بشرح المصطلحات الأساسية للذكاء الاصطناعي والمجالات المشتقة منه، ثم سنتدرج بعد ذلك لشرح المصطلحات المتقدمة بهذا المجال الرائد، وللسهولة سنصنف المصطلحات وفق ثلاثة تصنيفات على النحو التالي:

• أولًا: مصطلحات أساسية حول الذكاء الاصطناعي.
• ثانيًا: مصطلحات متقدمة في الذكاء الاصطناعي.
• ثالثًا: مصطلحات تتعلق بآلية عمل الذكاء الاصطناعي.

أولًا: مصطلحات أساسية حول الذكاء الاصطناعي

نشرح في القسم الأول المصطلحات الأساسية التالية حول الذكاء الاصطناعي ومجالاته المختلفة:

• الذكاء الاصطناعي (Artificial intelligence (AI
• تعلم الآلة (Machine Learning (ML
• الشبكات العصبية الاصطناعية (Artificial Neural Network (ANN
• التعلم العميق (Deep Learning (DL
• الذكاء الاصطناعي التوليدي (Generative AI (GAI
• نموذج الأساس (Foundation Model (FM
• نماذج اللغة الضخمة (Large Language Models (LLMs
• معالجة اللغات الطبيعية (Natural Language Processing (NLP
• النماذج المحولة Transformers Models
• النموذج مسبق التدريب المبني على المحولات (Generative Pretrained Transformer (GPT

الذكاء الاصطناعي (Artificial intelligence (AI

يمكن تعريف الذكاء الاصطناعي على أنه محاكاة الآلات لذكائنا البشري، الذكاء الاصطناعي يمكن أن يكون تطبيقًا صغيرًا مدمجًا في هاتفك، أو ربما نظام أكثر تعقيدًا وأكبر حجمًا يعمل على خوادمٍ سحابية تستخدمها شركة لاستضافة نظامها الذكي الذي يستخدمه ملايين الأشخاص، في كلتا الحالتين، يمتلك الذكاء الاصطناعي القدرة على القيام بالمهام والأنشطة التي كانت تتطلب في السابق ذكاءً بشرياً لإتمامها.

تعلم الآلة (Machine Learning (ML

تعلم الآلة هو تخصص فرعي من الذكاء الاصطناعي، ويستخدم كوسيلة لمنح الأنظمة الحاسوبية القدرة على التعلم من التجربة والبيانات باستخدام نماذج رياضية، يتحسن أداء هذه النماذج بمرور الوقت مع تعرض نموذج التعلم الآلي لمزيد من البيانات التي تُمكّنه من استخلاص الأنماط المتكررة التي يستخدمها النموذج في توقع نتائج تجاربٍ أخرى، هذا يخلق دورة مستمرة تُمكّن النماذج الآلية من التعلم والنمو والتطور دون الحاجة للتدخل البشري.

الشبكات العصبية الاصطناعية (Artificial Neural Network (ANN

الشبكات العصبية هي خوارزميات متفرعة من تعلم الآلة تستخدم في توجيه وتدريب الآلات على تعلم التعرف على الأنماط باستخدام شبكة مصممة لتحاكي طريقة عمل الشبكات العصبية البشرية في مخ الإنسان. باستخدام هذه الشبكات المكونة من طبقاتٍ يمكن أن تتصل ببعضها على التوالي أو التوازي أو بشكل ملتف وتتكون الطبقات من عدد من الخلايا العصبية الاصطناعية تدعى بالعصبون neuron، تصبح الآلات قادرة على التعامل مع مختلف المدخلات لتوليد أفضل الإجابات والنتائج الممكنة، وتكتسب هذه الآلات القدرة على التعلم من الأخطاء من أجل تحسين دقة النتائج.

التعلم العميق Deep Learning

يستخدم التعلم العميق الشبكات العصبية الاصطناعية من أجل اكتشاف الأنماط أو تحديدها أو تصنيفها، على نطاقٍ متنوع من البيانات، مثل البيانات النصية والمرئية والصوتية، فيمكنه تحديد ووصف العناصر الموجودة بالصورة، أو يمكنه تحويل ملف صوتي إلى ملفٍ نصّيٍ يحتوى الكلمات المنطوقة، ويمكن لخوارزميات التعلم العميق أن تصبح في غاية التعقيد عن طريق إضافة عدد مهول من طبقات الشبكات العصبية المتصلة بطرقٍ مختلفة تمكن الخوارزمية من اكتشاف الأنماط والعلاقات العميقة في البيانات.

الذكاء الاصطناعي التوليدي Generative AI

الذكاء الاصطناعي التوليدي Generative AI أو GAI اختصارًا ،هو تخصص فرعي من التعلم العميق وهو يعبر عن قدرة النموذج على توليد وإنتاج محتوى جديد لم يوجد من قبل، قد يكون هذا المحتوى صورة أو نصَا أو تسجيلات صوتية أو فيديو أو غير ذلك، ويحتاج توليد المحتوى من خلال الذكاء الاصطناعي إلى استخدام كميات هائلة من البيانات في مرحلة التدريب المسبق لنموذج الأساس Foundation Model حتى يكون النموذج قادراً على توليد مثل هذا المحتوى المشابه للبيانات الموجودة التى قد ينخدع البعض بها ويظن أنها من صنع الإنسان.

نموذج الأساس Foundation Model

نماذج الأساس هي نماذج تعلم عميق دُرّبت على كميات ضخمة من البيانات الغير موسومة unlabeled data والشاملة، وهي النماذج التي تعتمد عليها قدرات الذكاء الاصطناعي التوليدي، تكون هذه النماذج في الغالب ضخمة للغاية مقارنة بنماذج التعلم الآلي التقليدي التي تتخصص في مهام معينة وتُدرّب على بيانات مرتبطة بتلك المهمة فقط، تستخدم نماذج الأساس كنقطة بداية لتطوير نماذج تقوم بمهام أكثر تعقيداً، قد يكون نموذج الأساس قادرًا على فهم اللغة حيث تم تدريبه على كميات ضخمة من النصوص فيمكن استخدامه كأساس لنماذج أكثر تخصصاً تستفيد من قدرته على فهم اللغة للقيام ببعض المهام مثل القيام بمحادثات أو تلخيص النصوص أو توليد النصوص المختلفة، مثال على هذا النوع من النماذج هو (GPT-4) وهو نموذج الأساس المستخدم لتشغيل تشات جي بي تي ChatGPT، ولا يتوقف الأمر على النصوص فبعض النماذج قادرة على توليد الصور مثل نموذج الانتشار Stable Diffusion model القادر على توليد محتوى مرئي قوي، ونماذج الأساس قادرة على إنتاج طيف واسع من المخرجات اعتمادًا على الأوامر النصية prompts بمستوى عالٍ من الدقة.

النماذج اللغوية الضخمة Large Language Models

تستخدم نماذج الذكاء الاصطناعي التوليدي نماذج اللغة الضخمة LLMs لتوليد النصوص اعتمادًا على سلسلة من الاحتمالات تمكنها من توقع وتحديد وفهم السياق، تُدرّب النماذج اللغوية باستخدام معمارية المحولات Transformers architecture تصل معاملات parameters في مثل هذه النماذج إلى مليارات، وتركز النماذج اللغوية الضخمة على محاكاة فهم البشر للغة من خلال معالجة اللغات الطبيعية
Natural Language Processing.تستخدم النماذج اللغوية الضخمة في تلخيص النصوص أو تصنيف النصوص وتحليل المشاعر التي تعبر عنها الكلمات، وتستخدم أيضاً في أنظمة المحادثات الآلية chatbots والمساعدات الذكية.

معالجة اللغات الطبيعية (Natural Language Processing (NLP

معالجة اللغات الطبيعية هي العلم الذي يهتم بدراسة اللغات وتزويد الآلات بالقدرة على معالجة وتفسير اللغات البشرية سواءً كانت هذه اللغات مكتوبة أو منطوقة، كما لو أن إنسانًا يتحدث أو يكتب، ويهتم تخصص فهم اللغات الطبيعية Natural Language Understanding -أو NLU اختصارًا- بفهم المشاعر والقصد من وراء اللغة المستخدمة، بينما في توليد اللغات الطبيعية Natural Language Generation  أو NLG اختصارًا فيكون الهدف هو توليد النصوص بشكل كتابي أو منطوق، مما يسمح بتحويل النص إلى النطق text-to-speech و النطق إلى نص speech_to_text.

نماذج المحولات Transformers Models

تعد معمارية المحولات Transformers architecture من معماريات التعلم العميق وهي الأكثر استخدامًا في تطوير النماذج اللغوية الضخمة، يعود هذا لقدرتها على معالجة النصوص باستخدام نماذج رياضية وقدرتها على فهم الكلمات في السياقات المختلفة وفهم كيفية ارتباط الكلمات ببعضها حتى وإن كانت الكلمات متباعدة (أي يمكن للنموذج الاحتفاظ بمعلومات من الأجزاء السابقة للنص وتذكرها واستخدامها لفهم الأجزاء اللاحقة)، وهذا النوع من الذاكرة طويلة الأمد يسمح للنموذج أن ينقل فهمه بين اللغات المختلفة، ولم يتوقف الأمر عند اللغات فيمكنه نقل معرفته بين الوسائط media المختلفة، فيمكنه تحويل النصوص إلى صور.

االمحوِّل التوليدي مسبق التدريب (Generative Pretrained Transformer (GPT

النموذج التوليدي مسبق التدريب المبني على معمارية المحولات Generative pre-trained transformers GPT يستخدم معمارية المحولات Transformer Architecture من أجل إكساب الآلات قدرات مشابه للبشر في توليد المحتوى من النصوص، والصور، والتسجيلات الصوتية باستخدام تقنيات معالجة اللغات الطبيعية مثل تلخيص النصوص text summarization، وروبوتات الدردشة الآلية chatbots وغيرها من التطبيقات الأخرىي، ولعل أشهرها هو تشات جي بي تي Chat GPT الذي يستخدم نموذج توليدي مسبق التدريب مبني بمعمارية المحولات.

ثانيًا مصطلحات متقدمة في الذكاء الاصطناعي

سنوضح في الفقرات التالية المصطلحات المتقدمة التالية حول الذكاء الاصطناعي التوليدي:

• الذكاء الاصطناعي المسؤول Responsible AI
• البيانات الموسومة Labelled Data
• التعلم الخاضع للإشراف Supervised learning
• التعلم غير الخاضع للإشراف Unsupervised learning
• التعلم شبه الخاضع للإشراف Semi-supervised learning
• هندسة المُوجَّهات Prompt engineering
• سَلسَلة المُوجَّهات Prompt chaining
• التوليد المعزز بالاسترجاع (Retrieval Augmented Generation (RAG
• معاملات التحكم بنماذج الذكاء الاصطناعي parameters
• صقل نماذج تعلم الآلة fine-tuning for learning models

الذكاء الاصطناعي المسؤول Responisble AI

الذكاء الاصطناعي المسؤول مصمم ليتبع بعض المبادئ والممارسات التي تضمن عند تفعيلها استخدامًا آمنًا وأخلاقيًا للذكاء الاصطناعي لا يكسر أي قوانين، مما يعطي المصداقية والثقة لدى العملاء والأنشطة التجارية المختلفة لاستخدامه، بسبب المخاطر المحتملة لاستخدام الذكاء الاصطناعي والطرق التي سيؤثر بها الذكاء الاصطناعي على البشرية لا بد من وضع قواعد حاكمة تضمن مصداقيته، القدرة على أن تثق في إجابات الذكاء الاصطناعي ونتائجه أمرٌ هام للغاية في أي تطبيق للذكاء الاصطناعي.

البيانات الموسومة Labeled data

تساعد البيانات الموسومة Labeled data نماذج التعلم الآلي على معالجة البيانات والتعلم منها، ويشير مصطلح وسم البيانات إلى الحالة التي تحتوي فيها البيانات على الوسم أو التسمية المراد تعلم التعرف عليها أو تصنيفها بشكلٍ دقيق من خلال البيانات فمثلا يمكن وسم الصور بما تحويه من عناصر تساعد النموذج على تعلم الروابط والأنماط المشتركة بين كل الصور التي تحمل هذا الوسم، إن كان لديك صورة لنمر يمكن أن توسم هذه الصورة بوسم "نمر" مما يساعد النموذج على الربط بين الأنماط الموجودة في الصورة والأنماط الموجودة في صور جديدة للنمور.

التعلم الخاضع للإشراف Supervised Learning

التعلم الخاضع للإشراف أو التعلم مع إشراف Supervised learning هو طريقة تدريب لِنماذج التعلم الآلي تستخدم كميات كبيرة من البيانات الموسومة Labeled data لتوقع مخرجات التعلم، ومع تكرار مرات التدريب يصبح النموذج أكثر قدرة على الوصول لدالة معبرة بصورة أفضل عن العلاقة بين المدخلات والمخرجات المتوقعة من النموذج، حيث تُصحّح أخطاء النموذج عن طريق تعديل معاملات parameters الدالة المستخدمة في ربط المدخلات بِالمخرجات المتوقعة لتحسين التوقعات.

يسمى هذا النوع من التدريب بأنه خاضع للإشراف لأن الوسم المعطى للبيانات يستخدم كمشرف لتقييم توقعات النموذج، على سبيل المثال إن كانت الصورة المدخلة لنموذج تعلم آلي صورة "أسد" وقام النموذج بوسمها على أنها "نمر" سيُقيّم هذا التوقع بأنه خاطئ وسوف يصحح في الدورات التالية من عملية التدريب.

التعلم غير الخاضع لإشراف Unsupervised Learning

يتميز التعلم غير الخاضع للإشراف أو التعلم دون إشراف Unsupervised Learning بأنه لا يستخدم بياناتٍ موسومة تشرف على توقعاته، حيث يمنح النموذج الاستقلالية ليقوم باكتشاف الأنماط المشتركة للبيانات المدخلة وتصنيفها حسب درجة تشابه خواص تلك البيانات، على سبيل المثال إن كانت البيانات المدخلة هي صور نمور وفيلة وزرافات سيحتاج النموذج إلى تصنيف هذه الصور بناءً على الخواص المشتركة بينها مثل اللون أو اختلاف الحجم أو الشكل أو شكل الوجه وغيرها من الخواص التي يمكن للنموذج تعلمها من الصور.

التعلم شبه الخاضع للإشراف Semi-supervised learning

تجمع هذه الطريقة في تدريب نماذج التعلم الآلي بين استخدام البيانات الموسومة Labeled data كما في التعلم الخاضع للإشراف Supervised Learning والبيانات غير الموسومة Unlabeled data كما في التعلم الغير الخاضع للإشراف Unsupervised Learning، في الغالب تُتٌستخدم هذه الطريقة عندما لا تتوفر بيانات موسومة كافية مقارنةً بقاعدة بيانات أكبر من البيانات الغير موسومة، توفر هذه الطريقة عناء وسم البيانات الضخمة بشكلٍ يدوي، حيث يمكنك استخدام البيانات الموسومة الأقل حجمًا لتساعد النموذج في مرحلة التدريب على التعرف على بعض التصنيفات الموجودة في البيانات وتدريب النموذج على البيانات الأكبر حجماً دون استخدام وسمٍ أو إشراف.

هندسة المُوجَّهات Prompt Engineering

هندسة المُوجَّهات Prompt Engineering تسهل عملية إعطاء الأوامر للنماذج اللغوية الضخمة Large language models عن طريق تعديل النص المدخل من أجل الحصول على مخرجات مناسبة، حيث تساعد هذه التقنية على تحسين أداء نماذج الذكاء الاصطناعي التوليدي لتنفيذ بعض المهام الدقيقة والمحددة عن طريق تحسين المُوجهات أو الأوامر المدخلة للنموذج، وتهدف هندسة المُوجِّهات لجعل نتائج النموذج أكثر صلة ومناسبة للمهمة المطلوبة، وتشكل هذه التقنية تحولاً في طريقة تفاعل البشر مع الذكاء الاصطناعي.

سَلسَلة المُوجَّه Prompt Chaining

سَلسَلة المُوجَّه Prompt Chaining هي تقنية تعمل مع نماذج اللغات الضخمة LLMs ومعالجة اللغات الطبيعية NLP وتسمح بالقيام بمحادثات تفاعلية تعتمد على المُوجَّهات والردود السابقة، تنشئ هذه الطريقة وعياً بالسياق خلال المحادثة، وهو أمر أساسي لجعل المحادثات مع الآلة شبيهة بمحادثات البشر التفاعلية، تظهر أهمية هذه الطريقة في أنظمة الدردشة الآلية chatbots فبدلًا من التعامل مع أمر نصي ضخم يصعب التعامل معه والرد عليه، يمكننا بدلًا من ذلك تقسيمه إلى سلسلة متتالية من الأوامر أو المُوجَّهات التي يسهل التعامل معها والإجابة عليها.

التوليد المعزز بالاسترجاع (Retrieval augmented generation (RAG

التوليد المعزز بالاسترجاع (Retrieval augmented generation (RAG هو طريقة تعزز من قدرة نماذج الأساس بِتعزيزها باسترجاع الحقائق من مصادر خارجية لمساعدتها على توليد ردود حديثة ومدعومة بمصادر، نموذج الأساس يمتلك معرفة محدودة فقط بالبيانات التي تدرب عليها، لذا إذا كان هناك نقص أو تأخر في تاريخ هذه البيانات لن تصبح ذات فائدة، لذلك تعزيز النموذج بالحقائق والمعلومات من مصادر خارجية حديثة سوف يحسن من مصداقية ودقة المعلومات المولدة، على سبيل المثال لا يمكنك توقع إجابة دقيقة عن سعر سهمٍ في شركة من نموذج معرفته محدودة زمنياً وغير قادر على الوصول إلى البيانات الحديثة لهذا السهم، أما باستخدام التوليد المعزز باستراجاع الحقائق RAG فسوف يمكن بكل سهولة تعزيز معرفة النموذج من مصادر موثوقة ليصبح قادرًا على توفير إجابة محدثة عن السهم، لن تُخزّن هذه المعلومات لدى نموذج الأساس فقط تستخدم لتعزيز الإجابات بالحقائق.

المعاملات Parameters

إن معاملات parameters نماذج الذكاء الاصطناعي وتعلم الآلة هي عبارة عن متغيرات تُعدَّل قيمها أثناء تدريب النموذج من أجل تحسين أدائه في اكتشاف الأنماط الموجودة في البيانات، وبالتالي جعلها أكثر كفاءة، وتتحكم هذه المعاملات في تصرف النموذج وتقلل الفرق بين القيم المتوقعة والقيم الحقيقية الصحيحة وتجعله أدق في التنبؤ أو تصنيف البيانات.

لنفرض أننا نريد تصنيف الحيوانات والتمييز بين الكلب والقطة بناءً على بعض الخصائص مثل الوزن والطول ووجود الفرو باستخدام نموذج يسمى الانحدار اللوجستي Logistic Regression الذي يعتمد على معادلة تجمع بين الخصائص (الوزن، الطول، وجود الفرو) لحساب احتمال أن يكون الحيوان كلبًا أو قطة. سيبدأ النموذج بمعاملات عشوائية تحدد أهمية كل خاصية (مثل الوزن أو الطول) في تحديد نوع الحيوان، ويقارن التوقعات مع النوع الحقيقي للحيوان (كلب أو قطة) ويعدل المعاملات لتقليل الأخطاء في التوقعات، وبعد العديد من المحاولات والتعديلات يصبح النموذج أكثر دقة في التمييز بين الكلب والقطة. وبهذا يتعلم النموذج القيم المثلى للمعاملات التي تمكنه من التنبؤ بنوع الحيوان بدقة أكبر بناءً على خصائصه.

صقل نماذج التعلم الآلي Fine Tuning Learning models

صقل نماذج التعلم الآلي Fine Tuning Learning models هي تقنية لتعديل النماذج مسبقة التدريب pre-trained على مهام متخصصة ودقيقة، تصقل نماذج التعلم باستخدام بيانات تناسب المهمة المتخصصة التي نرغب في تحسين أداء نموذج الأساس عليها، يمتلك نموذج الأساس فهمًا عامًا للبيانات التي يتعامل معها ومع عملية الصقل باستخدام قاعدة بيانات صغيرة تناسب المهمة المتخصصة يصبح النموذج أكثر كفاءةً في أداء هذه المهمة، تمنح هذه التقنية نماذج التعلم الآلي القدرة على التأقلم على مهام جديدة عن طريق تعديل معاملاتها parameters لتناسب المهمة المتخصصة مما يزيد من دقة النموذج وفعاليته في تنفيذ هذه المهمة.

ثالثًا: مصطلحات تتعلق بآلية عمل الذكاء الاصطناعي

في هذا القسم نشرح بعض المصطلحات المتعلقة بآلية عمل الذكاء الاصطناعي:

• التحيز Bias
• الهلوسة Hallucinations
• درجة الحرارة Temperature 
• التشبيه بالإنسان Anthropomorphism
• الإكمال Completion
• الوحدات اللغوية Tokens 
• الطفرات غير المتوقعة في الذكاء الاصطناعي  Emergence in AI
• التضمينات Embeddings
• تصنيف النصوص Text Classification
• نافذة السياق Context Window 

التحيز Bias

عندما يأتي الأمر لذكر تعلم الآلة تظهر مشكلة التحيز كنتيجة لاستخدام بيانات منحازة في التدريب لا تعبر بشكلٍ إحصائي جيد عن الواقع، هذا يؤدي بشكلٍ غير عادل وغير دقيق إلى ميول النموذج إلى القيام بتوقعات تحاكي هذا التشوه في بيانات التدريب، وبالتالي توليد نتائج منحازة، يُبرز هذا الأمر أهمية جودة البيانات المستخدمة في تدريب النماذج، حيث أن البيانات غير المكتملة أو ذات الجودة المنخفضة يمكن أن تولد نماذج لا تستحق الثقة نتيجة الافتراضات الخاطئة.

الهلوسة Hallucination

تحدث هلوسة نماذج الذكاء الاصطناعي عندما يولد ردودًا تبدو كأنها حقائق مسلم بها وهي ليست كذلك، على الرغم من أن الهلوسة تعتبر نادرة الحدوث بعض الشيء، إلا أنها تعد سببًا وجيهًا لعدم أخذ الإجابات المولدة على أنها حقائق مسلم بها، من الممكن أن تتسبب البيانات المنحازة إلى هلوسة النماذج، أو ربما بسبب عدم فهم البيانات أثناء التدريب، وقد استخدم مصطلح الهلوسة في هذا السياق لكونه مشابهًا لسلوكنا نحن البشر عند تخيل أشياء غير واقعية وظن أنها حقيقة واقعة.

درجة الحرارة Temperature

درجة الحرارة Temperature هي معامل parameter يستخدم في نماذج الذكاء الاصطناعي، للتحكم في درجة عشوائية أو إبداع الردود المولدة من النموذج، تتراوح القيم الممكنة لِمعامل الحرارة بين الصفر والواحد، القيمة الافتراضية لهذا المعامل هي 0.7، وكلما كانت قريبة إلى الصفر أكثر، كلما كانت الردود أكثر واقعية وثباتًا، بينما كلما ارتفعت قيمة المعامل كلما زادت إبداعية الردود المولدة وتفرّدها.

التشبه بالإنسان Anthropomorphism

التشبيه بالإنسان أو التجسيم Anthropomorphism هو إعطاء الصفات والمشاعر والنوايا البشرية على الكيانات غير البشرية، فبعض الكيانات التي يمكن تشبيها بالبشر مثل الآلات، والحيوانات، والجمادات وغيرها من الأمثلة، ومن خلال استخدام الذكاء الاصطناعي الذي يتطور بشكل أكثر تعقيدًا يومًا عن يوم، وبعد فترة قصيرة للغاية من التعرض لأدوات الذكاء الاصطناعي، سيبدأ البشر في وصف برامج الحواسيب بصفاتٍ بشرية والتعامل معها كأنها تمتلك مشاعر إنسانية وهذا يمكن أن يؤثر على تصرفات وتفاعلات البشر مع الآلة.

الإكمال Completion

يٌستخدم مصطلح الإكمال Completion في معالجة اللغات الطبيعية NLP لوصف مخرجات النماذج الناتجة كرد، على سبيل المثال عند طرح سؤال على تشات جي بي تي Chat GPT سوف تعتبر الإجابة المولدة من النموذج اللغوي إكمالاً Completion لسياق السؤال المطروح.

الوحدات اللغوية Tokens

قد تكون الوحدة اللغوية Token تكون كلمة، أو مجموعة رموز للتميز بين بدايات الجمل ونهايتها والمسافات والحروف المميزة، تستخرج الوحدات اللغوية Tokens من النصوص المدخلة للنموذج اللغوي ليتمكن من التعامل مع التصريفات المختلفة للكلمات و الرموز المميزة وتسمى هذه العملية بِتقطيع النص إلى وحداتٍ لغوية Tokenization، توجد عدة طرق للقيام بعملية التقطيع تختلف في الغالب حسب النموذج المستخدم، تعتبر هذه الوحدات اللغوية الوحدات الأساسية لنماذج اللغات الضخمة حيث تستخدمها لمعالجة النصوص المختلفة واكتشاف الأنماط بها، وتستخدم أيضا كوحدة معيارية لِتحديد القدرة الاستيعابية للنموذج في المدخلات والمخرجات مما يساهم في تحديد نافذة السياق Context window.

الطفرات غير المتوقعة في الذكاء الاصطناعي Emergence in AI

هو قدرة الذكاء الاصطناعي على اكتساب قدرات ومهارات غير مقصودة أو غير مبرمجة من البداية، تحدث هذه الظاهرة بسبب تعقيد النماذج وزيادة عدد المعاملات Parameters مما يؤدي إلى تأثيراتٍ جانبية تجعل النموذج قادراً على تأدية بعض المهام الغير مدرب عليها بشكلٍ صريح، لن تحدث هذه الظاهرة في النماذج البسيطة والأصغر حجمًا، لكن هناك مخاوف من إمكانية ظهور بعض المخاطر والتعقيدات الناتجة عند حدوث هذه الظاهرة في نماذج الذكاء الاصطناعي المتقدمة، على سبيل المثال يمكن أن نفقد السيطرة على هذه النماذج بحيث تنتج ردوداً تخالف القواعد العامة أو ردودًا مؤذية أو عنصرية بشكلٍ غير مقصود من المطور ولم تُدرّب عليها.

التضمينات Embeddings

التضمينات Embedding هي تمثيلات رقمية تعبر عن الكائنات، والكلمات في متجهات متعددة الأبعاد، تنتج عن طريق خوارزميات التعلم الآلي، وتمتلك القدرة على فهم معاني الكلمة في السياقات المختلفة وتَشابُه التمثيلات الرقمية للكلمات يدل على تشابه في المعنى، وبالمثل في معالجة الصور image processing يمكن ترميز الصور رقمياً كمتجهات ومصفوفات ليسهل تحليلها والقيام بالعمليات الرياضية عليها، تساعد هذه الترميزات الرقمية على القيام بالحسابات اللازمة ، مما يمّكن أنظمة الذكاء الاصطناعي من القيام بمهامٍ مثل فهم اللغات، والتعرف على الصور، وتقديم الاقتراحات بكفاءةً عالية.

تصنيف النصوص Text Classification

يتضمن تصنيف النصوص Text classification تدريب النموذج على تصنيف النصوص وإعطائها الوسم المناسب من قائمة من الوسوم المعرفة مسبقًا، باستخدام تقنيات مثل معالجة اللغات الطبيعية، يمتلك النظام القدرة على تعلم الأنماط وتحليل السياق التي وردت به الكلمات، من أجل إعطاء توقعات دقيقة على المشاعر التي تعبر عنها النصوص، أو الموضوع، أو القصد من الكلام، وتتمتع مصنفات الذكاء الاصطناعي النصية بالقدرة على معالجة وفهم لغات وسياقات مختلفة للنصوص، مما يمّكنها من التعامل مع مهام مختلفة عابرة للغات بشكلٍ فعال.

نافذة السياق Context Window

نافذة السياق context window هو مصطلح يشير إلى كمية النصوص أو المعلومات التي يمكن لنموذج الذكاء الاصطناعي معالجتها والرد عليها من خلال إدخالها بشكلٍ نصي، يرتبط هذا المصطلح بشكلٍ وثيق بعدد الوحدات اللغوية Tokens المستخدمة في النموذج، تختلف حجم نوافذ السياق context windows باختلاف النموذج المستخدم، تلعب هندسة النصوص المدخلة prompt engineering دورًا هامًا عند التعامل مع نموذج نافذة سياق محددة، حيث تحتاج لوصف الأوامر المطلوبة بشكلٍ دقيق دون تجاوز الحجم الأقصى لنافذة السياق من الوحدات اللغوية Tokens.

ترجمة-وبتصرٌّف-للمقالات Navigating the Vocabulary of Generative AI Series (1 of 3) و ( Navigating the Vocabulary of Generative AI Series (2 of 3 و  (Navigating the Vocabulary of Generative AI Series (3 of 3 لصاحبها STUART SCOTT.

اقرأ أيضًا

• كل ما تود معرفته عن دراسة الذكاء الاصطناعي
• أهمية الذكاء الاصطناعي
• من هو مهندس الذكاء الاصطناعي وما أبرز مهامه
• خوارزميات الذكاء الاصطناعي
• استخدام النماذج التوليديّة Generative models لتوليد الصور

نناقش في مقال اليوم النماذج اللغوية الكبيرة LLMs وهي صاحبة الدور الرئيسي في توليد النصوص، فهي تتكون من نماذج ذكاء اصطناعي كبيرة من نوع المحولات transformer، ومُدَرَّبة مُسبقًا على مهمة التنبؤ بالكلمة التالية أو token التالي من أي مُوجه يعطى لها، فهي إذًا تتنبأ بكلمات فردية بمقدار كلمة واحدة في كل مرة، لذا فإن توليد الجمل الكاملة سيحتاج تقنيةً أوسع تسمى توليد الانحدار الذاتي autoregressive generation.

ويُعرَّف توليد الانحدار الذاتي بأنه إجراءٌ استدلالي متكرر مع الزمن، يستدعي نموذج LLM مراتٍ متكررة وفي كل مرة يُمرر له المخرجات التي وَلَّدها في المرة السابقة كمدخلات وهكذا، وبطبيعة الحالة يحتاح إلى مدخلات ابتدائية نقدمها له ليستخدمها في الاستدعاء الأول للنموذج، وتوفر مكتبة المحولات Transformers تابعًا خاصًا لهذا الغرض هو generate()‎، يعمل جميع النماذج ذات الإمكانات التوليدية generative.

نسعى في هذا المقال لتحقيق ثلاثة أهداف رئيسية:

• شرح كيفية توليد نص باستخدام نموذج لغوي كبير LLM
• الإضاءة على بعض المخاطر الشائعة لتتجنبها
• اقتراح بعض المصادر التي ستساعدك على تحقيق أقصى استفادة ممكنة من نماذج LLMs

تأكد في البداية من تثبيت المكتبات الضرورية للعمل قبل أن نبدأ بالتفاصيل، وذلك وفق التالي:

pip install transformers bitsandbytes>=0.39.0 -q

توليد النص

يأخذ النموذج اللغوي المُدَرَّب على النمذجة اللغوية السببية سلسلة من الرموز النصية كمدخلات inputs ويرجع بناءً عليها التوزع الاحتمالي للرمز التالي المتوقع، ألقِ نظرة على الصورة التوضيحية التالية:

أما عن كيفية اختيار الرمز التالي من هذا التوزع الاحتمالي الناتج، فهي تختلف حسب الحالة، فقد تكون بسيطةً تتمثل بانتقاء الرمز الأكثر احتمالية من ضمن رموز التوزع الاحتمالي، أو معقدة لدرجة نحتاج معها لتطبيق عشرات التحويلات قبل الاختيار، وبصرف النظر عن طريقة الاختيار فإننا سنحصل بعد هذه المرحلة على رمز جديد نستخدمه في التكرار التالي أو الاستدعاء التالي للنموذج كما هو موضح في الصورة التالية لتوليد الانحدار الذاتي:

تستمر عملية توليد الكلمات حتى نصل إلى أحد شروط التوقف التي يُحددها النموذج، ويتعلم النموذج متى ينبغي أن يرجع رمز نهاية السلسلة (EOS) الذي يُعدّ الإنهاء المثالي لعملية توليد النص، وفي حال لم يرجع النموذج هذا الرمز فسيظل العمل مستمرًا لحين الوصول إلى الحد الأقصى المسموح به من الرموز.

إذًا فلديك أمرين مهمين ينبغي أن تهتم بهما ليعمل نموذجك التوليدي بالطريقة المرجوة، الأمر الأول هو كيفية اختيار الرمز التالي من بين رموز التوزع الاحتمالي، والأمر الثاني هو تحديد شرط إنهاء التوليد، تُضبط هذه الإعدادات في ملف إعدادات التوليد GenerationConfig الخاص بكل نموذج توليدي، يُحَمَّل هذا الملف مع النموذج وهو يتضنت معاملاتٍ افتراضية مناسبة له.

اقتباس

تنويه: تُعدّ واجهة خط الأنابيب Pipeline بدايةً جيدة لمن يرغب باستخدام أساسيات النماذج اللغوية الكبيرة (LLM)، لكنها لن تفي تمامًا بالغرض إذا رغبت باستخدام ميزات متقدمة مثل التكميم quantization والتحكم الدقيق بخطوة اختيار الرمز التالي وغيرها، فستحتاج عندها لاستخدام التابع generate()‎ فهو الأنسب، وتجدر الإشارة أيضًا إلى نماذج LLMs المعتمدة على توليد الانحدار الذاتي تستهلك كثيرًا من الموارد الحاسوبية لذا ينبغي تشغيلها على وحدة معالجة الرسوميات (GPU) للحصول على إنتاجية مقبولة.

لنبدأ الآن بالتطبيق العملي، حَمِّل أولًا النموذج كما يلي:

>>> from transformers import AutoModelForCausalLM

>>> model = AutoModelForCausalLM.from_pretrained(
    "mistralai/Mistral-7B-v0.1", device_map="auto", load_in_4bit=True
)

استخدمنا في الاستدعاء from_pretrained السابق معاملين device_map و load_in_4bit:

• يضمن المعامل device_map أن حمل النموذج سيتوزع تلقائيًا على وحدات GPU المتاحة.

• يساعد المعامل load_in_4bit على تقليل استخدام الموارد الحاسوبية إلى أقصى حد ممكن عبر تطبيق التكميم الديناميكي 4 بت.

توجد طرق أخرى عديدة لتهيئة نموذج LLM عند تحميله، عرضنا إحداها في الأمر السابق، وهي أساسية وبسيطة.

نحتاج الآن لمعالجة النص معالجةً مسبقة قبل إدخاله للنموذج وذلك باستخدام المُرَمِّز Tokenizer وهو نوع المعالجة المناسب للنصوص كما تعلمنا في مقال المعالجة المُسبقة للبيانات قبل تمريرها لنماذج الذكاء الاصطناعي:

>>> from transformers import AutoTokenizer

>>> tokenizer = AutoTokenizer.from_pretrained("mistralai/Mistral-7B-v0.1", padding_side="left")
>>> model_inputs = tokenizer(["A list of colors: red, blue"], return_tensors="pt").to("cuda")

سيُخَزَّن خرج المُرَمِّز (وهو عبارة عن النص المُرَمَّز وقناع الانتباه attention mask) في المتغير model_inputs، ويوصى عادةً بتمرير بيانات قناع الانتباه ما أمكن ذلك للحصول على أفضل النتائج، رغم أن التابع generate()‎ سيسعى لتخمين قيمة قناع الانتباه عند عدم تمريره.

ملاحظة: قناع الانتباه attention mask هو أداة تساعد النموذج اللغوي على معرفة الأجزاء المهمة في النص الذي يعالجه وتجاهل الأجزاء غير المهمة كرموز الحشو التي تُضاف لجعل طول النصوص موحدًا. يوجه هذا القناع النموذج ليركز فقط على الكلمات الفعلية في النص ويهمل الرموز لا تعني شيئًا للحصول على نتائج دقيقة.

بعد انتهاء الترميز يُستدعى التابع generate()‎ الذي سيُرجع الرموز tokens المتنبأ بها، والتي ستتحول إلى نص قبل إظهارها في خرج النموذج.

>>> generated_ids = model.generate(**model_inputs)
>>> tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]
'A list of colors: red, blue, green, yellow, orange, purple, pink,'

ننوه أخيرًا إلى أنك لست مضطرًا لتمرير مدخلاتك إلى النموذج على شكل جمل مفردة، جملة واحدة في كل مرة، إذ يمكنك تجميع أكثر من جملة وتمريرها بهيئة دفعات batches مع استخدام الحشو padding لجعلها متساوية الطول، كما في المثال التالي، يزيد هذا الأسلوب من إنتاجية النموذج ويقلل الزمن والذاكرة المستهلكين:

>>> tokenizer.pad_token = tokenizer.eos_token  # لا تملك معظم النماذج اللغوية الكبيرة رمزًا للحشو افتراضيًا
>>> model_inputs = tokenizer(
    ["A list of colors: red, blue", "Portugal is"], return_tensors="pt", padding=True
).to("cuda")
>>> generated_ids = model.generate(**model_inputs)
>>> tokenizer.batch_decode(generated_ids, skip_special_tokens=True)
['A list of colors: red, blue, green, yellow, orange, purple, pink,',
'Portugal is a country in southwestern Europe, on the Iber']

إذًا ببضع أسطر برمجية فقط استفدنا من أحد النماذج اللغوية الكبيرة LLM واستطعنا توليد نصوص مكلمة للجمل التي أعطيناها للنموذج.

بعض المشكلات المحتمل وقوعها

لا تناسب القيم الافتراضية لمعاملات النماذج التوليدية جميع المهام فلكل مشروع خصوصيته، والاعتماد عليها قد لا يعطينا نتائج مرضية في العديد من حالات الاستخدام، سنعرض لك أشهرها مع طرق تجنبها:

لنبدأ أولًا بتحميل النموذج والمُرَمِّز ثم نتابع بقية أجزاء الشيفرة ضمن الأمثلة تباعًا:

>>> from transformers import AutoModelForCausalLM, AutoTokenizer

>>> tokenizer = AutoTokenizer.from_pretrained("mistralai/Mistral-7B-v0.1")
>>> tokenizer.pad_token = tokenizer.eos_token  # لا تمتلك معظم النماذج اللغوية الكبيرة رمزًا للحشو افتراضيًا
>>> model = AutoModelForCausalLM.from_pretrained(
    "mistralai/Mistral-7B-v0.1", device_map="auto", load_in_4bit=True
)

توليد خرج أطول أو أقصر من اللازم

يُرجع التابع generate عشرين tokens كحد أقصى افتراضيًا، طالما أننا لم نحدد ما يخالف ذلك في ملف إعدادات التوليد Generation-config، ولكن ما ينبغي الانتباه له أن نماذج LLMs وخاصة النماذج من نوع decoder models مثل GPT و CTRL تُرجع مُوجَّه الدخل input prompt أيضًا مع كل خرج تعطيه، لذا ننصحك بتحديد الحد الأقصى لعدد الـ tokens الناتجة يدويًا، وعدم الاعتماد على الحد الافتراضي، وذلك ضمن المتغير max_new_tokens المرافق لاستدعاء generate، ألقِ نظرة على المثال التالي ولاحظ الفرق في الخرج بين الحالتين، الحالة الافتراضية، وحالة تحديد العدد الأقصى للرموز الناتجة:

>>> model_inputs = tokenizer(["A sequence of numbers: 1, 2"], >>> return_tensors="pt").to("cuda")

# الحالة الافتراضية الحد الأقصى لعدد الرموز الناتجة هو 20 رمز
>>> generated_ids = model.generate(**model_inputs)
>>> tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]
'A sequence of numbers: 1, 2, 3, 4, 5'

# عند ضبط قيمة المتغير الذي سيحدد العدد الأقصى للرموز الناتجة
>>> generated_ids = model.generate(**model_inputs, max_new_tokens=50)
>>> tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]
'A sequence of numbers: 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16,'

نمط توليد غير مناسب

افتراضيًا يختار التابع generate الرمز الأكثر احتمالية من بين الرموز الناتجة في كل تكرار ما لم نحدد طريقة مغايرة للاختيار في ملف إعدادات التوليد GenerationConfig، يسمى هذا الأسلوب الافتراضي فك التشفير الشره greedy decoding، وهو لا يناسب المهام الإبداعية التي تستفيد من بعض العينات، مثل: بناء روبوت دردشة لمحادثة العملاء أو كتابة مقال متخصص، لكنه من ناحية أخرى يعمل جيدًا مع المهام المستندة إلى المدخلات، نحو: التفريغ الصوتي والترجمة وغيره، لذا اضبط المتغير على القيمة do_sample=True في المهام الإبداعية، كما يبين المثال التالي الذي يتضمن ثلاث حالات:

>>> # استخدم هذا السطر إذا رغبت بالتكرار الكامل
>>> from transformers import set_seed
>>> set_seed(42)

>>> model_inputs = tokenizer(["I am a cat."], return_tensors="pt").to("cuda")

>>> # LLM + فك التشفير الشره = مخرجات متكررة ومملة
>>> generated_ids = model.generate(**model_inputs)
>>> tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]
'I am a cat. I am a cat. I am a cat. I am a cat'

>>> # مع تفعيل أخذ العينات، تصبح المخرجات أكثر إبداعًا
>>> generated_ids = model.generate(**model_inputs, do_sample=True)
>>> tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]
'I am a cat.  Specifically, I am an indoor-only cat.  I'

الحشو في الجانب الخاطئ

ذكرنا سابقًا أنك عندما تقوم بإدخال جمل أو نصوص ذات أطوال مختلفة للنموذج، فقد تحتاج إلى جعل هذه المدخلات بطول موحد ليتمكن النموذج من معالجتها بشكل صحيح من خلال إضافة رموز الحشو (padding tokens) التي تجعل جميع المدخلات بطول متساوٍ.

لكن النماذج اللغوية الكبيرة LLMs هي بنى لفك التشفير فقط decoder-only فهي تكرر الإجراءات نفسها على مدخلاتك، لكنها غير مُدَرَّبة على الاستمرار بالتكرار على رموز الحشو، لذا عندما تكون مدخلاتك مختلفة الأطوال وتحتاج للحشو لتصبح بطول موحد، فاحرص على إضافة رموز الحشو على الجانب الأيسر left-padded (أي قبل بداية النص الحقيقي) ليعمل التوليد بطريقة سليمة، وتأكد من تمرير قناع الانتباه attention mask للتابع generate حتى لا تترك الأمر للتخمين:

>>> # المُرَمِّز المستخدم هنا يحشو الرموز على الجانب الأيمن افتراضيًا، والسلسلة النصية الأولى هي
>>> # السلسلة الأقصر والتي تحتاج لحشو، وعند حشوها على الجانب الأيمن سيفشل النموذج التوليدي في التنبؤ بمنطقية
>>> model_inputs = tokenizer(
    ["1, 2, 3", "A, B, C, D, E"], padding=True, return_tensors="pt"
).to("cuda")
>>> generated_ids = model.generate(**model_inputs)
>>> tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]
'1, 2, 33333333333'

>>> # لاحظ الفرق عند تعديل الحشو ليصبح على الجانب الأيسر
>>> tokenizer = AutoTokenizer.from_pretrained("mistralai/Mistral-7B-v0.1", padding_side="left")
>>> tokenizer.pad_token = tokenizer.eos_token  # Most LLMs don't have a pad token by default
>>> model_inputs = tokenizer(
    ["1, 2, 3", "A, B, C, D, E"], padding=True, return_tensors="pt"
).to("cuda")
>>> generated_ids = model.generate(**model_inputs)
>>> tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]
'1, 2, 3, 4, 5, 6,'

مُوجَّهات خاطئة

يتراجع أداء بعض النماذج عندما لا نمرر لها مُوجَّهات input prompt بالتنسيق الصحيح الذي يناسبها، يمكنك الحصول على مزيد من المعلومات عن طبيعة الدخل المتوقع للنماذج مع كل مهمة بالاطلاع على دليل المُوجَّهات في نماذج LLMs على منصة Hugging Face، ألقِ نظرة على المثال التالي الذي عن استخدام نموذج LLM للدردشة باستخدام قوالب الدردشة:

>>> tokenizer = AutoTokenizer.from_pretrained("HuggingFaceH4/zephyr-7b-alpha")
>>> model = AutoModelForCausalLM.from_pretrained(
    "HuggingFaceH4/zephyr-7b-alpha", device_map="auto", load_in_4bit=True
)
>>> set_seed(0)
>>> prompt = """How many helicopters can a human eat in one sitting? Reply as a thug."""
>>> model_inputs = tokenizer([prompt], return_tensors="pt").to("cuda")
>>> input_length = model_inputs.input_ids.shape[1]
>>> generated_ids = model.generate(**model_inputs, max_new_tokens=20)
>>> print(tokenizer.batch_decode(generated_ids[:, input_length:], skip_special_tokens=True)[0])
"I'm not a thug, but i can tell you that a human cannot eat"
>>> # لم يتبع النموذج تعليماتنا هنا فهو لم يرد على السؤال كما ينبغي أن يرد أي شخص عنيف
>>> # سنقدم الآن دخلًا أفضل يناسب النموذج باستخدام قوالب الدردشة، ونرى الفرق النتيجة

>>> set_seed(0)
>>> messages = [
    {
        "role": "system",
        "content": "You are a friendly chatbot who always responds in the style of a thug",
    },
    {"role": "user", "content": "How many helicopters can a human eat in one sitting?"},
]
>>> model_inputs = tokenizer.apply_chat_template(messages, add_generation_prompt=True, return_tensors="pt").to("cuda")
>>> input_length = model_inputs.shape[1]
>>> generated_ids = model.generate(model_inputs, do_sample=True, max_new_tokens=20)
>>> print(tokenizer.batch_decode(generated_ids[:, input_length:], skip_special_tokens=True)[0])
'None, you thug. How bout you try to focus on more useful questions?'
>>> # كما تلاحظ فقد تغير أسلوب الرد واتبع تعليماتنا بطريقة أفضل فكان رده أقرب للأسلوب المطلوب

مصادر مفيدة للاستفادة من نماذج LLMs

ستحتاج لتعميق معرفتك بالنماذج اللغوية الكبيرة (LLMs) إذا رغبت بتحقيق أقصى استفادة منها، وإليك بعض الأدلة المفيدة من منصة Hugging Face المتخصصة في المجال:

أدلة الاستخدام المتقدم للتوليد Generating

• دليل استراتيجيات توليد النصوص باستخدام الذكاء الاصطناعي الذي يساعدك في تعلم كيفية التحكم بتوابع توليد مختلفة، وضبط مخرجاتها، وملفات الإعدادات الخاصة بها.
• دليل لاستخدام قوالب الدردشة مع نماذج LLMs.
• دليل LLM prompting يتضمن الأساسيات وأفضل الممارسات في كتابة المُوجَّهات.
• توثيقات واجهة برمجة التطبيقات  API لكل من ملف إعدادات التوليد GenerationConfig و التابع ()generate و الأصناف clasess المرتبطة مع المعالجة المسبقة والعديد من الأمثلة التوضيحية.

أشهر نماذج LLMs

• النماذج مفتوحة المصدر التي تُركِّز على الجودة Open LLM Leaderboard.
• النماذج التي تهتم بالإنتاجية Open LLM-Perf Leaderboard.

أدلة حول تحسين السرعة والإنتاجية وتقليل استخدام الذاكرة

• دليل تحسين السرعة والذاكرة في نماذج LLMs.
• دليل التكميم Quantization باستخدام تقنيات مثل bitsandbytes و autogptq، لتخفيض متطلبات استخدام الذواكر.

مكتبات مرتبطة بالنماذج اللغوية الكبيرة

• المكتبة text-generation-inference، وهي بمثابة خادم إنتاج جاهز للعمل مع نماذج LLMs.
• المكتبة optimum، وهي امتداد لمكتبة المحوّلات Transformers تساعدك في تحسين استخدام مكونات الحاسوب وموارده.

كما تساعدك دورة الذكاء الاصطناعي من أكاديمية حسوب في فهم طريقة التعامل مع النماذج اللغوية الكبيرة LLMs وربط الذكاء الاصطناعي مع تطبيقاتك المختلفة، كما يمكنك الحصول على معلومات مفيدة من دروس ومقالات قسم الذكاء الاصطناعي على أكاديمية حسوب.

دورة الذكاء الاصطناعي

احترف برمجة الذكاء الاصطناعي AI وتحليل البيانات وتعلم كافة المعلومات التي تحتاجها لبناء نماذج ذكاء اصطناعي متخصصة.

اشترك الآن

الخلاصة

وصلنا إلى ختام المقال وقد عرضنا فيه طريقة استخدام النماذج اللغوية الكبيرة LLMs لتوليد النصوص الطويلة تلقائيًا من نص بسيط مُدخل، مع بيان بعض المخاطر الشائعة التي تعترض مستخدميها وكيفية تجنبها، بالإضافة لتعداد أشهر نماذج LLM، وبعض المصادر الموثوقة لمن يريد تعلمها بتعمقٍ أكبر.

ترجمة -وبتصرف- لقسم Generation with LLMs من توثيقات Hugging Face.

اقرأ أيضًا

• المقال السابق: استخدام وكلاء مكتبة المحولات Transformers Agents في الذكاء الاصطناعي التوليدي
• تدريب المًكيَّفات PEFT Adapters بدل تدريب نماذج الذكاء الاصطناعي بالكامل
• بناء تطبيق بايثون يجيب على أسئلة ملف PDF باستخدام الذكاء الاصطناعي
• تطوير تطبيق 'اختبرني' باستخدام ChatGPT ولغة جافاسكربت مع Node.js
• مصطلحات الذكاء الاصطناعي للمبتدئين

أصبحت أدوات الذكاء الاصطناعي حجر الزاوية في ثورة الذكاء الاصطناعي من تشات جي بي تي Chat GPT إلى كلود Claude 3، وشقت هذه الأدوات طريقها إلى الحياة اليومية والأنشطة التجارية،وقد تمكن كل من الهواة والمحترفين على حدٍ سواء من الاستفادة من هذا التطور في أنظمة المحادثات الآلية chatbots الهواة والمحترفين على حدٍ سواء.

فحسب استبيان حديث أجرته شركة DigitalOcean لعام 2023 حول أشهر التقنيات السحابية المستخدمة من قبل المطورين والشركات الصغيرة والمتوسطة رأى 45% من المشاركين في الاستبيان أن أدوات الذكاء الاصطناعي سهلت أداء وظائفهم بشكل كبير، بالمقابل وجد 43% منهم أن هناك تضخيمًا مبالغًا فيه في فعالية هذه الأدوات.

يمكن إرجاع هذا التباين الشاسع في آراء المستخدمين لأحد العوامل الأساسية، ألا وهو هندسة الموجهات أو ما يعرف باسم Prompt engineering، فالمُوجَّه أو الأمر الذي تدخله لنموذج الذكاء الاصطناعي يصنع الفارق في جودة الردود التي تحصل عليها وهو ما سيجعل تعاملك معك أكثر سلاسة، أو يجعلك تعاني منه وتحبط من الردود التي لا تحقق لك مبتغاك، ويجبرك على القيام بالمهمة بنفسك دون استخدام أدواته، ومع تقدم ثورة الذكاء الاصطناعي بشكل متسارع، تزداد أهمية مهارة هندسة المُوجِّهات كمجالٍ متميز، حيث أصبحت وظيفة مهندس الموجهات Prompt engineering من الأكثر طلباً ودخلاً في أوساط الشركات.

سنتعمق في مقال اليوم في الحديث عن هندسة المُوجِّهات Prompt engineering، ونوفر لك دليلاً شاملاً عن أفضل الممارسات، وبعض الأمثلة التي ستساعد نشاطك التجاري على استخراج أقصى فائدة ممكنة من تلك النماذج اللغوية الضخمة (large language models).

ما هي هندسة المُوجِّهات؟

هندسة المُوجِّهات prompt engineering هي طريقة تصميم وتحسين صياغة الأوامر النصية أو التوجيات المُدخلة للنموذج اللغوي بحيث تحسن من النتائج التي ينتجها النموذج لتناسب احتياجات وأهداف المستخدم، وتتطلب مزيجاً من القدرة على الإبداع وإدراك قدرات النموذج، واستخدام استراتيجيات لصياغة وهيكلة السؤال بطريقة توجه الذكاء الاصطناعي لتوفير ردٍ دقيق ومفيد، ولا يقع خارج سياق التوجيه المُدخل له، تحسن هندسة المُوجِّهات من التفاعل الجيد بين البشر والآلات بحيث تضمن جودة وفعالية التفاعل مع الآلة.

ما أهمية هندسة المُوجِّهات؟

تنبع أهمية هندسة المُوجِّهات Prompt engineering من قدرتها على التأثير على أداء نماذج الذكاء الاصطناعي، فجودة الأوامر التي تدخلها للنموذج ستضمن لك الحصول على ردود أكثر دقة وصلةً بالسؤال المطروح، وهذا يجعل هندسة المُوجِّهات مهارة جوهرية اليوم لأي شخص يحاول الاستفادة من أدوات الذكاء الاصطناعي بشكلٍ فعال، ولا تقتصر هندسة المُوجِّهات على من يتخذها وظيفةً، حيث يمكن لأي شخص يطمح في استخدام أدوات الذكاء الاصطناعي للحصول على أفكار وملاحظات أو حل مشكلات معينة أن يستخدم تقنيات هندسة المدخلات لِيتفاعل مع تلك الأدوات بشكلٍ احترافي.

بعض الأسباب التي تجعل هندسة المُوجِّهات في غاية الأهمية:

• تحسين الدقة: فالمٌدخلات المكتوبة بطريقةٍ متقنة توجه النموذج لتوليد إجابات أكثر دقة وأيضاً أكثر صلة بالمدخلات والسؤال المطروح.
• توفير الوقت: تُسهّل عملية هندسة المُوجِّهات Prompt engineering من الوصول إلى النتيجة المرغوبة في عدد رسائلٍ أقل، مما يوفر معاناة شرح المطلوب وتعديل أخطاء النموذج في محادثة لانهائية قد لا تقودك لنتيجة مرضية.
• تسهيل القيام بالمهام المعقدة: تتطلب المهام المعقدة فهمًا عميقًا للمتطلبات واستيعابًا لتعقيد المشكلة، فالمُوجّهات النصية الجيدة تسهل على النموذج التعامل مع المطلوب بشكلٍ أوضح.
• تحسين تجربة المستخدم: عن طريق توفير إجابات ذات صلة بالموضوع وموثوقة.
• مخرجات أكثر قيمة: يساعد استخدام هندسة المُوجِّهات Prompt engineering بشكل صحيح في بعض المجالات كالبرمجة، وصناعة المحتوى، وتحليل البيانات إلى توليد نتائج وردود أكثر قيمةً وجودة.
• الاستخدام الفعال: من خلال تعزيز فهمنا لكيفية التواصل مع الذكاء الاصطناعي، يمكننا تجاوز القيود الحالية وابتكار حلول إبداعية توسع قدرات الذكاء الاصطناعي وتزيد كفاءته.
• توفير التكلفة: بعض النماذج والأدوت متاحة للاستخدام بشكلٍ محدود أو بتكلفة مادية، لذا فإن القدرة على الوصول لردٍ ذي صلة ودقيق بعدد محاولات أقل يمكن أن يوفر عليك التكلفة المادية.

أفضل 10 ممارسات في هندسة المُوجِّهات

إن صياغة أوامر أو توجيهات نصية prompts فعالة لنماذج الذكاء الاصطناعي من شأنها تحسين جودة الردود المنتجة، وزيادة صِلتها بالمُوجّه أو السؤال المطروح، ولأجل اكتساب هذه الخبرة في صياغة المدخلات النصية أنت بحاجة لفهمٍ جيدٍ لكيفية معالجة الذكاء الاصطناعي لهذه الموجهات وتفسيرها. في النقاط العشرة التالية، سنكتشف معاً أفضل الممارسات التي سوف تساعدك في التواصل الفعال مع الذكاء الاصطناعي وكيف تكتب موجهات prompts عالية الجودة.

1. كن محدداً قدر المستطاع

احرص على كتابة مُوجِّه محدد بشكلٍ واضح ودقيق، فهذا هو المفتاح للحصول على أكثر المعلومات دقة وصلة من الذكاء الاصطناعي، فتحديد المتطلبات يزيل الغموض ويُضيّق نطاق البحث لدى الذكاء الاصطناعي، ولتحقيق هذا الشرط أنت بحاجة لإرفاق أكبر قدر من المعلومات ذات الصلة دون تحميل الذكاء الاصطناعي أية معلومات غير ضرورية، فإرفاق معلوماتٍ ليست ذات صلة بطلبك الحالي من شأنه أن يشتت ردود الذكاء الاصطناعي ويبعده عن مرادك، فالتوازن في كتابة مُوجِّه Prompt محدد يوجه الذكاء الاصطناعي إلى استخدام المعلومات الكافية فقط وتوليد إجابة دقيقة وذات صلة بالموضوع المطروح.

بعض الأشياء الضرورية التي عليك توضيحها في المدخلات النصية

• توضيح السياق: قم بتوضيح خلفية الموضوع وتوفير المعلومات الكافية لفهم مجرى الأحداث التي تتساءل عنها، هذا يشمل الموضوع، وحجم الموضوع، وأية معلومات ذات صلة عن القيود المفروضة كأن تطلب منه على سبيل المثال توفير معلومات مقيدة بفترة زمنية معينة (آخر 5 سنوات على سبيل المثال).
• التنسيق المطلوب: قم بتوضيح التنسيق الذي ترغب فيه، مثلًا يمكن أن تكون الإجابة مرتبة على هيئة قائمة من النقاط، أو تقرير مفصلٌ، أو تلخيص، أو شيفرة برمجية، أو غيرها من التنسيقات وأنواع الملفات، وضح أيضاً تفضيلاتك عن العناوين والعناوين الفرعية وحجم الفقرات وغيرها من التفاصيل التنسيقية.
• حجم الإجابة المطلوبة: هل ترغب في إجاباتٍ مطولة أم إجابات مختصرة تتكون من نقاط واضحة عليك تحديد كل هذه التفاصيل كأن تطلب على سبيل المثال توليد ثلاثة فقرات أو إجابة بطول 250 كلمة.
• مستوى التفصيل: قم بتحديد مدى تعمق الإجابات، فيمكن أن تكون الإجابة سطيحة للتعريف بالموضوع بشكلٍ عام، ويمكن أن تكون تحليلًا متعمقًا في الموضوع، هذه النقطة مهمة لضمان توفير النموذج للقدر الذي تحتاجه من المعلومات.
• أسلوب الصياغة وطريقة الكتابة: حدد أسلوب الكتابة المناسب لاحتياجاتك، قد تكون الكتابة بشكلٍ رسمي، أو غير رسمي، أو بشكلٍ علمي، أو بشكلٍ أدبي، أو بشكل محادثة، أو غير ذلك، حيث تختلف الأساليب الممكنة باختلاف الجمهور المستهدف ونوع الكتابة.
• أمثلة ومقارنات: اطلب من الذكاء الاصطناعي توفير أمثلة ومقارنات من أجل توضيح المفاهيم المعقدة بشكلٍ أفضل، وتوفير معلومات مبسطة وذات صلة يسهل فهمها.

اقتباس

مثال على prompt محددة بطريقة جيدة

وفر العناوين الأساسية لتقرير مفصل عن تحليل التقنيات التسويقية الرائجة حاليًا على شبكات التواصل الاجتماعي، مركزاً على التطورات الحادثة من عام 2020 وحتى الوقت المعاصر. يجب أن تحتوي العناوين الأساسية على مقدمة، وثلاث مواضيع أساسية تناقش محاور مختلفة عن التقنيات الرائجة للتسويق على المنصات الاجتماعية، وأضف فقرة تلخص ما توصلت إليه، اقترح أيضًا أنواع الرسومات البيانية التي يمكن رسمها لتوضيح تفاعل المستخدمين مع الاستراتيجيات الرائجة ولخص الاستراتيجيات التسويقية بشكل قائمة نقطية.

2. عزز الذكاء الاصطناعي بالأمثلة

إن إرفاق الأمثلة في المُوجِّهات يعد تقنية قوية لتوجيه استجابات الذكاء الاصطناعي نحو المطلوب. فمن خلال توفيرأمثلة ضمن المُوجِّه فإنك تحدد مسبقًا نوع المعلومات أو الاستجابة التي تتوقعها وتربط بين المعلومات المتاحة لدى النموذج عن المثال الموجود بالفعل وطلبك. وهذه الطريقة مفيدة بشكل خاص للمهام المعقدة التي يكون المطلوب فيها غامضًا، وللمهام الإبداعية التي تحتوي على أكثر من إجابة صحيحة.

وعندما تزود الذكاء الاصطناعي بهذه الأمثلة، تأكد من أنها تراعي جودة وأسلوب النتيجة المطلوبة وبهذا تساعد الذكاء الاصطناعي على نمذجة استجاباته بناء على هذه الأمثلة المقدمة، مما يؤدي إلى ردود ومخرجات أكثر دقة وتفصيلاً.

إليك بعض أنواع الأمثلة التي يمكنك توفيرها للذكاء الاصطناعي لتساعده في توليد أفضل استجابة ممكنة:

• أرفق عينات من النص: يمكنك أن توفر عينة نصية تتبع الأسلوب الكتابي الذي ترغب من النموذج أن يتبعه عند توليد إجابة.
• وضح تنسيق البيانات: يمكنك توضيح تنسيق البيانات المخرجة وهياكلها، مثلًا يمكن أن تطلب منه وضع المعلومات في جداول أو قوائم.
• وفر القوالب الجاهزة: يمكنك توفير قالب جاهز لضمان توليد إجابات تتبع التنسيق والهيكل المطلوب.
• اكتب مقتطفات من الشيفرة البرمجية: إذا كان سؤالك متعلقًا بمشكلةٍ برمجية فمن الجيد توفير مقتطفات من الشيفرة البرمجية لضمان اتباع النموذج لقواعد اللغة البرمجية وتوليد شيفرات برمجية لهذه اللغة وليس لغيرها.
• وفر الرسومات البيانية والتوضيحية: إذا كنت ترغب في جعل الذكاء الاصطناعي يولد لك رسمًا بيانيًا فعليك توفير رسوماتٍ بيانية أو توضيحيةٍ مشابهة لما تحاول الوصول إليه.
• وفر المعلومات التسويقية: إذا كنت تستخدم الذكاء الاصطناعي لتوليد محتوى تسويقي، وفر له المعلومات التسويقية عن المنتج الخاص بك لتناسب النتائج التي يولدها هوية النشاط التجاري الذي تصمم له محتوى تسويقي.

اقتباس

مثال على مُوجِّه prompt معزز بالأمثلة لمساعدته في توليد نتائج أفضل:

قارن في جدول بين أداتين لإدارة المشاريع هما الأداة (أ) والأداة (ب). قارن من حيث السعر، والمميزات، وتقييمات العملاء، والدعم الفني، على سبيل المثال يمكنك أن تذكر في المميزات بعض الخواص مثل "توزيع المهام" و "متابعة التقدم في المهام" و "مشاركة الملفات" و "الدعم الفني" ينبغي أن يكون التنسيق مشابهاً لهذه العينة:

الميزة	الأداة ( أ)	الأداة (ب)
السعر	$X لكل مستخدم/شهرياً	$Y لكل مستخدم/شهرياً
الميزات الرئيسية	توزيع المهام	مشاركة الملفات
تقييمات المستخدمين	X نجوم	Y نجوم
الدعم الفني	دردشة مباشرة 24/7، بريد إلكتروني	هاتف خلال ساعات العمل، بريد إلكتروني

تأكد أن يكون الجدول الذي تعده مناسبًا للإرفاق في التقرير.

3. وفر البيانات لتحصل على إجابات أفضل

يساعد توفير المعلومات والبيانات ذات الصلة بالموضوع على تحسين جودة الإجابات المولدة بشكلٍ ملحوظ، حيث توفر البيانات أساسًا قويًا للذكاء الاصطناعي ليفهم السياق وِيتمكن من صياغة إجابة دقيقة، كما يسمح توفير البيانات التي تحتوي أرقامًا، وتواريخًا، وتصنيفات بشكلٍ منسق وهيكلٍ واضح بتوفير إجابات مفصلة تحليلية تساعد في اتخاذ القرارات، لذا من الضروري وضع البيانات في السياق المناسب لها، وتوفيرها عندما تكون متاحة، مع إرفاق مصدرها، فهذا يضيف نوعًا من المصداقية والثقة في المقارنات والتحليلات الكمية للبيانات.

ولتتأكد من أن الذكاء الاصطناعي قادر على توفير إجابات مفيدة وذات صلة، استخدم دائماً بيانات ومعلومات محدثة ومنظمة بشكلٍ جيد، وفي حالة المقارنات تأكد من توضيع عوامل المقارنة. فتوفير البيانات في السياق المناسب لها يزود الذكاء الاصطناعي بالقدرة على توفير إجابات قابلة للتنفيذ، واتخاذ قرارات فعالة مبنية على الأرقام، فالمدخلات النصية المرتكزة على البيانات قيّمة للغاية في المهام التي تتطلب تعمقاً تحليلياً للأرقام، وهي تُمكّن الذكاء الاصطناعي من توليد مخرجات مفيدة للنشاط التجاري وتوافق استراتيجياته التجارية.

اقتباس

مثال على مُوجِّه prompt معزز بالبيانات:

حلل بيانات المبيعات من الربع الأول لعام 2024 المرفقة في ملف PDF. أنا بحاجة إلى ملخص يوضح أفضل المنتجات مبيعاً، والمبيعات الكلية، وأي من الملاحظات على مشتريات العملاء.

يحتوي ملف PDF هذا على المبيعات الشهرية لثلاثة منتجات، المنتج أ والمنتج ب والمنتج ج، بعد مراجعة البيانات وتلخيصها، لخص ملاحظاتك في فقرة موجزة مناسبة للعرض في اجتماع الشركة، حدد الزيادة الملحوظة في المبيعات، أو الانخفاض في المبيعات موضحا العوامل التي أدت لهذا.

4. حدد هيئة النتائج التي تفضلها

عند التعامل مع الذكاء الاصطناعي من المهم توفير التنسيق المناسب والمتوقع للاستجابات، حدد على سبيل المثال فيما إذا كنت ترغب في الحصول على الإجابة على هيئة تقرير، أو ملخص، أو قائمة من النقاط أو غيرها من التنسيقات التي تضمن الحصول على الإجابة بالصيغة والتنسيق المناسبين.

اقتباس

مثال على مُوجِّه prompt يحدد هيئة الاستجابات:

أريد مراجعة شاملة عن أهم الأحداث في تاريخ تطوير البرمجيات، أرغب أن يكون تنسيق الإجابة على هيئة خط زمني يستخدم قائمة من النقاط، كل نقطة تشمل العام، والحدث، ووصفًا مختصرًا لأهميته، ابدأ من الثمانينات 1980s واستخدم أسلوب كتابةٍ تعليمي، ولا تتجاوز في المخطط الزمني عشرة أحداثٍ تاريخية.

5. استخدم صيغة "افعل" بدلاً من "لا تفعل"

عند صياغة المُوجِّهات للذكاء الاصطناعي من الأفضل توجيه الذكاء الاصطناعي نحو الفعل المناسب بدلاً من شرح ما عليه تجنبه، حيث يقلل هذا الأسلوب من الغموض ويُمكّن الذكاء الاصطناعي من توليد إجابات مفيدة وذات صلة بالموضوع، حيث تطلب التعليمات السلبية من الذكاء الاصطناعي أن يفهم الأمر ويقوم بعكسه، مما قد يزيد من احتمالية حدوث سوء فهم أو تشتت النموذج بالتركيز على ما نهي عنه، لذا كن واضحاً في تحديد الأفعال المطلوبة، لتمكن الذكاء الاصطناعي من الوصول للإجابة بشكلٍ فعال ومباشر.

اقتباس

بعض الموجهات التي عليك تجنبها:

• تجنب استخدام عبارة "لا تكتب بتفاصيل كثيرة." واستخدم بدلاً من ذلك "وفر ملخصًا موجز."

• تجنب استخدام عبارة "تجنب استخدام المصطلحات التقنية." استخدم بدلاً منها عبارة "استخدم مصطلحات شعبية ولغة بسيطة سهلة الفهم"

• تجنب استخدام عبارة مثل "لا تعطي أمثلة قبل عام 2000." واستخدم بدلاً من ذلك عبارة "وفر أمثلة من عام 2000 فصاعدًا."

6. اجعل الذكاء الاصطناعي يتقمص دور شخصية أو مرجعية محددة

من المفيد توجيه الذكاء الاصطناعي لِيتقمص شخصية أو دورًا محددًا بحيث تكون هذه الشخصية هي المرجع له، تزيد هذه الاستراتيجية من فعالية ودقة مخرجات الذكاء الاصطناعي، وتساعد على توجيه الذكاء الاصطناعي لتوليد إجاباتٍ ذات صلة بهذه الشخصية.

تفيد هذه الطريقة للغاية في سياق الأنشطة التجارية التي تتطلب معرفة بالمجال والسوق، وتمّكنك من توجيه الذكاء الاصطناعي لِيستخدم المصطلحات والأساليب المناسبة للسياق وبالتالي لِلمجال المطلوب بما يتوافق مع مجرى الأحداث، يساعد تحديد الشخصية أو المرجعية أيضاً في توضيح التوقعات والتفاعلات المناسبة مع الذكاء الاصطناعي ويحسن تجربة المستخدم.

اقتباس

مثال على مُوجِّه prompt يحدد الشخصية:

تخيل أنك خبير تسويق محترف، اكتب بريدًا إلكترونيًا لشركة ناشئة، موضحاً ثلاث خطط تسويقية مصممة خصيصاً لتلبي احتياجاتهم التسويقية للمنتج الذي سيطلقونه قريباً، اطلع على الملف المرفق لمزيدٍ من التفاصيل.

أرفق أي مؤشرات أداء سوف تساعد الشركة الناشئة على مراقبة أداء الحملات التسويقية، وتأكد من جعل أسلوب الكتابة احترافياً ومشجعاً، اجعلهم يشعرون بثقتك وخبرتك التسويقية.

7. جرب تسلسل المُوجِّهات

سَلسَلة المُوجِّهات Prompt chaining هي تقنية تعتمد على دفع الذكاء الاصطناعي لتفسير إجاباته وتفصيلها بشكلٍ أوضح، عن طريق توجيهه من خلال الأوامر النصية ليناقش الخطوات التي اتخذها للوصول للإجابة واستنتاجها، تمكنك هذه الطريقة المستخدمين من فهم المنطق ومدى صحة الإجابة.

يفيدك هذا الأسلوب للغاية عند التعامل مع المشكلات المعقدة أو مناقشة الأسباب التي أدت لتوليد الإجابة، حيث تضمن مستوى أعمق من حل المشكلات وفهمها ومراحل التوصل إليها، مما يُمكّن المستخدم من التعلم من طريقة إيجاد الذكاء الاصطناعي للحل.

اقتباس

مثال على مُوجِّه prompt يعتمد تسلسل المراحل:

تخيل أنك مهندس برمجيات وتسلمت مهمة تحسين شيفرة برمجية لتحسين الأداء:

[ الصق الشيفرة البرمجية هنا]

• استخدم تسلسل الأفكار التالية لتوجيه عملك
• تحديد المشاكل: حدد المشاكل التي تؤثر على الأداء.
• تحسين :ناقش التقنيات التي سوف تستخدمها لحل مشكلات الأداء، مثل تحسين الخوارزميات أو إعادة كتابة بعض الشيفرات البرمجية، أو تسريع قدرات الحواسيب المستخدمة.
• اختبر وتحقق: حدد الطرق التي يمكننا بها اختبار وتقييم التحسن في الأداء لضمان أن التغييرات التي أجريتها كانت فعالة.
• التشغيل: وضح كيف يمكننا أن نطبق التحديثات التي أجريناها في بيئة الإنتاج.
• توثيق وتلخيص الخطوات: لخص ما قمت به من خطوات، ووثق التحسينات التي أجريتها.

8. قَسِّم المهام المعقدة إلى مهام أبسط

عند التعامل مع المهام المعقدة، فسيساعدك تقسيمها إلى مهام في جعلها أبسط وأسهل في التعامل يجعل الذكاء الاصطناعي قادرًا على حل تلك المشكلات المعقدة، باستخدام خطوات من التعليمات التي تمنع من تشتت الذكاء الاصطناعي عن هدفه وتسهل من مهمته المطلوبة، مما يضمن أن كل جزء من المهمة الأكبر ينجز بدرجة عالية من الدقة والاهتمام بالتفاصيل.

إضافةً إلى أن هذه الطريقة تسهل من عملية مراقبة وتعديل كل مهمة على حدة، حيث يمكن تعديل كل خطوة وتحسينها بشكل يرفع من الجودة الكلية لحل هذه المشكلة، وتقسيم المهام إلى أجزاء أصغر يمكن الذكاء الاصطناعي من استخدام الموارد بشكل أكثر فعالية وتوفيراً، حيث يمكننا أن نركز على الخطوات الأهم التي تطلب تركيزًا أكبر.

اقتباس

مثال على مُوجِّه prompt يقسم المهام:

تجنب استخدام موجه واحد يشمل كل شيء كالموجه التالي.

• "اكتب مقالًا من 1500 كلمة عن تأثير الذكاء الاصطناعي على العمل من بعد."

يمكنك بالمقابل استخدام أمر نصي مبدأي يتبعه عدد من المدخلات النصية المحسنة كالتالي:

• "اكتب مقالًا مفصلًا من 1500 كلمة بعنوان "ثورة في عالم العمل عن بعد: دور الذكاء الاصطناعي في دعم محترفي التقنية"، ينبغى أن يحتوي المقال على مقدمة مثيرة للاهتمام، وثلاثة مواضيع رئيسية بالعناوين التالية "تحسين الانتاجية بالذكاء الاصطناعي"، و"تحسين التواصل باستخدام الذكاء الاصطناعي" و"إدارة المشاريع باستخدام الذكاء الاصطناعي"، بالإضافة إلى خاتمة تلخص ما توصلت إليه في المقال.
• "اكتب مقدمة مفصلة عن "ثورة في عالم العمل عن بعد: دور الذكاء الاصطناعي في دعم محترفين التقنية" المقدمة ينبغي أن تكون بين 150 إلى 200 كلمة، وتهيئ السياق لشرح كيف سيغير الذكاء الاصطناعي العمل عن بعد في شركات التقنية، وتوفر المقدمة محاولة لجذب انتباه القراء واهتمامهم لإكمال القراءة.

9. أدرك حدود نموذج الذكاء الاصطناعي وقدراته

عند صياغة مُوجِّهات الذكاء الاصطناعي، من الضروري أن تعرف جيدًا حدود إمكانيات نموذج الذكاء الاصطناعي لوضع توقعات واقعية، فتكليف الذكاء الاصطناعي بمهام ليس مصممًا للقيام بها، مثل التفاعل مع قواعد بيانات خارجية أو توفير تحليل بيانات في الوقت الحقيقي سوف يؤدي إلى إجابات غير دقيقة وتعاني من ظاهرة تسمى الهلوسة Hallucination.

بعض حدود إمكانيات الذكاء الاصطناعي:

• لا يمتلك الذكاء الاصطناعي القدرة على الوصول إلى معلومات في الوقت الحقيقي، فمعرفة النموذج تنتهي إلى آخر تحديث تم تدريبه فيه.
• لا يمتلك القدرة على الوصول إلى البيانات الشخصية ما لم توفرها بشكل صريح خلال التفاعل مع النظام.
• لا يمتلك القدرة المباشرة على التفاعل أو استخدام برامج خارجية مثل قواعد البيانات، أو المتصفحات
• يولد إجابات غير مفيدة في حال عدم توفر سياق واضح عند التعامل مع المواقف المعقدة.
• لا يمتلك القدرة على امتلاك المشاعر أو التعاطف بشكل حقيقي ولا يمتلك القدرة على تكوين تجربة شخصية.

10. استخدم الأسلوب التجريبي في تحسين نموذج الذكاء الاصطناعي

يعتمد مجال هندسة المُوجِّهات Prompt engineering الصاعد بشكلٍ كبير على عقلية التجربة المستمرة، تجربة دائمة لطرق جديدة وصياغات مختلفة، حيث من الأفضل أن تُطور صياغة المدخلات النصية في دورات متتالية تتحسن فيها الصياغة وجودة الردود بشكل متتابع، لاحظ بدقة تأثير التغيرات التي تجربها في الصياغة على أداء نماذج الذكاء الاصطناعي وتعلم كيف تتغير إجابات النماذج بتجربة المدخلات المختلفة وتأثير التعديلات عليها.

لا تتردد في استكشاف الاحتمالات المختلفة لصياغات مختلفة لتكتشف المدخلات النصية الأكثر فعالية للقيام بمهمة محددة دون أن تخالف أخلاقيات الذكاء الاصطناعي أو خصوصية البيانات، فاستراتيجية المحاولات التجريبية والتعلم من الأخطاء تساعدك في إتقان هندسة الموجهات وتمكنك من صياغة موجهات أكثر كفاءةً وتزيد من فهمك بشكلٍ عام لكيفية عمل نماذج اللغات الضخمة وطريقة تفسيرها للأوامر وتفاعلها مع التعليمات المختلفة.

الخلاصة

تعرفت في مقال اليوم على المقال يبرز أهمية هندسة المُوجِّهات (Prompt Engineering) ودورها في رفع كفاءة أدوات الذكاء الاصطناعي وأهم النصائح والممارسات التي تساعدك على صياغة مُوجِّهات عالية الجودة تمكنك من الحصول على نتائج دقيقة وملاءمة لمتطلباتك. احرص على تطبيق هذه الممارسات في تفاعلك مع نماذج الذكاء الاصطناعي، فمن شأنها أن تعزز استفادتك من هذه النماذج وتزيد إنتاجيتك وتحسن كفاءة عملك.

ترجمة-وبتصرٌّف-للمقال Prompt Engineering Best Practices: Tips, Tricks, and Tools

اقرأ أيضًا

• مصطلحات الذكاء الاصطناعي للمبتدئين
• تعلم الذكاء الاصطناعي
• أهمية الذكاء الاصطناعي
• إيجابيات وسلبيات الذكاء الاصطناعي
• برمجة الذكاء الاصطناعي

نستعرض في مقال اليوم أمثلة على الذكاء الاصطناعي ونسلط الضوء على الاستخدامات المتنوعة لهذه التقنية الرائدة في حياتنا اليومية وفي مختلف الصناعات. فقد ازداد الاعتماد على الذكاء الاصطناعي بشكل كبير في الآونة الأخيرة وأصبح من المهم معرفة الطرق المختلفة لاستخدام الذكاء الاصطناعي في تأدية مهامنا المختلفة والاستعانة به لزيادة كفاءتنا وإنتاجيتنا.

زيادة الاعتماد على الذكاء الاصطناعي

وفق مؤشر شركة IBM لتبني تطبيقات الذكاء الاصطناعي الصادر في نوفمبر من العام 2022 تبنت أغلب الشركات تقنيات الذكاء الاصطناعي في أعمالها بنسبة بلغت 43% من الشركات المشاركة في الاستبيان، في حين تدرس 40% من الشركات الباقية استخدام الذكاء الاصطناعي في أعمالها، ولا شك أن هذه الإحصائيات تدل على إدراك شركات الأعمال لأهمية استخدام الذكاء الاصطناعي في تطوير أعمالها وزيادة أرباحها، وضرورة استخدام التقنيات الذكية لتعزيز التنافسية في السوق المتنامي للذكاء الاصطناعي واستثمار الفرص الواعدة فيه.

وحتى بالنسبة للأفراد أصبح استخدام أدوات الذكاء الاصطناعي أمرًًا أساسيًا بالنسبة للكثير من الأشخاص اليوم وأداة مهمة لإنجاز أعمالهم وتعزيز إنتاجيتهم ، ولهذا السبب ازاد الطلب على أدوات الذكاء الاصطناعي وتطبيقاته في مختلف المجالات، وسنتعرف في الفقرات التالية على تطور الذكاء الاصطناعي ثم نستعرض أبرز الأمثلة على الذكاء الاصطناعي واستخدماته في قطاعات متنوعة مثل التعليم والصحة وإدارة الأعمال والتسويق وغيرها من الأمثلة العديدة الأخرى.

تطور الذكاء الاصطناعي

وضحنا في مقال سابق ما هو الذكاء الاصطناعي (AI) وتاريخ تطوره وذكرنا أنه تقنية تُمكّن الحواسيب وغيرها من الآلات القابلة للبرمجة على محاكاة الذكاء البشري في القدرة على الفهم والإدراك وربط الأسباب ببعضها البعض والتعلم والتفاعل مع بيئتها، والتكيف مع التغيرات لحل المشكلات بشكلٍ إبداعي.

وقد تطور الذكاء الاصطناعي بشكل كبير في السنوات الأخيرة، وأجريت الكثير من الأبحاث العلمية المتعلقة بتقنياته مع التركيز على النماذج اللغوية الضخمة Large Language models التي مكنت الحواسيب من التفاعل بسهولة مع البشر وفهم لغتهم بشكل أفضل، هذا فتح الباب على مصراعيه لظهور أمثلة على الذكاء الاصطناعي المتطور القادر على التفاعل مع البشر إجراء محادثات ذكية معه بلغتهم، مثل تطبيق المحادثة الذكي ChatGPT الذي استحوذ على نسبة كبيرة من سوق أدوات الذكاء الاصطناعي.

ولم يقتصر هذا التطور فقط على قدرات الذكاء الاصطناعي اللغوية، بل شمل أيضاً القدرات البصرية والقدرة على إنشاء محتوى جديد ما أكسبه نوعاً من الإبداع، فيمكنك بمجرد وصف الصورة التي في مخيلتك، وكتابة هذا الوصف للنموذج التوليدي على هيئة مُوجّه (prompt) الحصول على صورة احترافية إبداعية قريبة مما تخيلته وربما تتجاوز توقعاتك في غضون ثوانٍ! فالآلات اليوم باتت ذكية جدًا وقادرة على فهم المعاني وراء الكلمات والنصوص، كما أنها واستخراج المعلومات من البيانات البصرية كالصور ومقاطع الفيديو بل وحتى إنشاء المحتوى المكتوب والمرئي والمسموع بجودة جيدة وتتحسن بشكل سريع للغاية.

وبفضل الاستثمارات الضخمة التي تحاول ضمان حصة قوية في سوق الذكاء الاصطناعي فإن هذا التخصص في حالة تطور متسارع، حتى أنه يعد اليوم أحد أسرع التقنيات نموًا ويتوقع أن يزداد نموه، وتزاد أهميته والاعتماد عليه في المستقبل.

دورة الذكاء الاصطناعي

احترف برمجة الذكاء الاصطناعي AI وتحليل البيانات وتعلم كافة المعلومات التي تحتاجها لبناء نماذج ذكاء اصطناعي متخصصة.

اشترك الآن

دعنا نستعرض تاليًا أهم الأمثلة على الذكاء الاصطناعي وتقنياته المطبقة في مختلف المجالات.

أمثلة على تطبيقات معالجة اللغات الطبيعية بالذكاء الاصطناعي

تتنوع الأمثلة على تشغيل الذكاء الاصطناعي ومجالاته المختلفة في مختلف القطاعات، ومن أبرز هذه المجالات معالجة اللغات الطبيعية Natural Language Processing (NLP)‎ التي تعني فهم الآلات للغة البشرية وقدرتها على معالجتها ويفيد تطبيق هذا المجال في العديد من المهام المتعلقة بمعالجة النصوص أو الكلام البشري كتحليل المشاعر للنصوص المكتوبة، وتلخيص الفقرات الطويلة، وإنتاج أو توليد محتوى نصي، وفهم الأسئلة والإجابة عليها، والترجمة الآلية للنصوص وغير ذلك من الأمثلة.

كل ما نحتاجه هو إدخال موجه (prompt) يتضمن وصف للمهمة التي نريدها من النموذج لنحصل على النتائج كما لو أن بشريًا ينتجها. وبهذا يمكن الاستفادة من القدرات اللغوية القوية لنماذج الذكاء الاصطناعي الحالية في تطوير أنظمة محادثات ذكية قابلة للتطبيق في مجالات كثيرة ومتنوعة، مثل خدمة العملاء والرد على استفساراتهم بمرونة وفاعلية.

أمثلة على تطبيقات الرؤية الحاسوبية بالذكاء الاصطناعي

تعد الرؤية الحاسوبية Computer Vision من المجالات المتقدمة للذكاء الاصطناعي، وهناك الكثير من الأمثلة على الاستفادة منها مثل تصنيف الصور Image Classification بسهولة، والتعرف على الكائنات المختلفة وتمييزها في الصور object detection and recognition، وفصلها عن بعضها Image segmentation إلى مجموعات تملك سمات متشابهة، كما يمكن الاستفادة منها في تحسين جودة الصور كإزالة التشويش، أو تحسين الألوان، وكذلك في التعامل مع النماذج ثلاثية الأبعاد التي تشهد تأثيرًا كبيرًا في مختلف الصناعات.

ولعل ما يميز مجال الرؤية الحاسوبية اليوم هو قدرتها على معالجة الصور والفيديوهات بسرعة ودقة، واستغلال التطور في المجالات الأخرى للذكاء الاصطناعي مثل معالجة اللغات الطبيعية والذكاء الاصطناعي التوليدي Generative AI في تحسين عمل خوارزميات الذكاء الاصطناعي وتمكنها من أداء مهامها مثل تحديده كائن في الصورة أو إزالته بشكل ذكي للغاية دون الحاجة لتدريب النموذج على صور جديدة ويعرف هذا الأسلوب بالتعلم بصفر أمثلة (zero-shot learning). ولعل نموذج شركة ميتا Meta المعروف باسم نموذج "افصل أي شيء يا سام Segment Anything Model SAM" من أبرز الأمثلة على التطور الكبير في مجال الرؤية الحاسوبية حيث يتيح هذا النموذج القدرة على تحليل وتفسير الصور بشكل متقدم وتحديد وفصل الكائنات بدقة، دون الحاجة لتدريبه على بيانات محددة لهذه الكائنات مسبقاً. ويمكنك تجربة استخدام هذا النموذج في هذا الموقع التجريبي.

أمثلة على الذكاء الاصطناعي في التعليم

لا تراعي معظم أنظمة التعلم التقليدية الفروق الفردية بين المتعلمين، وتفرض إطاراً موحداً لجميع أنواع الطلاب، وقد لا يكون هذا أفضل طريقة للتعليم، الذكاء الاصطناعي قادر على توفير عملية تعليمية بشكل مخصص مناسب للمتعلم بناءً على تفاعل الذكاء الاصطناعي مع المتعلم، فيمكنه توليد رسومات توضيحية والإجابة على أسئلة المتعلم، كما يمكنه تقييم أدائه وتقديم اقتراحات لتحسين مستواه الدراسي.

ويمكن أن يساعد الذكاء الاصطناعي المعلم على تحديد نقاط الضعف في المقررات الدراسية التي يعاني الطلاب في فهمها بشكل جيد، مما يساعده على تحسين محتوى هذه المقررات بشكلٍ موجه وفعال، كما يمكن أن يوفر الذكاء الاصطناعي للمعلمين الوقت للعمل أكثر على تحسين جودة موادهم التعليمية ومحتواه ويساعد في الإجابة على كل تساؤلات الطلاب بشكلٍ فعال في أي وقت وبشكلٍ فوري.

كما يمكن الاعتماد على أنظمة المساعدة الذكية (Intelligent Tutoring Systems) التي تعد أشبه بتوفير معلم خاصٍ لديه الخبرة بالمواضيع التي يتعلمها الطلاب ويجيب عن أسئلتهم ويساعدهم في إدراك المفاهيم الصعبة. وهذا قد يكون حلاً مناسباً لتعويض النقص في المعلمين في بعض البلاد والكثافة الطلابية العالية، وقد سارعت العديد من منصات التعلم على الإنترنت التي توفر مواد تعليمية وتدريبية إلى دمج أنظمة ذكاء اصطناعية لتحسن تجربة التعلم على منصاتها ووفرت نظام محادثة ذكي يستطيع الإجابة على أسئلة الطلاب المختلفة ويستفيد من الأسئلة التي يطرحونها في معرفة نقاط الضعف في المحتوى التعليمي وتحسينه. فالذكاء الاصطناعي يوفر حلولاً فعالة ومنخفضة التكلفة لتحسين تجربة التعلم وأساليب التقييم، ويسهل عملية التصحيح الآلي للاختبارات ويوفر تقييمًا دقيقًا لأداء الطلبة.

ومع تطور تكنولوجيا الواقع الإفتراضي والواقع المعزز سيكون الذكاء الاصطناعي قادرًا على استخدام هذا التطور لتحسين تجربة التعلم باستخدام هذه التقنيات الحديثة، فيمكنه أن يولد للمتعلم نماذج ثلاثية الأبعاد تساعد الطالب على تخيل المفاهيم التي يتعلمها، وتستخدم هذه التقنيات حاليًا في تعليم التشريح لطلاب الطب ولدراسة الجسد البشري بشكل تفاعلي مع نماذج للجسم البشري ثلاثية الأبعاد.

وهناك العديد من الأمثلة الأخرى عن استخدام الذكاء الاصطناعي في مجال التعليم، ويعتقد البعض أن التطور في الذكاء الاصطناعي سوف يستبدل المعلمين لكن هذا غير دقيق، لأن العملية التعليمة نشاط يستلزم تفاعلًا بشريًا واجتماعيًا ولن يكون الذكاء الاصطناعي قادراً على التعاطف مع مشاعر الطلبة أو يمثل قدوة لهم فهو ليس سوى آلة ويقتصر دوره على مساعدة المعلم على تحسين عمله.

أمثلة على الذكاء الاصطناعي في الطب

يعتبر مجال الطب من المجالات الحيوية، فحياة المريض قد تتوقف على التشخيص الدقيق لحالته في الوقت المناسب، ويمكن للذكاء الاصطناعي المساعدة في تقليل الأخطاء الطبية من خلال توفير تحليلات دقيقة وموثوقة للبيانات الطبية، والاكتشاف المبكر للأمراض، ومراقبة الحالة الطبية للمريض، وتنبيه الطبيب المتابع للحالة بتقرير مفصل عن حالته الحيوية والأدوية التى يتناولها ومدى التزامه بها في المواعيد المحددة، ومن الأمثلة على الذكاء الاصطناعي في الطب الأجهزة القابلة للارتداء مثل الساعات الذكية والأسورة الإلكترونية التي تمتلك مستشعرات لقياس المؤشرات الحيوية مثل نبضات القلب وغيرها مما قد يساعد في اكتشاف أي تدهور مفاجئ في صحة المريض.

أمثلة على الذكاء الاصطناعي في تشخيص الأمراض

يمكن استخدام خوارزميات الرؤية الحاسوبية المتقدمة في تحليل صور الأشعة الطبية ودمجها مع نظام تقارير يستخدم معالجة اللغات الطبيعية والذكاء الاصطناعي التوليدي لتقديم تقرير مفصل عن الحالة الطبية بعد تحليل الصور والملفات الطبية للمريض.

وهناك بعض الأنظمة التي تستخدم أعراض المرض لتشخيص الأمراض وتوفر قائمة بالأمراض المحتملة حيث تستطيع إدخال الأعراض المرضية ليقوم النظام بتوفير قائمة بالأمراض المحتملة وتفاصيل عنها.

الذكاء الاصطناعي والروبوتات الجراحية

تساعد أنظمة الذكاء الاصطناعي بدمجها مع الروبوتات المتخصصة بالقيام بعمليات جراحية في غاية الدقة، ويمكن تطوير روبوتات طبية متعددة الأغراض، قد يكون هذا حلاً مناسباً للغاية في الحالات الخطيرة للتعامل مع الأمراض المعدية والأوبئة لضمان أمان الطاقم الطبي.

تستطيع الروبوتات الجراحية القيام بالعمليات من خلال فتحات صغيرة دون القيام بقطوع كبيرة بسبب قدرتها على استخدام المناظير المزودة بكاميرات والأدوات الدقيقة للقيام بالعمليات الصعبة بدقة بالغة مما يقلل من حجم الجروح ويقلل من الألم والوقت اللازم للتعافي.

أمثلة على الذكاء الاصطناعي وتمكين ذوي الاحتياجات الخاصة

تعد المساعدات الصوتية (مثل سيري أو أليكسا) وتطبيقات قراءة النصوص من أولى الأدوات التي ساعدت ذوي الاحتياجات الخاصة البصرية ووفرت لهم نوعاً من الاستقلالية، ومع تطور فهم الذكاء الاصطناعي للغة تطورت قدرات هذه المساعدات وبات بإمكانها فهم الحديث بشكل جيد وعرض المعلومات المهمة، كما توفرت مساعدات بصرية تترجم الكلام المنطوق إلى صور أو رسومات باستخدام لغة الإشارة لتساعد ذوي الاحتياجات السمعية.

وقد تطور الذكاء الاصطناعي اليوم وأصبح بمقدوره قراءة الأفكار، عن طريق تسجيل الإشارات الكهربية التي ينتجها المخ باستخدام جهاز رصد موجات المخ الكهربية electroencephalogram EEG فيمكن تسجيل الإشارات الكهربية التي ينتجها المخ أثناء التفكير في بعض الأشياء وتكوين قاعدة بيانات، ثم تدريب نماذج التعلم الآلي على التعلم من أنماط الإشارات المختلفة التي ينتجها المخ أثناء التفكير بشيء معين، يمكن أن تتم ترجمة هذه الأفكار إلى كلمات يتم عرضها على شاشات لتساعد الغير قادرين على التواصل أو الحركة على التعبير عن أنفسهم، تواجه هذا النهج بعض التحديات مثل التشويش الناتج أثناء تسجل الإشارات الكهربية للمخ وتبحث شركة Neuralink في تطوير هذه التقنية باستخدام شرائح تزرع داخل المخ لتسجيل الإشارات بشكل أنقى، هناك العديد من المخاطر لتطوير مثل هذه التقنيات ومخاوف قد تكون في محلها، فقدرة الآلة على أن تقرأ الأفكار قد تهدد الخصوصية ومن الممكن أن يساء استخدامها.

وقد تم بالفعل تجريب شرائح شركة Neuralink على البشر بشكلٍ محدود وتطوعي، فقد ساعدت الشخص الذي استخدمها على ممارسة بعض الأنشطة مثل لعب الشطرنج بالتحكم بالحاسوب الخاص به من خلال أفكاره وغيرها من الأنشطه الأخرى، لكن لاتزال هذه تقنية تجريبية وخطيرة للغاية ولكنها تعد بالكثير من الإمكانات لتمكين ذوي الاحتياجات الحركية والذهنية.

أمثلة على الذكاء الاصطناعي في مجال الصيدلة

يعد مجال الصيدلة وتطوير الأدوية من المجالات العلمية المتقدمة للغاية والتى تطلب مليارات الدولارات لاستثمارها للخروج بدواءٍ واحد وسنوات طويلة من البحث والدراسة للتأكد من جاهزية هذا الدواء الجديد ليستخدم من قبل البشر، بعد دراسة كافية وشاملة وتجارب عديدة لضمان أقل التأثيرات الجانبية السلبية لهذا الدواء.

ويمكن استخدام الذكاء الاصطناعي في تطوير أنواع جديدة من الأدوية بتكلفة أقل وابتكار مركبات فعالة جديدة ودراسة تأثيراتها الجانبية المحتملة وفعاليتها في نظام محاكاة كما يمكن أن يساعد الذكاء الاصطناعي في توفير بيئة محاكاة لتجربة الكثير من المركّبات الدوائية واكتشاف تأثيرها على الأهداف الحيوية المختلفة إذ يصمم الدواء لاستهداف هدفٍ حيوي مثل أنواع معينة من الخلايا وتصميم هيكل المركبات العلاجية المناسبة لضمان تأثير الدواء على الهدف المحدد وتستخدم في هذه المهمة برامج المحاكاة مثل برامج تصميم هياكل الجزئيات بمساعدة الحاسوب Computer-Aided Molecular Design.

وتستخدم نماذج التعلم العميق والذكاء الاصطناعي التوليدي لتصميم هياكل بروتينية جديدة قد تساهم في اختراع مركّبات دوائية فعالة، مثال على هذه النماذج آلفا فولد AlphaFold المتخصص في توقع هياكل البروتينات المختلفة، في الجدول التالي بعض الأمثلة لنماذج التعلم العميق المستخدمة في مجال الأدوية.

أمثلة على الذكاء الاصطناعي في التسويق وتحليل آراء العملاء

استخدام الذكاء الاصطناعي في التسويق ليس بالشيء الجديد، حيث تستخدم منصات التواصل الاجتماعي البيانات الضخمة التي تمتلكها عن مستخدميها لتقوم بعرض الإعلانات الموجهة لهم بناءً على اهتماماتهم وسجلات تصفحهم، ومع تطور تقنيات الذكاء الاصطناعي زادت الطرق الممكنة لاستخدام الذكاء الاصطناعي في التسويق والإعلانات المخصصة.

وتهتم الشركات اليوم بآراء عملائها وترغب دائماً في جعلهم عملاء مستمرين وضمان بقاء سمعة الشركة بشكل جيد، لذلك تحتاج الشركات لمتابعة ومراقبة أي تغير في آراء الجماهير، وهنا تساعد أدوات الذكاء الاصطناعي بتحليل بيانات مواقع التواصل الاجتماعي المختلفة والمنشورات التي تحمل كلماتٍ مفتاحية تعبر عن الشركة لفهم آراء العملاء والجماهير على هذا المنصات، فيمكن دراسة الآراء الإيجابية والسلبية عن منتجٍ معين لتحسين جودة المنتجات وضمان تجربة خدمة عملاء متميزة.

كما تساعد أدوات الذكاء الاصطناعي التحليلية على متابعة أهداف الحملات التسويقية من ناحية فهم التعليقات والمشاعر التى تعبر عنها، ودراسة العوامل التي تدفع العميل لشراء منتجات الشركة، مما يساعد على تحديد استراتيجيات أفضل في التسويق والتركيز على نقاط القوة التى تهم العملاء ويبحثون عنها، كما تمكن مدير حملات التسويق من فهم أنواع العملاء بالتالي استهدافٌ أفضل.

الذكاء الاصطناعي وإنشاء المحتوى التسويقي

يمكن لأدوات الذكاء الاصطناعي توليد محتوى تسويقي يناسب العملاء المختلفين بناءً على تعاملاتهم السابقة والبيانات التى تملكها الشركة أو تستطيع الوصول إليها من أجل استهدافٍ فعال ومناسب لكل عميل، فبدلاً من تصميم صورة واحدة يمكن تصميم عدد من الصور تناسب أنواع مختلفة من المستخدمين واستخدام الذكاء الاصطناعي في عرض الصورة المناسبة لكل نوعٍ من العملاء، ويمكنك الاطلاع على هذا المقال لفهم كيفية استغلال هذه التقنيات بشكلٍ عملي "دليل استخدام ChatGPT API لتحسين خدماتك عبر الإنترنت "

تحسين جودة خدمة العملاء باستخدام الذكاء الاصطناعي

خدمة العملاء من العوامل التنافسية التي تسعى كل الشركات في تحسينها لضمان قوتها وانتشارها في الأسواق ولاكتساب عملاء دائمين، لذا سترحب الشركات بالاستثمار في أي تحسين ممكن لهذه العملية و تحسين تجربة العنلاء من خلال الذكاء الاصطناعي، ومن أمثلة هذه الأدوات أنظمة المحادثات الذكية قادرة على الرد على أسئلة العملاء المتكررة والإجابة عن أسئلتهم عن مختلف الخدمات والسلع التي تقدمها الشركة.

يمكن للشركات على سبيل المثال استخدام نماذج تعلم الآلة لتوقع العملاء الذين يفكرون في إلغاء الاشتراكات ومحاولة تقديم عروض مغرية تشجعهم على البقاء مشتركين في الخدمات التي تقدمها الشركة، كما يمكن دراسة وتحديد احتياجات العملاء والمنتجات التي يبحثون عنها وتطويرها، والاستهداف الذكي باستخدام العروض المناسبة لكل عميل.

أتمتة إدارة الإعلانات بالذكاء الاصطناعي

أتمتة إدارة الإعلانات أو الإعلانات المبرمجة Programmatic advertising هي طريقة تسمح للشركة بشراء مساحة لعرض الإعلانات أو بيع مساحة إعلانية بشكل آلي، من مزايا هذه الطريقة الإعلانية أنها تستخدم نماذج الذكاء الاصطناعي في توقع المواقع المناسبة لعرض الإعلانات المناسبة لفئات العملاء المستهدفة بشكلٍ آلي مما يوفر التكلفة بشكلٍ كبير مقارنة بطرق التسويق العادية المحكومة بمنصة واحدة وقد لا تصل إلى الجمهور المستهدف.

أمثلة على الذكاء الاصطناعي في القطاع المالي

لا شك أن تقنيات القطاع المالي financial technology (fintech)‎ تعد اليوم من المجالات الهامة والأسرع نمواً، حيث نجد اليوم أمثلة متنوعة على استخدام الذكاء الاصطناعي في خدمة العملاء وأنظمة تحليل البيانات المالية واتخاذ قرارات صائبة مثل تقرير إعطاء القروض من عدمه بناء على البيانات المستخدمة من قبل نماذج الذكاء الاصطناعي لتحديد المخاطر المحتملة من إقراضهم، ومن المتوقع أن يستمر الذكاء الاصطناعي في النمو والتقدم في هذا المجال، مما يعزز من كفاءة العمليات المالية ويقلل من حدوث الأخطاء البشرية.

أمثلة على الذكاء الاصطناعي في الزراعة

تُستخدم تقنيات الذكاء الاصطناعي ولا سيما تقنية إنترنت الأشياء IoT في تطوير أنظمة الزراعة الذكية، فيمكن استخدام الرؤية الحاسوبية Computer Vision لاكتشاف الآفات الزراعية وأمراض النباتات ويمكن استخدام كاميرات عادية أو طائرات مسيرة تجمع الصور ومقاطع الفيديو للأراضي الزراعية، ويتم استخدام الذكاء الاصطناعي مدعوما بالبيانات التى تجمعها أدوات الاستشعار والقياس المختلفة في مراقبة نمو المحاصيل لضمان جودتها وخلو التربة أو النباتات من المشاكل التي قد تدمر المحصول أو تؤثر على جودته.

الخاتمة

تعرفنا في هذا المقال على بعض الأمثلة لتطبيق الذكاء الاصطناعي في مجالات مختلفة مثل التعليم والطب والتسويق والزراعة والقطاع المالي، بعد الاطلاع على هذه الأمثلة المتنوعة، يمكن التنبؤ بزيادة انتشار استخدامات الذكاء الاصطناعي في المستقبل، وتعزيز تطبيق وتشغيل قدراته في توفير حلول ذكية لأغلب القطاعات الاقتصادية والبشرية لتحسين جودة الخدمات المقدمة والتنافسية وتوفير فرصٍ عمل جديدة.

نأمل أن تكون هذه المقالة ملهمةً لك للتفكير في استخدامات جديدة للذكاء الاصطناعي في مجالك، ونرحب بأن تشاركنا في التعليقات المزيد من الأمثلة والأفكار.

اقرأ أيضًا

• تطبيقات الذكاء الاصطناعي

• مصطلحات الذكاء الاصطناعي للمبتدئين

• من هو مهندس الذكاء الاصطناعي

• تعرف على أهم كتب الذكاء الاصطناعي المجانية

نعرفكم في مقال اليوم على كيفية استخدام مكتبة المحولات Transformers في مهام الذكاء الاصطناعي التوليدي مثل توليد الصور أو تحويل النص إلى كلام أو الإجابة عن أسئلة متعلقة بالمستندات حيث يوفر الإصدار v4.29.0 من مكتبة المحوّلات Transformers واجهة برمجة تطبيقات API اختبارية لعناصر مفيدة في الذكاء الاصطناعي التوليدي هي الوكلاء Agents والأدوات Tools، وسنناقشها بالتفصيل في فقراتنا التالية. يمكنك العمل مع هذه الواجهة البرمجية API من رابط مخصص لها على جوجل كولاب Google Colab، وهي تُركز على مهام فهم اللغة الطبيعية (اللغة البشرية)، فيعمل الوكيل agent على تفسير أوامر اللغة الطبيعية المعُطاة له مستخدمًا مجموعة من الأدوات الأساسية التي توفرها المكتبة؛ تحتاج لأن تبدأ عملك بتصميم الوكيل وتحديد أدواته المناسبة لمشروعك، ويمكنك في أي لحظة توسيع نطاق التصميم ليشمل أدواتٍ إضافية أنشأها وشاركها مطورون آخرون على مجتمع Hugging Face.

اقتباس

تنويه: واجهة API السابقة لا زالت اختبارية، وهي عرضة للتطوير والتغيير في أي وقت، لذا قد تتغير النتائج التي تحصل عليها باستخدام الوكلاء Agents عن النتائج المعروضة في أمثلتنا تبعًا للتغيرات التي طرأت على النماذج.

سنعرض بعضًا من الأمثلة عمّا يمكنك تحقيقه باستخدام هذه الواجهة البرمجية API، وستلاحظ قوتها في المهام متعددة الأنماط multimodal، لذا سنبدأ أمثلتنا بتجربتها في مهام توليد الصور وقراءة النصوص صوتيًا.

ألقِ نظرة على الأمر التالي فهو يوجه طلبًا مكتوبًا باللغة الإنكليزية للوكيل Agent ويطلب منه وضع تسمية توضيحية أو عنوان للصورة المعطاة له:

agent.run("Caption the following image", image=image)

لاحظ أن دخل الوكيل صورة والخرج تسمية توضيحية تناسبها:

الدخل	الخرج
	A beaver is swimming in the water

الآن لنطلب من الوكيل Agent قراءة التسمية التوضيحية السابقة، سنمررها له ضمن text:

agent.run("Read the following text out loud", text=text)

وسيكون الدخل والخرج كما يلي:

لنجرب أيضًا تمرير مستند document للوكيل Agent ونطرح عليه سؤالًا عن مضمون المستند:

agent.run(
    "In the following `document`, where will the TRRF Scientific Advisory Council Meeting take place?",
    document=document,
)

في هذه الحالة سيكون الدخل والخرج كما يلي:

أكمل معنا قراءة المقال لتعرف الأساسيات، ثم ادخل إلى بيئة Google Colab الخاصة بالمكتبة وجرب بعض المهام بنفسك حتى تتقن التعامل معها.

مقدمة سريعة

الخطوة الأولى هي إدراج الوكيل الذي نود استخدامه بتعليمة agent.run، والوكيل هو نموذج لغوي كبير (LLM) يمكنك الحصول عليه من مصادر متنوعة، فمكتبة المحوّلات Transformers مثلًا تدعم النماذج اللغوية الخاصة بمنصات openAI و BigCode و OpenAssistant؛ تتمتع نماذج openAI بكفاءة أعلى من البقية لكنها بالمقابل غير مجانية إذ يتطلب استخدام واجهتها البرمجية مفتاحًا خاصًا "openAI API key"، أما نماذج منصتي BigCode و OpenAssistant فالوصول إليها متاح مجانًا عبر منصة Hugging Face يمكنك استخدامها بسهولة.

لنُثَبِّت في البداية امتداد مكتبة المحوّلات الخاص بالوكلاء agents قبل تثبيت بقية الاعتماديات:

pip install transformers[agents]

تعتمد خطوتنا التالية على نوع المنصة التي سنستخدم نماذجها.

إذا رغبت باعتماد نماذج OpenAI فثَبِّت الاعتمادية openai لتتمكن من استخدامها وإنشاء المثيل OpenAiAgent ليكون وكيلًا:

pip install openai

يمكنك الآن إدراج الوكيل OpenAiAgent كما يلي:

from transformers import OpenAiAgent

agent = OpenAiAgent(model="text-davinci-003", api_key="<your_api_key>")

أما إذا رغبت باستخدام نماذج BigCode أو OpenAssistant، فعليك في البداية تسجيل الدخول إلى منصة Hugging Face لتحصل على صلاحية الوصول إلى واجهة API الاستدلالية التي توفرها Hugging Face لهذه النماذج:

from huggingface_hub import login

login("<YOUR_TOKEN>")

وبعدها أدرج الوكيل agent:

from transformers import HfAgent

# Starcoder
agent = HfAgent("https://api-inference.huggingface.co/models/bigcode/starcoder")
# StarcoderBase
# agent = HfAgent("https://api-inference.huggingface.co/models/bigcode/starcoderbase")
# OpenAssistant
# agent = HfAgent(url_endpoint="https://api-inference.huggingface.co/models/OpenAssistant/oasst-sft-4-pythia-12b-epoch-3.5")

استخدمنا هنا واجهة API المجانية (حاليًا) التي توفرها Hugging Face للوصول إلى النماذج اللغوية الكبيرة، لكن يمكنك بالطبع استخدام أي واجهة API أخرى متوفرة لديك وعندها ستستبدل عنوان URL الذي استخدمناه بعنوان URL لنقطة الاتصال endpoint المتوفرة لديك.

ملاحظة: تعمل النماذج المجانية لكل من OpenAssistant و StarCoder جيدًا في المهام البسيطة لكن أداءها يتراجع للأسف كلما ازداد تعقيد المهام الموكلة لها، لذا ننصحك باستخدام نماذج OpenAI في المشاريع الكبيرة فبالرغم من كونها غير مفتوحة المصدر لكنها مناسبة.

لننتقل إلى الخطوة التالية، ونتعرف عن قرب على واجهتي API المتوفرتين لدينا الآن.

التنفيذ الإفرادي باستخدام التابع run

يستخدم التنفيذ الإفرادي single execution التابع ()run مع الوكيل agent كما في المثال التالي الذي يطلب من الوكيل توليد صورة تتضمن أنهارًا وبحيرات:

agent.run("Draw me a picture of rivers and lakes.")

أرجع الوكيل الصورة التالية:

سيُحَدِدْ الوكيل agent تلقائيًا الأداة tool أو الأدوات المناسبة للمهمة التي طلبنا تنفيذها، ويعمل على تشغيلها بالطريقة الصحيحة، علمًا أنه يستطيع تنفيذ أكثر من مهمة في آن واحد، لكن لا ننصحك بذلك فكلما ازداد تعقيد الأوامر الموجهة له ازدادت احتمالات الفشل.

وهذا مثالٌ آخر لتوليد صورة تتضمن بحرًا ثم إضافة جزيرة عليها:

agent.run("Draw me a picture of the sea then transform the picture to add an island")

وستكون الصورة التي ستحصل عليها كالتالي:

يمكنك تشغيل ()run لمهام مختلفة عدة مرات متتالية، فكل تعليمة ()run مستقلة تمامًا عن غيرها من التعليمات.

تُعدّ دقة مطالبات الدخل prompts الموجهة للوكيل مهمة جدًا في الحصول على أفضل النتائج، فالاختلافات الصغيرة فيها تصنع فرقًا فالوكيل agent في نهاية الأمر مجرد نموذج لغوي كبير يستجيب للتوجيهات التي تُعطى له.

كما يوفر الوكيل خياراتٍ مفيدة أخرى عبر المتغيرات التي يقبلها، فتستطيع مثلًا تمرير كائنات غير نصية له كتمرير الصور، أو توجيهه لحفظ حالة التنفيذ الأخيرة التي وصل إليها وتحديثها بإضافة عناصر جديدة، لنفترض أننا نريد من الوكيل أخذ صورة الأنهار والبحيرات التي ولدها في مثالنا السابق وإضافة جزيرة عليها، فستكون الأوامر وفق التالي:

picture = agent.run("Generate a picture of rivers and lakes.")
updated_picture = agent.run("Transform the image in `picture` to add an island to it.", picture=picture)

تفيدك هذه الحالة عندما لا يكون النموذج قادرًا على فهم طلبك بوضوح أو عاجزًا عن مزج عدة أدوات معًا، كما في المثال التالي: >

agent.run("Draw me the picture of a capybara swimming in the sea")

قد يُفسِّر الوكيل هذا الطلب بطريقتين:

• توليد صورة من النص text-to-image والنص هو: "ارسم لي صورة لحيوان كابيبارا يسبح في الماء".
• توليد صورة من النص text-to-image والنص هو: "ارسم لي صورة لحيوان كابيبارا"، ثم "استخدام أداة تحويل الصور image-transformation لجعل حيوان الكابيبارا يسبح".

يمكنك حسم الموضوع وفرض السيناريو الأول بتمرير موجه prompt صريحة كمتغير للوكيل تتضمن بوضوح ما تريد وجوده في الصورة كما يلي:

agent.run("Draw me a picture of the `prompt`", prompt="a capybara swimming in the sea")

التنفيذ المستند إلى الدردشة باستخدام التابع chat

يعمل الوكيل agent بأسلوب الدردشة النصية chat-based بواسطة التابع ()chat كما في المثال التالي:

سنطالبه أولًا بتوليد صورة أنهار وبحيرات:

agent.chat("Generate a picture of rivers and lakes")

سيولد لنا الصورة التالية:

ثم سنطلب منه تحويل الصورة وإضافة عنصر إليها كما يلي:

agent.chat("Transform the picture so that there is a rock in there")

يساعدك هذا الأسلوب في الاختبارات وتنفيذ التعليمات الفردية التي تحافظ فيها على الحالة الأخيرة للتنفيذ عبر مجموعة من التعليمات، لكنه ليس الأسلوب الأمثل للتعليمات المعقدة، التي يناسبها التنفيذ المعتمد على ()run.

يقبل التنفيذ المعتمد على الدردشة تمرير وسيط غير نصي أو موجهات Prompts محددة للتابع ()chat.

التنفيذ عن بعد Remote execution

أنشأت منصة Hugging Face -باستخدام نقاط الاتصال الاستدلالية inference endpoints- مُنَفِّذْين عن بعد remote executors للعديد من الأدوات الافتراضية التي يستخدمها الوكلاء agents، ستجدها معطلة حاليًا في هذا الإصدار لكننا ذكرناها هنا لتعرف أن الإمكانية متوفرة، وأن باستطاعتك إنشاء أدوات مخصصة لاحتياجات مشروعك وتخزينها في مستودع بعيد ثم استدعائها للتنفيذ عن بعد، اقرأ دليل إنشاء الأدوات المخصصة لتعرف أكثر عن الموضوع.

الوكلاء Agents والأدوات Tools

بعد هذه المقدمة السريعة سنُعَرِّف الآن الوكلاء Agents والأدوات Tools، لكن اطّلع أولًا على المخطط التوضيحي التالي:

الوكلاء Agents

الوكيل agent هو نموذج لغوي كبير (LLM) نوجهه بواسطة مُوجّهات prompts ليستخدم مجموعة من الأدوات tools التي نحددها له بغرض تنفيذ المهمة المطلوبة.

تُعَدُ النماذج اللغوية الكبيرة (LLMs) مناسبة لتوليد شيفرات برمجية صغيرة، لذا تستفيد الواجهة البرمجية API من هذه الميزة وتطلب من النموذج توليد شيفرة برمجية تتضمن التعليمات اللازمة لتنفيذ مهمة محددة مع استخدام أدوات معينة نَصِفُها له، فيأخذ الوكيل المهمة والوصف المقدم للأدوات، ويكمل المطلوب بإنشاء تعليمات متوافقة مع مدخلات الأدوات ومخرجاتها كما هو موضح في المخطط السابق.

الأدوات Tools

تتكون الأداة tool من دالة واحدة لها وظيفة محددة؛ وتتميز كل أداة باسم ووصف، نستخدم وصف الأدوات في المُوجِّهات prompt الموجهة للوكيل agent، فيوضح له الوصف كيف يستفيد من كل أداة في تنفيذ المهمة المطلوبة.

يستخدم الوكيل agent الأدوات tools بدلًا من خطوط الأنابيب pipelines بالرغم من تشابه المفهومين لأنه يقدم أداءً أفضل في كتابة الشيفرة البرمجية مع الأدوات المحددة والصغيرة، فالأدوات تتخصص بمهمة واحدة بسيطة، بينما تجمع خطوط الأنابيب مهام متعددة في آنٍ واحد.

تنفيذ الشيفرة البرمجية

بعد توليد الوكيل الشيفرة البرمجية تُنَفَّذْ على المدخلات مباشرةً باستخدام مُفَسِّر أوامر بايثون المحدود والخاص في منصة Hugging Face، قد لا تطمئن لهذه الطريقة أو تظنها غير آمنة فالأوامر الناتجة عن الوكيل تذهب للمُفَسِّر مباشرةً وتُنَفَّذْ دون أن تراها.

لكن ما يخفف مخاطرها أن التنفيذ يقتصر على الأدوات التي تستدعيها بنفسك فقط ، ولن تُنفذ أي تعليمات أخرى غيرها، لذا فهو يُعدّ آمنًا نوعًا ما، طالما أنك تلتزم باستخدام الأدوات التي تؤمنها منصة Hugging Face، فالمنصة تعتمد عددًا من الاحتياطات الأمنية فهي تمنع عمليات استخراج السمات من الشيفرات البرمجية أو استيرادها وتحميك من الهجمات الشهيرة.

وإذا رغبت بحماية أكبر فيمكنك استخدام أسلوب التنفيذ المعتمد على التابع ()run مع الوسيط return_code=True الذي سيعرض لك الشيفرة البرمجية التي وَلَّدها الوكيل لتتفحصها وتقرر بنفسك فيما إذا ما كنت تود تنفيذها أم لا.

أما حالات توقف التنفيذ غير المتوقعة التي قد تصادفك، فهي ترجع عادةً لسببين: إما تنفيذك عملية غير مصرح بها، أو وجود خطأ ما في الشيفرة التي أنتجها الوكيل.

الأدوات التي توفرها مكتبة Transformers

هذه قائمة بأشهر الأدوات المدمجة في مكتبة المحوّلات Transformers والمستخدمة لتشغيل الوكلاء agents:

• الإجابة عن أسئلة حول محتوى المستند Document question answering: نمرر للنموذج مستندًا (ملف PDF مثلًا) بصيغة صورة ويستخدم الأداة للإجابة عن أي سؤال تطرحه حول محتوى المستند، ومن أمثلته النموذج (Donut).
• الإجابة عن أسئلة حول النص Text question answering: تكون المدخلات هنا نص طويل وسؤال، والمخرجات هي الإجابة عن هذا السؤال من داخل النص، تعمل مع النموذج (Flan-T5).
• وضع تسمية توضيحية للصورة Unconditional image captioning: وضع تسميةً توضيحية للصور المدخلة، مثل النموذج (BLIP).
• الإجابة عن أسئلة حول الصورة Image question answering: نمرر صورة لتتم الإجابة عن السؤال المطروح عنها، (VILT).
• تجزئة الصور Image segmentation: المدخلات في هذه الحالة: صورة، وموجه prompt بتجزئة الصورة، ويكون الخرج قناعًا لتجزئة الصورة حسب المعيار المحدد في الموجه prompt، ومن أمثلتها النموذج (CLIPSeg)
• تحويل الكلام إلى نص Speech to text: نمرر ملفًا صوتيًا لشخص يتكلم، ويجري تحويله إلى نص، يناسبه مثلًا النموذج (Whisper).
• تحول النص إلى كلام Text to speech: العملية المعاكسة، الدخل هنا هو نص ويُحوّل إلى كلام، تعمل مع النموذج (SpeechT5).
• تصنيف النصوص بدون تدريب مسبق Zero-shot text classification: نمرر للنموذج نصًا ومجموعة تسميات توضيحية labels لم تكن موجودة ضمن البيانات التي تَدَرَّبَ عليها سابقًا، وينبغي له تحديد التسمية التوضيحية الأكثر توافقًا مع النص، مثل النموذج (BART).
• تلخيص النصوص Text summarization: تلخيص النص الطويل ببضع جمل فقط، مثل النموذج (BART).
• الترجمة Translation: ترجمة النص المُعطى إلى اللغة المحددة، مثل النموذج (NLLB).

هذه الأدوات مدمجة في مكتبة المحولات Transformers ويمكنك استدعائها واستخدامها يدويًا خارج الإطار السابق كما في المثال التالي:

from transformers import load_tool

tool = load_tool("text-to-speech")
audio = tool("This is a text to speech tool")

الأدوات المخصصة

بالرغم من توفر العديد من الأدوات الجاهزة في منصة Hugging Face إلّا أن الإمكانية متاحة أمامك لإنشاء أدوات مخصصة لاحتياجات عملك ومشاركتها على المنصة بسرعة وبسهولة.

بعد الانتهاء من برمجة الأداة ارفع شيفرتها البرمجية إلى المنصة أو إلى مستودع النموذج الخاص بك، وستتمكن بعدها من استخدامها مع أي وكيل agent، وهذه بعض الأمثلة عن أدوات مخصصة موجودة في قسم huggingface-tools على منصة Hugging Face وهي مستقلة عن مكتبة Transformers:

• تحميل النصوص Text downloader: تحميل نص من عنوان URL معين.

• تحويل النص إلى صورة Text to image: توليد صورة بناءً على النص المُدخل في الموجه prompt، وذلك باستخدام نموذج الذكاء الاصطناعي stable diffusion.

• تحويل الصور Image transformation: تكون المدخلات صورة مبدئية، وموجه prompt بتعديلها، ويجري تعديل الصورة بناءً على الموجه prompt، وذلك باستخدام تعليمات pix2pix stable diffusion.

• تحويل النص إلى فيديو Text to video: يُنشئ مقطع فيديو صغير بناءً على الموجه prompt المقدم له، وذلك بالاستفادة من damo-vilab.

بالمناسبة إن أداة تحويل النص إلى صورة text-to-image التي استخدمناها في أمثلة المقال هي أداة بعيدة مستضافة على منصة Hugging Face على الرابط huggingface-tools/text-to-image، وستجد العديد من الأدوات الأخرى المستضافة هناك.

يمكنك الاطلاع على دليل إنشاء الأدوات المخصصة لتتعرف أكثر على طريقة إنشاء الأدوات ومشاركتها، علمًا أن الوكلاء agents يتمتعون تلقائيًا بصلاحية الوصول إلى كافة الأدوات الموجودة على Hugging Face.

توليد الشيفرة البرمجية Code generation

استخدمنا في أمثلتنا السابقة الوكلاء agents لتنفيذ الإجراءات دون أي تدخل منا، فالوكيل يوّلِد الشيفرة البرمجية ثم تُنَفَّذ هذه الشيفرة باستخدام مُفَسِّر بايثون المحدود، وبالتالي إذا رغبت باستخدام الشيفرة البرمجية الموَّلدة بأي طريقة أخرى، يمكنك ذلك عبر مطالبة الوكيل بإرجاع الشيفرة البرمجية الناتجة جنبًا إلى جنب مع تعريف الأداة المستخدمة وعمليات الاستيراد imports الدقيقة.

فالتعليمة المبينة أدناه على سبيل المثال:

agent.run("Draw me a picture of rivers and lakes", return_code=True)

تُرجع الشيفرة التالية التي تستطيع تعديلها وتنفيذها يدويًا حسب ما تريد:

from transformers import load_tool

image_generator = load_tool("huggingface-tools/text-to-image")

image = image_generator(prompt="rivers and lakes")

الخلاصة

تعرفنا في هذا المقال على الوكلاء agents والأدوات tools والأساليب المختلفة لاستخدامها في تحويل أوامر اللغة الطبيعية إلى تعليمات برمجية لتوليد الصور والنصوص والفيديوهات أو لترجمتها أو تلخيصها أو تحويلها حالة إلى أخرى، وتعلمنا أيضًا أننا أحرار في طريقة الاستفادة من هذه التعليمات البرمجية الناتجة، فيمكننا تركها لتُنَفَّذْ تلقائيًا أو استعراضها وتنفيذها يدويًا أو حتى استخدامها في أغراضٍ أخرى في برامج أوسع مثلًا أو غير ذلك. وفي الختام ندعوك لمتابعة مقالنا التالي حول توليد النصوص باستخدام النماذج اللغوية الكبيرة LLMs لتعزز معرفتك أكثر بهذا المجال الحيوي.

ترجمة -وبتصرف- لقسم Transformers Agents من منصة Hugging Face.

اقرأ أيضًا

• المقال السابق: تدريب المًكيَّفات PEFT Adapters بدل تدريب نماذج الذكاء الاصطناعي بالكامل
• بناء تطبيق بايثون يجيب على أسئلة ملف PDF باستخدام الذكاء الاصطناعي
• تطوير تطبيق 'اختبرني' باستخدام ChatGPT ولغة جافاسكربت مع Node.js
• مصطلحات الذكاء الاصطناعي للمبتدئين

تساهم مشاركة نماذج الذكاء الاصطناعي مع الآخرين في نشر المعرفة، وتوفير الوقت والموارد على الراغبين باستثمارها وبالأخص على المستخدمين الجدد، إذا كنت تتابع معنا هذه السلسلة عن مكتبة المحولات Transformers مفتوحة المصدر من منصة Hugging Face فقد تعلمت كيفية صقل Fine-Tune نموذج ذكاء اصطناعي مُدَرَّبْ مُسبقًا باستخدام كل من PyTorch و Keras وأيضًا كيفية تسريع تدريبه بواسطة التدريب الموزع والمكتبة Accelerate، وستتعلم الآن كيف تشاركه مع المجتمع.

سواء كنت قد دَرَّبتَ نموذجك من الصفر أو استخدمت نموذجًا مُسبق التدريب وصقلته fine-tune على بيانات محددة فلديك طريقتين لمشاركته على مستودع نماذج Hugging Face المسمى Model Hub:

• رفع الملفات إلى المستودع برمجيًا.

• رفع الملفات إلى المستودع بطريقة السحب والإفلات من واجهة الويب للمستودع.

اقتباس

تذكر أنك تحتاج حسابًا على huggingface.co كي تستطيع مشاركة النماذج على المنصة.

ميزات مستودع النماذج Model Hub

يتمتع كل مستودع repository في مستودع النماذج Model Hub بكافة المميزات الخاصة بمستودعات GitHub التقليدية، مثل: توفر نظام التحكم بالإصدارات versioning، وسجل تتبع التعديلات commit history، وإمكانية العرض المرئي للاختلافات بين الإصدارات visualize differences وغيرها.

يعتمد نظام التحكم بالإصدار versioning المُضَمَّنْ في مستودع النماذج على كل من git و git-lfs، فتستطيع التعامل مع النموذج على أنه مستودع مستقل، يزيد ذلك من قدرتك على التوسع، ويمنحك تحكمًا أكبر بإمكانية الوصول للنماذج، كما يسمح نظام التحكم بالإصدار بالمراجعات revisions أي تثبيت إصدار محدد من النموذج وتمييزه بعلامةٍ خاصة قد تكون رمزًا commit hash أو وسمًا tag أو فرعًا من المستودع branch.

بالنتيجة يمكنك تحديد إصدار النموذج الذي تريده باستخدام المعامل revision:

model = AutoModel.from_pretrained(
    "julien-c/EsperBERTo-small", revision="v2.0.1"  # tag name, or branch name, or commit hash
)

تُعَدَّل ملفات المستودع بسهولة، ويمكنك مشاهدة التعديلات التي طرأت عليعا والاختلافات التي أحدثتها في النموذج بمرونة تامة، كما في الصورة التالية:

إعداد متطلبات العمل

تحتاج إلى بيانات الاعتماد الخاصة بك على منصة Hugging Face قبل مشاركة أي نموذج على مستودع النماذج، إذا كنت تملك وصولًا لنافذة الطرفية terminal، فاكتب الأمر التالي ضمن البيئة الافتراضية التي أنشأناها عند تثبيت مكتبة المُحوّلات Transformers وبمجرد تنفيذه ستُخَزَّن بيانات اعتمادك المتمثلة برمز الدخول access token في مجلد الذاكرة المخبئية الخاص بمنصة Hugging Face (وهو المجلد /‎~/.cache افتراضيًا):

huggingface-cli login

أما إذا كنت تستخدم دفترًا للملاحظات notebook عبر الويب مثل: Jupyter أو Colaboratory فاحرص في البداية على تثبيت المكتبة huggingface_hub التي تسمح لك بالتفاعل البرمجي مع مستودع النماذج:

pip install huggingface_hub

ثم استخدم notebook_login كما يلي لتسجيل الدخول إلى مستودع النماذج، واتبع بعدها الخطوات الخاصة بتوليد رمز الدخول token لتستخدمه:

>>> from huggingface_hub import notebook_login

>>> notebook_login()

تحويل النموذج ليعمل مع أي إطار عمل

ننصحك بإنشاء نقطتي تحقق checkpoints لنموذجك قبل رفعه إلى المستودع واحدة باستخدام إطار العمل PyTorch وأخرى باستخدام TensorFlow، يُسَهِّل هذا الأمر استفادة الآخرين من النموذج بصرف النظر عن إطار العمل الذي يستخدمونه. ونشير هنا إلى المستخدمين سيظلون قادرين على تحميل نموذجك بأي إطار عمل يرغبون به حتى إذا تجاوزت هذه الخطوة ولم تحوّل نموذجك، لكنهم سيعانون عندها من بعض البطء في التحميل، لأن المحوّلات Transformers ستُحَوّل النموذج إلى صيغة تناسب إطار عملهم في أثناء التحميل فيزداد الوقت المستغرق له.

أما تحويل نقطة التحقق الخاصة بنموذجك من إطار العمل الذي تعتمده إلى إطار عمل آخر فيُعَدُّ إجراءً سهلًا سنتعلمه معًا، لكن تأكد في البداية من تثبيت إطاري العمل باي تورش PyTorch وتنسرفلو TensorFlow (يمكنك مراجعة مقال تثبيت مكتبة المحوّلات Transformers من هذه السلسلة على أكاديمية حسوب لتتعرف على خطوات التثبيت)، ثم ابحث عن نموذج مهمتك في إطار العمل الآخر الذي ستحول نموذجك إليه لتتأكد أنه متوافق معه.

تحويل نقطة التحقق من TensorFlow إلى PyTorch عبر ضبط قيمة المعامل from_tf=True وفق التالي:

>>> pt_model = DistilBertForSequenceClassification.from_pretrained("path/to/awesome-name-you-picked", from_tf=True)
>>> pt_model.save_pretrained("path/to/awesome-name-you-picked")

تحويل نقطة التحقق من PyTorch إلى TensorFlow عبر ضبط قيمة المعامل from_pt=True كما يلي:

>>> tf_model = TFDistilBertForSequenceClassification.from_pretrained("path/to/awesome-name-you-picked", from_pt=True)

ثم احفظ نموذج TensorFlow الجديد بنقطة تحققه الجديدة:

>>> tf_model.save_pretrained("path/to/awesome-name-you-picked")

وإذا كان النموذج مدعومًا في Flax يمكنك تحويله من PyTorch إلى Flax وفق التالي:

>>> flax_model = FlaxDistilBertForSequenceClassification.from_pretrained(
    "path/to/awesome-name-you-picked", from_pt=True
)

رفع النموذج إلى المستودع في أثناء التدريب

يُعدّ رفع النماذج ومشاركتها على المستودع عملًا بسيطًا يماثل إضافة معامل أو رد نداء callback أو غيره من الخيارات المألوفة، فهو في نهاية الأمر أحد معاملات التدريب التي نُحددها ضمن الصنف TrainingArguments كما تعلمنا في مقال صقل Fine-Tune نموذج ذكاء اصطناعي مُدَرَّبْ مُسبقًا فكل ما عليك فعله هو ضبط المعامل Push_to_hub=True في الصنف TrainingArguments كما في الخطوات التالية، وسيُرفَع نموذجك مباشرةً إلى المستودع:

>>> training_args = TrainingArguments(output_dir="my-awesome-model", push_to_hub=True)

نُمَرِّر هذه الخيارات الآن إلى المُدَرِّب Trainer:

trainer = Trainer(
    model=model,
    args=training_args,
    train_dataset=small_train_dataset,
    eval_dataset=small_eval_dataset,
    compute_metrics=compute_metrics,
)

وبعد الانتهاء من صقل fine-tune النموذج نستدعي الدالة call push_to_hub()‎ بواسطة المُدَرِّب Trainer لرفعه إلى مستودع النماذج، وستُضيف مكتبة المحوّلات Transformers تلقائيًا معلومات النموذج إلى بطاقة الوصف الخاصة به، وهي تتضمن مثلًا: المعاملات الفائقة hyperparameters للنموذج، ونتائج تدريبه، وإصدارات إطار العمل التي يعمل عليها وما إلى ذلك:

trainer.push_to_hub()

وفي إطار العمل TensorFlow يمكنك مشاركة النماذج على المستودع بواسطة الدالة PushToHubCallback مع إضافة الخيارات التالية:

• مجلد خرج النموذج.

• المُرَمِّز tokenizer.

• مُعَرِّف النموذج على المستودع hub_model_id وهو يتكون من اسم المستخدم مالك النموذج username واسم النموذج.

وستكون الأوامر كما يلي:

>>> from transformers import PushToHubCallback

>>> push_to_hub_callback = PushToHubCallback(
    output_dir="./your_model_save_path", tokenizer=tokenizer, hub_model_id="your-username/my-awesome-model"
)

ثم أضف رد نداء callback للدالة fit وفق التالي وسترفع المحوّلات Transformers نموذجك إلى المستودع:

>>> model.fit(tf_train_dataset, validation_data=tf_validation_dataset, epochs=3, callbacks=push_to_hub_callback)

استخدام الدالة push_to_hub

يمكنك بدلًا من استخدام الطريقة السابقة استدعاء الدالة push_to_hub وتمرير اسم النموذج المطلوب رفعه إلى المستودع.

حَدِّدْ اسم النموذج ضمن push_to_hub وفق التالي:

>>> pt_model.push_to_hub("my-awesome-model")

سينشأ الآن مستودعًا repository للنموذج على مستودع النماذج لمنصة Hugging Face يكون تحت اسمك، ويُسمى باسم النموذج وهو في مثالنا my-awesome-model، ويمكن للمستخدمين الآخرين بعد ذلك تحميله بواسطة الدالة from_pretrained كما يلي:

>>> from transformers import AutoModel

>>> model = AutoModel.from_pretrained("your_username/my-awesome-model")

أما إذا كنت تنتمي لمؤسسة لديها حساب على Hugging Face وتريد رفع نموذجك تحت اسم المؤسسة فأضف مُعَرِّف مستودع المؤسسة repo_id مع اسم النموذج وفق التالي:

>>> pt_model.push_to_hub("my-awesome-org/my-awesome-model")

تساعدك الدالة Push_to_hub على رفع ملفات أخرى إلى مستودع النموذج نحو المُرَمِّز tokenizer مثلًا:

>>> tokenizer.push_to_hub("my-awesome-model")

أو نسخة TensorFlow من نموذج PyTorch المصقول fine-tuned كما يلي أو غير ذلك:

>>> tf_model.push_to_hub("my-awesome-model")

الآن عندما تفتح حسابك على منصة Hugging Face سترى المستودع الجديد الذي أنشأته، وبالضغط على تبويب الملفات Files ستستعرض جميع الملفات التي حَمَّلتها إلى المستودع.

شرحنا هنا الأساسيات فقط، ولمزيد من المعلومات حول إنشاء الملفات ورفعها على مستودع Hugging Face راجع التوثيقات ذات الصلة على المنصة.

تحميل النماذج من واجهة الويب الخاصة بالمستودع

إذا كنت تفضل العمل مع الواجهات الرسومية بدلًا من سطر الأوامر فيمكنك استخدام واجهة مستودع Hugging Face الموجودة على الرابط huggingface.co/new لإنشاء المستودع الجديد ورفع النماذج إليه كما في الصورة التالية:

بعدها أدخل المعلومات التالية المطلوبة في الصورة أعلاه وهي كالتالي:

• حَدِّدْ مالك المستودع owner، سواء كنت أنت بصفتك الشخصية أو أي مؤسسة تنتمي إليها.

• اختر اسمًا مميزًا لنموذجك، والذي سيكون اسمًا للمستودع أيضًا.

• حَدِّدْ خصوصية مستودعك عامًا أم خاصًا.

• اختر رخصة استخدام نموذجك.

اضغط بعدها على تبويب الملفات Files ثم زر أضف ملف Add file وحَمِّل ملفك الجديد إلى المستودع بطريقة السحب والإفلات، وأخيرًا أضف رسالة التثبيت commit message، ألقِ نظرة على الصورة التوضيحية التالية:

إضافة بطاقة وصف للنموذج Model Card

تساعد البطاقات مستخدمي النماذج على معرفة مزايا كل نموذج وإمكاناته والاعتبارات الأخلاقية لاستخدامه وغير ذلك من التفاصيل، لذا احرص على إضافة بطاقة خاصة لنموذجك لترشد كل من يود الاستفادة منه أو لتعود إليها عند الحاجة؛ تُعَرَّفْ بطاقة وصف النموذج model card بواسطة الملف README.md ويمكنك إنجاز الأمر بطريقتين:

• إنشاء الملف README.md وتحميله يدويًا.

• الضغط على زر تحرير بطاقة النموذج Edit model card من الواجهة الرسومية لمستودعك.

ألق نظرة على بطاقة وصف النموذج DistilBert على سبيل المثال، واطَّلِع على المعلومات التي تتضمنها عادةً بطاقات النماذج، كما يفيدك أيضًا استعراض قسم التوثيقات الخاص ببطاقات النماذج على منصة Hugging Face لتعرف المزيد عن الخيارات المرتبطة بالملف README.md مثل البصمة الكربونية للنموذج model’s carbon footprint (التي تقيس استهلاك الطاقة المستخدمة في تشغيل الحواسيب اللازمة لتدريب النموذج، أو اختباره وتشغيله)، وبعض الأمثلة عن الأدوات الملحقة به widget examples.

الخلاصة

تعلمنا في هذا المقال كيفية مشاركة نماذج الذكاء الاصطناعي على مستودع Hugging Face بعدة طرق برمجيًا وعبر واجهة الويب الرسومية لمستودع النماذج، برمجيًا لدينا طريقتين استخدام الدالة push_to_hub أو إضافة المعامل Push_to_hub=True إلى معاملات التدريب، أما عبر واجهة الويب فيمكنك إنشاء حسابك على المنصة ورفع نموذجك ببضع نقرات بسيطة، والنقطة الأهم أنك تستطيع تحويل النموذج إلى أطر العمل المختلفة قبل مشاركته على المستودع، وذلك بخطوات بسيطة عرضناها في المقال، فتُسهل على الآخرين تحميله بالصيغة التي يفضلونها مثل: PyTorch أو TensorFlow أو Flax، ولا تنسَ إضافة بطاقة وصف دقيقة للنموذج توضح للراغبين بتحميله إمكاناته وخصائصه وشروط استخدامه.

ترجمة -وبتصرف- لقسم Share a model من توثيقات Hugging Face.

اقرأ أيضًا

• المقال السابق: تدريب المًكيَّفات PEFT Adapters بدل تدريب نماذج الذكاء الاصطناعي بالكامل.

• تعرف على أهم مشاريع الذكاء الاصطناعي

• مكتبات وأطر عمل الذكاء الاصطناعي: القوة الكامنة خلف الأنظمة الذكية

• المعالجة المُسبقة للبيانات قبل تمريرها لنماذج الذكاء الاصطناعي

قبل عقد من الزمن، كان مفهوم الذكاء الاصطناعي (AI) مقتصرًا على كونه تصنيفًا فرعيًّا لأفلام الخيال العلمي الذي تسيطر فيه الآلات وأنظمة الذكاء الاصطناعي المتطورة على البشر ويُنظر إليه على أنه مجرد خيال مستقبلي وليس شيئًا واقعًا يمكن التعامل معه في الحياة اليومية. أما اليوم فقد تطور الذكاء الاصطناعي وصار متاحًا للجميع، فلو سألت أي شخص اليوم ما هو الذكاء الاصطناعي فسيجيبك بأنه علم متطور يوفر العديد من التقنيات الذكية التي تتيح للآلات القيام بمهام عديدة تحتاج إلى ذكاء بشري، ويوفر أدوات عديدة تساعد البشر في إنجاز أعمالهم اليومية بأسلوب يحاكي ذكاءهم مثل التعرف على الصور، أو ترجمة المحتوى، أو تشخيص الأمراض، أو قيادة السيارات …إلخ.

تطور الذكاء الاصطناعي من مساعد بسيط لمنافس للإنسان

اقتصر الذكاء الاصطناعي في بداياته على بعض التطبيقات التي بدت بعيدة جدًا عن منافسة ذكاء الإنسان، مثل مساعدته في إكمال الجمل بالكلمات المتوقعة، أو توفير نماذج يمكنها لعب بعض الألعاب والتغلب على البشر فيها مثل نموذج آلفا جو AlphaGo الذي تغلب على بطل العالم لي سيدول (Lee Sedol) في لعبة جو GO عام 2016، وآلفا جو AlphaGo هو برنامج حاسوبي طُوّرته شركة DeepMind البريطانية المتخصصة في الذكاء الاصطناعي وهدفه الأساسي لعب لعبة جو المعروفة بتعقيدها واحتوائها على عدد كبير جدًا من  الاحتمالات.

حين تمكن حاسوب من التفوق على الإنسان في لعبة جو المعقدة للغاية التي تتضمن عدد احتمالات يفوق عدد ذرات الكون المرئي، عُدَّ هذا الأمر إنجازًا تقنيًا هائلًا وطرح الكثير من الأسئلة حول ماهية الذكاء الاصطناعي، وإلى أي مدى سيتطور الذكاء الاصطناعي؟ وهل من الممكن أن تتفوق علينا هذه التقنية التي طورناها بأيدينا؟

لقد تمكن الذكاء الاصطناعي من انتزاع الانتصار أربع مراتٍ من أصل خمس من بطل العالم الأفضل على الإطلاق في هذه اللعبة، وهذا شكل هزيمة صادمة إذ كيف لنابغةٍ في أحد المجالات أن يُهزم مرات عديدة من قبل آلة؟

لكن هل كان آلفا جو AlphaGo حقاً برنامجًا ذكياً أم مجرد برنامج حاسوبي قادر على حساب عدد كبير من الاحتمالات والتعمق فى شجرة من النقلات التى ضمنت انتصاره بسهولة؟ في النقلة ال 37 قام آلفا جو AlphaGo بلعب نقلة رابحة فرصة اختيارها 1 من 10000 وتخالف كل مبادئ البشر وطريقة تفكيرهم، وهذه الحركة التي قد لا يفكر بها أي بشري استطاعت تغيير موازين اللعبة.

مصدر الصورة

اقتباس

كنت أعتقد أن آلفا جو AlphaGo مجرد آلة تعتمد على حساب الاحتمالات وأنها مجرد آلة. لكن عندما رأيت هذا النقلة، تغير تصوري بالكامل ، بكل تأكيد آلفا جو AlphaGo كان مبدعاً.

لي سيدول

ما هو الذكاء الاصطناعي

قبل أن نستعرض ما هو الذكاء الاصطناعي (Artificial Intelligence) من الجيد أن نعرف بداية ما هو الذكاء الطبيعي (Natural Intelligence) أو الذكاء البشري (Human Intelligence) الذي يعبر عن قدرة ذهنية ناتجة من القدرة على التعلم من التجارب، والتأقلم في المواقف الجديدة، والقدرة على استيعاب المفاهيم المجردة، وتسخير المعرفة للتفاعل مع البيئة.

وتحاول أنظمة الذكاء الاصطناعي محاكاة تعريف الذكاء البشري لتتمكن من التأقلم و التعامل مع مشكلات جديدة بشكلٍ إبداعي دون برمجة حل مسبق لها في هذه الأنظمة، فَالقدرة على التعميم واستخدام ما تعلمه من مواقف سابقة لتطبيقه على مواقف جديدة ومهامٍ جديدة لم يسبق للآلة التعامل معها يجعلها تستحق وسمها بالذكاء وإن كان اصطناعيًا.

يمكننا الآن أن نصل إلى تعريف الذكاء الاصطناعي بعد أن فهمنا ما الذي نحتاجه لوصف الآلة أنها ذكية. فالذكاء الاصطناعي هو تقنية متطورة تُمكِّن الحواسيب والآلات من محاكاة الذكاء البشري في القدرة على الفهم والإدراك، وربط الأسباب ببعضها البعض، والتعلم والتفاعل مع بيئتها بشكل متكيف مع التغيرات لحل المشاكل بشكلٍ إبداعي.

يمكننا أن نستخلص مما سبق عدة مفاهيم ينبغي أن تتصف بها أو تملكها الأنظمة الحاسوبية حتى توصف أنها أنظمة ذكية:

• القدرة على التعلم.
• القدرة على الإبداع.
• القدرة على التطور و تعميم التعلم.
• القدرة على الإدراك.
• القدرة على الفهم.
• القدرة على ربط الأسباب.

نبذة عن تاريخ تطور الذكاء الاصطناعي

في عام 1950، بدأ وضع معايير لتحديد ما هو الذكاء الاصطناعي من خلال اختبار تورينغ Turing test الذي يهدف إلى تحديد إذا كانت الآلة حقاً تتمتع بالذكاء وهو اختبار قائم على قدرة الآلة الذكية أن تجري محادثةً بشكل طبيعي فيظن المختبر أنه يتحدث مع إنسان وليس آلة، لكن لم يستطع آلان تورينغ Alan turing تطبيق مفهومه في ذلك الوقت، فقد كانت القوة الحاسوبية والتخزينية في ذلك الوقت محدودة للغاية وباهظة التكاليف.

في عام 1956 عُقد مؤتمر دارتموث الأول للبحث في الذكاء الاصطناعي (Dartmouth Summer Research Project on Artificial Intelligence) الذي ظهر فيه مصطلح الذكاء الاصطناعي بشكل علمي لأول مرة وعُدّ هذا المؤتمر الحدث التأسيسي الذي أطلق تخصص الذكاء الاصطناعي كمجال علمي قائم بذاته.

وشهد الذكاء الاصطناعي فترة ازدهار بين عامي 1957 و عام 1974 نظرًا لتطور القدرات الحاسوبية والتخزينة وإتاحتها بشكل أكبر للعامة، وكانت هذه فترة التوقعات المتفائلة بشأن إمكانات الذكاء الاصطناعي، لكن النتائج لم تقابل التوقعات مما أدى إلى فترة ركود في تطور الذكاء الاصطناعي.

في الثمانينيات عاد هذا المجال مجدداً للظهور نظرًا للتطور الملحوظ الذي حدث في خوارزميات تعلم الآلة، وبداية ظهور مفهوم التعلم العميق (Deep learning) الذي اقترح تنفيذ مهام الذكاء الاصطناعي بشكل مشابه للطريقة التي يعمل بها الدماغ البشري، لكن لم يدم هذا التطور لفترة طويلة فمازالت القدرات الحاسوبية وكمية البيانات المتوافرة لا تواكب الآمال المرجوة.

لاحقًا في فترة التسعينات والألفية الجديدة عاد الذكاء الاصطناعي للساحة، وتحققت الكثير من التطورات والقفزات العلمية في الذكاء الاصطناعي في تلك الفترة، وسبب هذا التطور المتسارع هو التطور الهائل الحاصل في القدرات الحاسوبية والتخزينية التي مكّنت من الاستفادة من خوارزميات الذكاء الاصطناعي المتاحة لأقصى درجة ممكنة.

وفي العصر الحالي أصبح الذكاء الاصطناعي من أكثر المجالات البحثية نمواً، وشهد سوق الذكاء الاصطناعي تطورًا متسارع الوتيرة، وأصبح من أكثر التقنيات طلبًا، فقدر حجم سوق تقنيات الذكاء الاصطناعي عام 2024 بحسب ستاتيستا statista بحوالي 200 مليار دولار، ومن المتوقع نمو هذا المجال والطلب عليه في السنوات القادمة ليصل إلى ما يقارب 800 مليار دولار بحلول عام 2030.

يُبرز هذا التطور المستمر مدى أهمية الذكاء الاصطناعي وزيادة الاعتماد عليه في مختلف جوانب حياتنا اليومية، ويؤكد على دوره الحيوي في رسم ملامح المستقبل، وتغيير طريقة تنفيذ أعمالنا اليومية وتفاعلنا مع العالم.

دورة الذكاء الاصطناعي

احترف برمجة الذكاء الاصطناعي AI وتحليل البيانات وتعلم كافة المعلومات التي تحتاجها لبناء نماذج ذكاء اصطناعي متخصصة.

اشترك الآن

ما هي تصنيفات الذكاء الاصطناعي

بعد أن تعرفنا على ماهية الذكاء الاصطناعي وتطوره وما المتوقع من الأنظمة الذكية أن تتسم به، لنتعرف على تصنيف الذكاء الاصطناعي وأنواعه. إذ تصنف الأنظمة الذكية بناءً على تطور قدراتها أو الوظيفة التى تحتاج القيام بها إلى عدة تصنيفات كما توضح الصورة التالية:

تصنيفات الذكاء الاصطناعي حسب القوة

تتفاوت قدرات الأنظمة الذكية فبعضها يتعامل مع مهام بسيطة وتكرارية لتوفير وقت الإنسان، والبعض الآخر مصمم ليتفاعل مع البشر ويقوم بطيف واسع من المهام لمساعدة الإنسان على اتخاذ القرارات، إذ يصنف الذكاء الاصطناعي بناء على قدرته على محاكاة ذكاء البشر إلى:

• الذكاء الاصطناعي الضعيف Weak AI
• الذكاء الاصطناعي القوي Strong AI

لنكتشف ما هو الذكاء الاصطناعي الضعيف والقوي وما الفرق بينهما.

الذكاء الاصطناعي الضعيف Weak AI

الذكاء الاصطناعي الضعيف (Weak AI) المعروف أيضًا بالذكاء الاصطناعي الضيّق (Narrow AI) هو النوع الذي نتعامل معه حاليًا فهو مصمم لأداء مهام محددة أو مجموعة من المهام المرتبطة بها، لكن دون امتلاك وعي أو فهم لها، فهو محدود في نطاقه وقدراته ولا يمكنه امتلاك الإدراك أو التكيف والتفكير بشكل مستقل خارج نطاق المهام التي صمم للتعامل معها.

تخيل أن لديك بوت محادثةٍ ذكي دربته كيف يتحدث مع العملاء ويجيب على أسئلتهم المتكررة، سيكون هذا البوت قادراً على فهم اللغة والصيغ المختلفة لطرح السؤال والتعامل مع أسئلة مثل "ما هي ساعات الدوام لديكم؟" أو "هل يمكنني القدوم في الساعة العاشرة لشراء هذا المنتج ؟" وإدراك أنها أسئلة عن أوقات العمل لهذا النشاط التجاري بالتالي الرد على السؤالين رغم اختلاف صياغتهما بنفس الإجابة التي توضح أوقات العمل. لكنه لن يتمكن من الدخول في نقاشات مفتوحة حول النشاط التجاري أو حول مواضيع عامة لا تخص هذا النشاط.

الذكاء الاصطناعي القوي Strong AI

بالمقابل يتميز الذكاء الاصطناعي القوي (Strong AI) أو ما يعرف أيضاً بالذكاء الاصطناعي العام Artificial general intelligence (AGI)‎ بتطوره وقدرته على القيام بالعديد من المهام المتنوعة بكفاءة تعادل البشر وتحاكي طريقتهم في التعامل مع أي مهمة معرفية.

لم تصل البشرية بعد إلى مستوى التعامل مع الذكاء الاصطناعي القوي (Strong AI) الذي يحاكي جميع القدرات البشرية الذهنية. ورغم التقدم الكبير في ماهية الذكاء الاصطناعي وتطور خوارزمياته ونماذجه التي تمكنت من الوصول إلى قدراتٍ مقاربة للبشر وربما تفوقت عليها في بعض المجالات المحددة، إلا أن هذه الأنظمة لا تزال تفتقر إلى الفهم والوعي العامين اللذين يميزان عقلنا البشري.

تصنيفات الذكاء الاصطناعي حسب الوظيفة

تصنف الأنظمة الذكية حسب الوظيفة ودرجة التعقيد إلى أربعة مستويات، وتتطور تدريجيًا من الأنظمة البسيطة إلى أنظمة أكثر تعقيدًا وأقرب إلى الذكاء البشري وهي كالتالي:

• الآلات التفاعلية Reactive machines
• الأنظمة محدودة الذاكرة Limited memory
• أنظمة نظرية العقل Theory of mind
• أنظمة الوعي الذاتي Self-awareness

لنوضح كل مستوى من هذه المستويات والوظائف التي يمكن القيام بها في كل منها.

الآلات التفاعلية Reactive machines

هي أنظمة ذكية لا تحتاج لامتلاك ذاكرةٍ للقيام بحل المشكلة التي تواجها، على سبيل المثال عند تصميم نظام ذكي يلعب الشطرنج، سيتحتاج هذا النظام للتعامل مع الموقف المعطى له فقط، وقد يكون هذا الموقف من منتصف المباراة ولكنه يستطيع تقييم الرقعة وقوة تمركز القطع واختيار نقلة تعظم من المكاسب أو تختار موقع استراتيجي بناءً على الموقف الحالي فقط .

الأنظمة محدودة الذاكرة Limited memory

هي الأنظمة الذكية التي تحتاج إلى تخزين البيانات بشكل مؤقت لاستخدامها في اتخاذ القرارات، فمثلًا عند تصميم نظام ذكي قادر على قيادة السيارات ذاتياً فأنت بحاجة لجمع بياناتٍ عن الطريق واللافتات المرورية والإشارات والسيارات الأخرى القريبة منك ليقوم النظام بالتحكم بالسيارة اعتماداً على البيانات الحالية والموقف الحالي، لن يكون النظام بحاجة للاحتفاظ بمعلومات عن السيارات التي ليست فى نطاق رويته أو سلكت طرقاً أخرى، فهذه الأنظمة تجمع البيانات بشكل مستمر لاتخاذ القرارات بشكلٍ فوري ولا تحتفظ سوى بما يلزم للتعامل مع الموقف الحالي.

أنظمة نظرية العقل Theory of mind

هي الأنظمة الذكية المتطورة التي تحتاج إلى فهم الأفكار والمشاعر والتفاعل الإجتماعي للقيام بوظيفتها، يمكن اعتبار روبوت المحادثة الذكي ChatGPT نظاماً قادرًا على فهم السياق من النص المرسل له ومعرفة المشاعر وراء تلك الكلمات بدرجة لا بأس بها، فهو قادر على استنتاج الأنماط المرتبطة بمشاعر معينة، لكنه لازال آلة غير قادرةٍ على التعاطف أو الشعور بتلك المشاعر.

أنظمة الوعي الذاتي Self-awareness

هي أنظمة ذكاء اصطناعي تحتاج إلى فهم المشاعر وتكوين وعي ذاتي للقيام بوظيفتها واتخاذ قرارات بناءً على هذا الوعي وتبريرها، في الوقت الحالي لا توجد أنظمة ذكاء اصطناعي تمتلك وعيًا ذاتيًا حقيقيًا كالبشر، ولكن هناك أبحاث تجري في هذا المجال، فهناك ورقة بحثية نشرت هذا العام بعنوان التعلم من خلال الشرح الذاتي Learning by Self-Explaining اقترحت طريقة تُمكّن أنظمة المحادثات الذكية من تبرير إجابتها بل وحتى انتقادها في سبيل تحسين الردود التي تنتجها.

تخصصات الذكاء الاصطناعي

لقد تطورت مجالات الذكاء الاصطناعي وتشعبت فروعه وتخصصصاته ولعل أبرزها:

1. تعلم الآلة Machine Learning

هو تخصصٌ فرعي من الذكاء الاصطناعي يعني قدرة الآلات على التعلم من خلال البيانات دون برمجتها بشكلٍ مباشر للقيام بمهمة معينة، ويتضمن تعلم الآلة تطوير خوارزميات يمكنها تحليل البيانات واستكشاف الأنماط الموجودة فيها لتكوين معرفة يمكن تعميمها على مهامٍ أخرى.

تصنف مهام تعلم الآلة حسب البيانات المستخدمة في التعلم، فإن كانت البيانات المتاحة لديك موسومة Labeled تصبح مهمة التعلم مشرف عليها بشكلٍ آلي وتسمى التعلم مع إشراف Supervised learning حيث يتم استخدام الوسم الموجود في البيانات المستخدمة لتدريب النموذج في تقيم مخرجاته، وأما إن لم تكن البيانات المتاحة للتعلم موسومة تصبح مهمة التعلم دون إشراف Unsupervised learning حيث يحاول النموذج تعلم الأنماط الموجودة في البيانات وتجميع المتشابه منها فيما يعرف بالمجموعات أو العناقيد Clusters.

لنفترض أن لديك مجموعة من صور القطط والكلاب وترغب في بناء نموذج تعلم آلة قادر على التفريق بين القطط والكلاب، فوسم البيانات سيكون له تأثير في تحديد نوع خوارزميات التعلم المستخدمة في هذه المهمة، إن استخدمت صورًا موسمة للقطط والكلاب بحيث تكون كل صورة مرفقٌ معها تصنيفها في عملية التدريب فصور القطط ستحمل الوسم قط، بينما صور الكلاب ستحمل الوسم كلب، بالتالي تكون عملية التعلم هنا بإشراف بإستخدام هذه الوسوم، فعندما يقوم النموذج بتوقع الصورة على أنها قط يقارنها بوسمِها الحقيقي لتقييم صحة إجابات النموذج وتحسينها.

على النقيض إن قمت فقط بإعطاء النموذج التعلمي البيانات بدون تحديد وَسْم، فَسيتعلم الأنماط المشتركة للقطط ويتعلم أنها مجموعة أو عنقود Cluster منفصل وبالمثل للكلاب فَالمهمة هنا هو معرفة الأنماط المشتركة لكل مجموعة وعددها.

2. التعلم العميق Deep Learning

هو تخصص فرعي من تعلم الآلة يتميز باستخدامه الشبكات العصبية الاصطناعية (ANN)‎ التي تحاكي طريقة عمل الدماغ البشري في معالجة البيانات، وتتميز خوارزميات التعلم العميق بقدرتها على الاستفادة من البيانات الضخمة لتحسين جودة نماذج تعلم الآلة، ويرجع هذا لقوة الشبكات العصبية الاصطناعية على تعلم أنماط أكثر تعقيداً من خوارزميات التعلم الآلي التقليدية، بحيث تصل خوارزميات التعلم التقليدية غير المعتمدة على الشبكات العصبية الاصطناعية إلى مرحلة ركود لا تستطيع فيها تعلم أي شيءٍ جديد من البيانات  وتواكب تعقيد المشكلة التي أمامها، فالأمر هنا لا يتعلق بجودة البيانات إنما بقدرة الخوارزمية على تعلم الأنماط المعقدة الموجودة في البيانات الضخمة.

يقارن الرسم أعلاه بين أداء خوارزميات التعلم التقليدية وخوارزميات التعلم العميق في عدة نقاط

• عندما يتوفر لديك مقدار قليل من البيانات عليك استخدام التعلم الآلي التقليدي، لأن خوارزميات التعلم العميق تحتاج لحجم بيانات أكبر لتعطى نفس الدقة و الأداء.
• تصل خوارزميات التعلم التقليدي إلى مرحلة ركود في التعلم أو تطور تطفيف بالرغم من استخدام حجم بيانات أكبر ولا تتمكن من مواكبة تعقيد المشكلة.
• تتفوق خوارزميات التعلم العميق عندما توفر لها حجمًا هائلًا من البيانات، فكلما استخدمت بياناتٍ أكثر فيها كلما تمكنت من تحقيق أداءٍ أفضل.

3. التعلم المعزز بالتجربة Reinforcement learning

هو نوع من مهام تعلم الآلة قائم على التعلم بالتجربة والتفاعل مع البيئة المحيطة، تتفاعل الأنظمة الذكية المدربة بهذه الطريقة مع بيئتها بشكل عشوائي في البداية وبناءً على هذا التفاعل تتوقع الآلة الحصول على مكافأة أو عقوبة، إذ نكافئ النظام على سلوكه اتجاهاً معيناً يضمن له أداءاً أفضل، ونعاقبه على القرارات التي لا ينجز فيها المهمة الموكلة إليه بشكل صحيح.

ينتشر استخدام هذا النوع من التعلم الآلي في مجال الروبوتات Robotics وفي ألعاب الذكاء الاصطناعي والواقع الافتراضي وفي أنظمة المحاكاة حيث توجد بيئة يمكن للنظام التفاعل معها.

4. الرؤية الحاسوبية Computer Vision

هي أحد المجالات الرئيسية في الذكاء الاصطناعي، حيث تهدف لتعزيز الآلات والأنظمة الحاسوبية بالقدرة على التعامل مع المحتوى البصري مثل الصور ومقاطع الفيديو، ويستخدم هذا المجال تعلم الآلة والتعلم العميق بشكلٍ خاص لتحليل البيانات البصرية الضخمة وتعلم الأنماط المرئية من أجل تمييز هذا النوع من المحتوى وفهمه، وتطبيقات الرؤية الحاسوبية كثيرة للغاية ولعل أبرزها أنظمة تحديد الوجوه والتعرف عليها، وأنظمة تحليل الأشعة الطبية وتشخيص الأمراض.

وتعد الشبكات العصبية الالتفافية Convolution Neural Networks أو اختصارًا CNN  أحد الأسباب التي ساهمت في تطور هذا المجال فهي تتميز بقدرتها الآلية على استخراج الأنماط الهامة وتعلم أي الأنماط البصرية تحتاج إلى التركيز عليها حتى تمتلك القدرة على التفريق بين الصور، وقبل اختراع هذا النوع من الشبكات العصبية كان على المطورين استخراج المعلومات البصرية والأنماط من الصور بشكل شبه يدوي.

5. معالجة اللغات الطبيعية

معالجة اللغات الطبيعية Natural Language Processing‎‎ أو ‎اختصارًا NLP هي أحد التطبيقات الشائعة للذكاء الاصطناعي، وهي مجال حيوي أيضًا ويعتمد على تعلم الآلة والتعلم العميق لبناء فهم جيد للغات الطبيعية والقدرة على التعامل معها.

من التطبيقات الشائعة لمعالجة اللغات الطبيعية أنظمة المحادثة الذكية مثل ChatGPT ونماذج التعلم اللغوية الضخمة Large Language Models أو اختصارًا LLMs التي تّدرّبُ مسبقاً على بيانات ضخمة لتمتلك فهماً مبدئياً للغة يُمكَّنها من القيام بمهام لغوية متعددة، نذكر منها تلخيص الفقرات الطويلة والإجابة على الأسئلة والترجمة الآلية وتحليل المشاعر في النصوص، والعديد من التطبيقات الأخرى.

الذكاء الاصطناعي التوليدي Generative Artificial Intelligence

يتميز الذكاء الاصطناعي التوليدي Generative AI بقدراته الإبداعية وقدرته على إنتاج وإبتكار نصوص جديدة ووسائط أخرى مختلفة كالصور والأصوات ومقاطع الفيديو بناءً على الأنماط التي تعلمها من كميات كبيرة من البيانات. وهو يختلف عن أنظمة الذكاء الاصطناعي التقليدية التي تعتمد على  التصنيف أو التنبؤ بناءً على البيانات المدخلة.
ذاع صيت الذكاء الاصطناعي التوليدي اليوم لما يتميز به من قدرات فريدة في توليد محتوى إبداعي يشبه المحتوى المولد من قبل البشر، وأصبح له تطبيقات عديدة ككتابة المحتوى التسويقي، وتأليف القصص، وتصميم الصور، وكتابة الشيفرات البرمجية، وغيرها من المهمام التي سرعت إنتاجية البشر.

تحديات تطور الذكاء الاصطناعي وحلول مقترحة

لنختم المقال بتسليط الضوء على بعض التحديات والتساؤلات المرتبطة بالذكاء الاصطناعي وآفاقه المستقبلية.

تهديد الذكاء الاصطناعي للوظائف البشرية

لدى الكثير من الأشخاص تخوف من تطورالذكاء الاصطناعي وتساؤلات حول قدرته على استبدال الوظائف البشرية، بكل تأكيد سيغير الذكاء الاصطناعي الطريقة التي تعمل بها الكثير من الوظائف في الوقت الحالي، ليس بشكلٍ مدمر ولكن بشكل مساعدٍ للبشر، فبينما من المرجح اختفاء بعض الوظائف أو تأثرها فممن المؤكد أن الذكاء الاصطناعي سيوفر فرص عملٍ أخرى، شأنه شان العديد من الثورات الصناعية والتقنية على مر التاريخ.

الاحتيال والتزوير باستخدام الذكاء الاصطناعي

من التحديات الخطيرة التي تواجه الذكاء الاصطناعي استخدامه في عمليات الاحتيال أو التزوير، فيمكن بكل سهولة استخدام تقنية التزييف العميق Deep fake من أجل انتحال شخصية أحد الأشخاص، يمكن مكافحة هذه الجرائم بعدة طرق منها استخدام الذكاء الاصطناعي نفيه لاكتشاف التزييف و تشريع قوانين تضمن حماية الأفراد من الاحتيال.

تحيّز الذكاء الاصطناعي

قد تعاني بعض أنظمة الذكاء الاصطناعي من التحيز المقصود أو غير المقصود، على سبيل المثال عند بناء أنظمة التعرف على الوجوه وتدريبها على بيانات لصور وجوه بشرية بيضاء البشرة فقط، فلن تكون قادرة على العمل بكفاءة للتعرف على وجوه مختلفة الملامح والألوان، ولمنع تحيز الذكاء الاصطناعي ينبغي الاهتمام بتطويره وتحسين جودة البيانات التي يعتمد عليها للتدريب وجمع بيانات كافية تعبر عن كل الفئات المستهدفة.

احتكار تقنيات الذكاء الاصطناعي

هناك مخاوف من سيطرة بعض الدول على تقنيات الذكاء الاصطناعي مما سيؤدي إلى تحيز مقصود، فمعظم الأشخاص تستخدم إجابات الذكاء الاصطناعي كأنها شيء مُسلَّم به، لكن الكثير من ردود الذكاء الاصطناعي ليست صحيحة بشكل كامل وأحياناً تكون خاطئة، ولتحسين جودة الإجابات ودقتها يجب دعم الإجابات بمصادر خارجية تؤكد صحة المعلومات، واعتماد تقنية تسمى توليد الإجابات المعززة بالحقائق Retrieval-augmented generation أو (RAG)‎ اختصارًا.

الخلاصة

تعرفنا في هذا المقال ما هو الذكاء الاصطناعي واستعرضنا مراحل تطوره حتى وصل لهذه القوة والانتشار، وناقشنا أهم تصنيفات الذكاء الاصطناعي وتخصصاته، وختمنا المقال بالحديث عن بعض التحديات والمخاوف المرتبطة بتطور الذكاء الاصطناعي في المستقل وتأثير الاعتماد المتزايد عليه في تنفيذ أعمالنا ومهامنا البشرية.

نرجو أن يكون هذا المقال قد قدم لك إجابات شاملة حول ماهية الذكاء الاصطناعي ووضح له أهم المفاهيم والتخصصات المرتبطة به. وإذا كان لديك أي أسئلة أو استفسارات حول ما ورد في المقال، فلا تتردد في كتابتها في قسم التعليقات أسفل المقال.

اقرأ أيضًا

• أساسيات الذكاء الاصطناعي: دليل المبتدئين
• تعلم الذكاء الاصطناعي: دليل شامل
• تعرف على أفضل دورات الذكاء الاصطناعي
• تعرف على أهم مشاريع الذكاء الاصطناعي
• برمجة الذكاء الاصطناعي: بناء مستقبل الآلات الذكية

نناقش في مقال اليوم طريقة استخدام توابع PEFT أو ما يعرف باسم توابع المعاملات الفعالة لصقل النماذج Parameter-Efficient Fine Tuning methods، وهي نوعٌ خاص من التوابع يُلغي أو يجمًد فعالية المعاملات الأصلية للنماذج المُدَرَّبة مسبقًا أثناء التدريب، ويستبدلها بمجموعة أصغر من المعاملات الخاصة بالمُكيّفات adapters ليجري تدريبها على المهمة المطلوبة بدلًا من تدريب النموذج كاملًا.

توفر هذه الطريقة استخدام الذاكرة والموارد الحاسوبية المختلفة بشكل كبير لأن المكيّفات adapters المُدَرَّبة باستعمال توابع PEFT صغيرة الحجم مقارنة بالنماذج الكاملة، وهذا يجعلها أسهل في التحميل والتخزين والمشاركة، وهي تعطي النتائج نفسها التي نحصل عليها بتدريب كامل النموذج.

ما هي المكيفات Adapters؟

المكيفات adapters هي بدائل خفيفة الوزن لتحسين نماذج الذكاء الاصطناعي المدربة مسبقًا pre-trained والمصقولة fine-tuned، فبدلاً من ضبط النموذج بالكامل، تُضاف المكيفات adapters بهيئة تعديلات صغيرة بين طبقات النموذج بعد مراحل معينة، وعند التدريب تُجَمَّدْ جميع أوزان النموذج وتُحدَّث أوزان المكيفات فقط وهو ما يؤدي إلى توفير كبير في الموارد الحاسوبية وتسريع التدريب وتحسين الأداء.

ألقِ نظرة على الصورة التالية مثلًا فهي مأخوذة من مستودع النماذج، ولاحظ الفرق بين حجم مكيف النموذج OPTForCausalLM وبين حجم النموذج نفسه، إذ يبلغ حجم المكيف adapter حوالي 6 ميجا بايت بينما يصل حجم النموذج الأساسي إلى 700 ميجا.

كما سيفيدك الاطلاع على PEFT إذا كنت مهتمًا بمعرفة المزيد من التفاصيل عنها.

إعداد بيئة العمل

ابدأ بتثبيت المكتبة PEFT من خلال الأمر التالي:

pip install peft

وإذا رغبت باستثمار مزاياها الحديثة أولًا بأول ثَبِّتها من المصدر الأساسي كما يلي:

pip install git+https://github.com/huggingface/peft.git

توافق نماذج PEFT مع مكتبة المحوّلات Transformers

تدعم مكتبة المحوّلات Transformers عددًا من توابع PEFT تلقائيًا، فيمكنك تحميل أوزانها weights بسهولة سواء كانت مخزنة محليًّا أو في مستودع النماذج، ويمكن تدريبها وتشغيلها ببضع أسطر برمجية فقط، وهذه أبرزها:

• Low Rank Adapters.

• IA3.

• AdaLoRA.

أما إذا رغبت باستخدام توابع أخرى مع مكتبة المحولات Transformers مثل: Prompt Learning و Prompt tuning فراجع توثيقات PEFT.

تحميل PEFT Adapter

يساعدك الصنف AutoModelFor وأصناف أخرى مشابهة على تحميل نماذج PEFT adapter من مكتبة المحوّلات Transformers واستخدامها في مشروعك، لكن تأكد من وجود الملف adapter_config.json وأوزان adapter في مجلدك المحلي أو المستودع البعيد Hub كما هو موضوح في الصورة السابقة.

على سبيل المثال يمكنك تحميل نموذج PEFT adapter لمهمة النمذجة اللغوية السببية causal language modeling التي تمكنك من التنبؤ بالكلمة التالية في سلسلة نصية معينة بناءً على الكلمات السابقة باتباع التالي:

• حدد المُعَرِّف الخاص بنموذج PEFT الذي تريده (أي PEFT model id).

• مَرِّرْ هذا المُعَرِّف إلى الصنف AutoModelForCausalLM.

from transformers import AutoModelForCausalLM, AutoTokenizer

peft_model_id = "ybelkada/opt-350m-lora"
model = AutoModelForCausalLM.from_pretrained(peft_model_id)

يمكنك تحميل PEFT adapter أيضًا باستخدام الصنف AutoModelFor والصنف OPTForCausalLM والصنف LlamaForCausalLM كما يمكنك تحميله أيضًا بواسطة التابع load_adapter كما يلي:

from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "facebook/opt-350m"
peft_model_id = "ybelkada/opt-350m-lora"

model = AutoModelForCausalLM.from_pretrained(model_id)
model.load_adapter(peft_model_id)

التحميل بصيغة 8 بت أو 4 بت

يمكنك الاستفادة من مكتبة bitsandbytes لتقليل استهلاك الذاكرة عن طريق تحميل النماذج باستخدام أنواع بيانات 8 بت و 4 بت، يساعدك هذا على توفير الذاكرة وتسريع تحميل النماذج الكبيرة، حيث يمكنك استخدام المعامل الذي تريده سواء كان load_in_8bit أو load_in_4bit ضمن محددات الدالة from_pretrained()‎ لتختار طبيعة تحميل نموذجك، ويمكنك أيضًا ضبط المعامل device_map="auto"‎ لتوزيع حمل النموذج بكفاءة على الموارد الحاسوبية المتاحة لك، وذلك وفق التالي:

from transformers import AutoModelForCausalLM, AutoTokenizer

peft_model_id = "ybelkada/opt-350m-lora"
model = AutoModelForCausalLM.from_pretrained(peft_model_id, device_map="auto", load_in_8bit=True)

تحميل adapter جديد

يمكنك تعزيز إمكانيات نموذج الذكاء الاصطناعي من خلال تحميل مُكيَّف adapter إضافي لأي نموذج يحتوي على مُكيَّف adapter سابق لكن يشترط أن يكون من نفس نوع المُكيَّف الحالي الموجود مسبقًا في النموذج، كأن يكونا كلاهما من النوع LoRA مثلًا، وتُنجز ذلك باستخدام ‎~peft.PeftModel.add_adapter كما في المثال التالي:

هذه الشيفرة الأصلية لتحميل مُكيَّف LoRA adapter لنموذج الذكاء الاصطناعي:

from transformers import AutoModelForCausalLM, OPTForCausalLM, AutoTokenizer
from peft import LoraConfig

model_id = "facebook/opt-350m"
model = AutoModelForCausalLM.from_pretrained(model_id)

lora_config = LoraConfig(
    target_modules=["q_proj", "k_proj"],
    init_lora_weights=False
)

model.add_adapter(lora_config, adapter_name="adapter_1")

والآن سنضيف إليها السطر التالي لتحميل مُكيَّف LoRA adapter إضافي:

# إضافة adapter جديد بنفس الإعدادات تمامًا
model.add_adapter(lora_config, adapter_name="adapter_2")

ثم سنستخدم ‎~peft.PeftModel.set_adapter لنُحدد أي adapter هو المعتمد في النموذج:

# استخدام adapter_1
model.set_adapter("adapter_1")
output = model.generate(**inputs)
print(tokenizer.decode(output_disabled[0], skip_special_tokens=True))

# استخدام adapter_2
model.set_adapter("adapter_2")
output_enabled = model.generate(**inputs)
print(tokenizer.decode(output_enabled[0], skip_special_tokens=True))

طريقة تفعيل adapter معين أو إلغاء تفعيله

يبين المثال التالي طريقة تفعيل adapter module:

from transformers import AutoModelForCausalLM, OPTForCausalLM, AutoTokenizer
from peft import PeftConfig

model_id = "facebook/opt-350m"
adapter_model_id = "ybelkada/opt-350m-lora"
tokenizer = AutoTokenizer.from_pretrained(model_id)
text = "Hello"
inputs = tokenizer(text, return_tensors="pt")

model = AutoModelForCausalLM.from_pretrained(model_id)
peft_config = PeftConfig.from_pretrained(adapter_model_id)

# تهيئة الأوزان العشوائية
peft_config.init_lora_weights = False

model.add_adapter(peft_config)
model.enable_adapters()
output = model.generate(**inputs)

وهذه طريقة إلغاء التفعيل:

model.disable_adapters()
output = model.generate(**inputs)

تدريب PEFT adapter

يمكنك تدريب PEFT adapters على المهمة التي تريدها باستخدام صنف المُدَرِّب Trainer ببضع أوامر برمجية فقط، ألقِ نظرة على المثال التالي لتدريب LoRA adapter:

اقتباس

راجع مقال صقل fine-tune نموذج ذكاء اصطناعي مُدَرَّبْ مُسبقًا من هذه السلسلة على أكاديمية حسوب لمعرفة المزيد عن طريقة تدريب النماذج باستخدام صنف المُدَرّب وصقلها على بيانات محددة.

• 1. حدد ضمن إعدادات adapter المهمة التي تود تدريبه عليها، والمعاملات الفائقة hyperparameters الخاصة به وفق التالي، (يمكنك التَعرُّف على المعاملات الفائقة للنوع LoRA adapter واستخداماتها باستعراض تفاصيل ‎~peft.LoraConfig😞

from peft import LoraConfig

peft_config = LoraConfig(
    lora_alpha=16,
    lora_dropout=0.1,
    r=64,
    bias="none",
    task_type="CAUSAL_LM",
)

• 2. أضِفْ adapter إلى النموذج:

model.add_adapter(peft_config)

• 3. مَرِّرْ النموذج إلى المُدَرِّب:

trainer = Trainer(model=model, ...)
trainer.train()

وفي النهاية احفظ adapter بعد التدريب وحَمِّله مجددًا كما يلي:

model.save_pretrained(save_dir)
model = AutoModelForCausalLM.from_pretrained(save_dir)

زيادة طبقات إضافية قابلة للتدريب إلى PEFT adapter

مَرِّرْ modules_to_save ضمن إعدادات PEFT لصقل fine-tune أي مُكيَّفات تود إضافتها إلى نموذجك الذي يحتوي في الأساس على adapters أخرى، كما في المثال التالي الذي يبين طريقة صقل lm_head فوق نموذج يحتوي في الأساس على LoRA adapter:

from transformers import AutoModelForCausalLM, OPTForCausalLM, AutoTokenizer
from peft import LoraConfig

model_id = "facebook/opt-350m"
model = AutoModelForCausalLM.from_pretrained(model_id)

lora_config = LoraConfig(
    target_modules=["q_proj", "k_proj"],
    modules_to_save=["lm_head"],
)

model.add_adapter(lora_config)

الخلاصة

تعرفنا في هذا المقال على المكيفات adapters وهي وحدات صغيرة تعوض عن تدريب نماذج الذكاء الاصطناعي الكاملة فتُحسِّن الأداء، وتعلمنا كيفية تحميل PEFT Adapters وإضافتها إلى نماذج مكتبة المحولات Transformers وتدريبها، وأيضًا تعرفنا على طريقة إضافة أكثر من مكيف adapter إلى النموذج لتحسين كفاءته بشرط أن تكون جميعها من نوعٍ واحد، مع إمكانية تفعيلها أو إلغاء تفعيلها حسب الحاجة.

ترجمة -وبتصرف- لقسم Load adapters with PEFT من توثيقات Hugging Face.

اقرأ أيضًا

• المقال السابق: استخدام التدريب الموزع ومكتبة Accelerate لتسريع تدريب نماذج الذكاء الاصطناعي
• مكتبات وأطر عمل الذكاء الاصطناعي: القوة الكامنة خلف الأنظمة الذكية
• خوارزميات الذكاء الاصطناعي
• تدريب نموذج ذكاء اصطناعي على تلخيص النصوص باستخدام سكربتات Transformers

يُعدّ التدريب الموزع أو التدريب على التوازي استراتيجيةً ناجحة في تدريب نماذج الذكاء الاصطناعي كبيرة الحجم على أجهزة حاسوبية محدودة الموارد، ويزداد الاعتماد عليها يومًا بعد يوم مع ازدياد أحجام النماذج المطروحة، وفي هذا المجال توفر منصة Hugging Face لمستخدميها مكتبةً متخصصة تدعى Accelerate تُسَهِّل عليهم تدريب نماذج مكتبة المحولات Transformers تدريبًا موزعًا بأنواعٍ مختلفة من الإعدادات مثل استخدام عدة وحدات معالجة رسومية (GPU) سواء كانت موجودة على الجهاز نفسه أو موزعة على عدة أجهزة، فكيف نطبق هذا الأسلوب عمليًّا على حلقات تدريب PyTorch الأصلي للاستفادة منه في تدريب نماذج الذكاء الاصطناعي في البيئات الحاسوبية ذات الموارد الموزعة؟

إعداد بيئة العمل

ابدأ أولًا بتثبيت المكتبة Accelerate كما يلي:

pip install accelerate

ثم استورد كائن المُسَرِّع Accelerator وأنشئ واحدًا في مشروعك، وسيكتشف المُسَرِّع نوعية الإعدادات الموزعة المتوفرة لديك ويهيئ لك المكونات الضرورية للتدريب اعتمادًا عليها، ولا حاجة لتخزين النموذج على جهازك:

>>> from accelerate import Accelerator

>>> accelerator = Accelerator()

التحضير لعملية التسريع Accelerate

خطوتنا التالية هي تمرير كافة الكائنات المرتبطة بالتدريب إلى تابع التحضير accelerator.prepare والتي تشمل مُحَمِّلات البيانات DataLoaders لكل من مرحلتي التدريب training والتقييم evaluation بالإضافة إلى النموذج model والمُحَسِّن optimizer على النحو التالي:

train_dataloader, eval_dataloader, model, optimizer = accelerator.prepare(
    train_dataloader, eval_dataloader, model, optimizer
)

ملاحظة: إن مهمة التابع prepare هنا هي تجهيز جميع مكونات التدريب للعمل في بيئة موزعة، وضمان توافق جميع المكونات مع بعضها البعض.

استبدال الدالة Backward

وأخيرًا علينا استبدل الدالة loss.backward()‎ المعتادة في حلقة التدريب بدالة Backward الخاصة بمكتبة Accelerate لضمان حساب التدرجات الخلفية (backward pass) بشكل صحيح على الأجهزة الموزعة على النحو التالي:

for epoch in range(num_epochs):
    for batch in train_dataloader:
        outputs = model(**batch)
        loss = outputs.loss
        accelerator.backward(loss)

        optimizer.step()
        lr_scheduler.step()
        optimizer.zero_grad()
        progress_bar.update(1)

إذًا يمكنك تحويل حلقة التدريب العادية إلى حلقة تدريب موزعة بإضافة أربعة أوامر برمجية فقط إلى حلقة التدريب (ميَّزناها هنا بإشارة "+")، وبحذف أمرين فقط (ميَّزناهما بإشارة "-"):

+ from accelerate import Accelerator
  from transformers import AdamW, AutoModelForSequenceClassification, get_scheduler

+ accelerator = Accelerator()

  model = AutoModelForSequenceClassification.from_pretrained(checkpoint, num_labels=2)
  optimizer = AdamW(model.parameters(), lr=3e-5)

- device = torch.device("cuda") if torch.cuda.is_available() else torch.device("cpu")
- model.to(device)

+ train_dataloader, eval_dataloader, model, optimizer = accelerator.prepare(
+     train_dataloader, eval_dataloader, model, optimizer
+ )

  num_epochs = 3
  num_training_steps = num_epochs * len(train_dataloader)
  lr_scheduler = get_scheduler(
      "linear",
      optimizer=optimizer,
      num_warmup_steps=0,
      num_training_steps=num_training_steps
  )

  progress_bar = tqdm(range(num_training_steps))

  model.train()
  for epoch in range(num_epochs):
      for batch in train_dataloader:
-         batch = {k: v.to(device) for k, v in batch.items()}
          outputs = model(**batch)
          loss = outputs.loss
-         loss.backward()
+         accelerator.backward(loss)

          optimizer.step()
          lr_scheduler.step()
          optimizer.zero_grad()
          progress_bar.update(1)

التدريب

بعد إضافة الأسطر البرمجية السابقة لحلقة التدريب يمكنك البدء بتدريب نموذجك إما بتشغيل السكريبت لديك أو بكتابته في Colaboratory notebook أو أي دفتر ملاحظات مشابه.

التدريب باستخدام السكربت

إذا كنت تُدَرِّب نموذجك اعتمادًا على سكريبت، فاكتب الأمر التالي لإنشاء ملف الإعدادات وحفظه:

accelerate config

ثم باشر بالتدريب بكتابة الأمر التالي:

accelerate launch train.py

التدريب باستخدام دفتر الملاحظات Notebook

يمكنك تشغيل مكتبة Accelerate داخل دفتر ملاحظات مثل Colaboratory notebook أو غيره إذا كنت ترغب باستخدام وحدات TPU (أي وحدات معالجة الموتر أو التنسور tensor) الخاصة بخدمة Colaboratory، لكن عليك في هذه الحالة وضع جميع تعليمات التدريب في دالة واحدة وتمريرها إلى notebook_launcher كما يلي:

>>> from accelerate import notebook_launcher

>>> notebook_launcher(training_function)

الخلاصة

تعرفنا في مقال اليوم على الخطوات الأساسية لاستخدام المكتبة Accelerate في تسريع تدريب نماذج الذكاء الاصطناعي باستخدام التدريب الموزع وهي طريقة مفيدة لتدريب نماذج الذكاء الاصطناعي الكبيرة على أجهزة محدودة الموارد، ويمكنك التعمق أكثر في خياراتها المختلفة بمطالعة توثيقاتها الرسمية.

ترجمة -وبتصرف- لقسم Distributed training with Accelerate من توثيقات Hugging Face.

اقرأ أيضًا

• المقال السابق: تدريب نموذج ذكاء اصطناعي على تلخيص النصوص باستخدام سكربتات Transformers
• أدوات برمجة نماذج تعلم الآلة
• مكتبات وأطر عمل الذكاء الاصطناعي: القوة الكامنة خلف الأنظمة الذكية
• كيفية تهيئة تطبيق المفكرة Jupyter Notebook للعمل مع لغة البرمجة Python

تزخر مكتبة المحوّلات Transformers بالسكربتات التوضيحية والأمثلة التي تشرح تدريب نماذج الذكاء الاصطناعي على مختلف المهام بأطر العمل الشهيرة بايتورش PyTorch وتنسرفلو TensorFlow و JAX/Flax، وترتبط هذه الأمثلة ببعض المشاريع البحثية والمساهمات القديمة لمجتمع Hugging Face، لكن لن تعمل هذه الأمثلة بدقة تامة في مشروعك من دون بعض التعديلات فهي في نهاية الأمر لا تخضع للصيانة والتحديث الدوري ومعظمها لا يتوافق مع الإصدارات الحديثة من مكتبة المحوّلات، لذا ستحتاج لتكييفها مع مشروعك.

وبعد سحب الملف من GitHub يمكنك متابعة قراءة هذا المقال لتتعلم كيفية الاستفادة من السكربتات التدريبية الموجود على منصة Hugging Face وتكييفها لمشروعك، اخترنا هنا سكريبت بسيط لمهمة تلخيص النصوص وسنعرض طريقة التعامل معه في كل من إطاري العمل PyTorch و TensorFlow.

إعداد بيئة العمل

الخطوة الأولى لتشغيل أحدث إصدار من السكربتات التوضيحية بنجاح هي تثبيت مكتبة المحوّلات Transformers من المصدر في بيئة افتراضية جديدة كما يلي:

git clone https://github.com/huggingface/transformers
cd transformers
pip install .

وإذا أردت استخدام أمثلة تناسب الإصدارات القديمة من مكتبة المحوّلات Transformers مثل الإصدار v.4.5.1 يمكنك الاطلاع على الرابط وبنفس الطريقة للإصدارات الأخرى.

ثم بَدِّل نسحتك من المكتبة إلى الإصدار الذي اخترته حسب المثال وليكن فرضًا الإصدار v3.5.1:

git checkout tags/v3.5.1

بعد ضبط الإصدار الصحيح للمكتبة، انتقل إلى مجلد المثال الذي اخترته وثَبِّت متطلباته كما يلي:

pip install -r requirements.txt

تشغيل السكربت التوضيحي

يبدأ السكربت بتحميل مجموعة بيانات dataset من مكتبة مجموعات البيانات Datasets ومعالجتها معالجةً مسبقة، ويستخدم بعدها المُدَرِّب Trainer لضبط مجموعة البيانات على بنية مناسبة لمهمة التلخيص summarization. يبين المثال التالي كيفية صقل النموذج T5-small وتدريبه بدقة fine-tuning على مجموعة البيانات CNN/DailyMail، لاحظ وجود الوسيط source_prefix وهو أحد متطلبات للنموذج T5 ويتيح له معرفة طبيعة المهمة التي سيستخدم لأجلها أي التلخيص في حالتنا، لنعرض السكربت الآن بإطاري العمل:

أولًا باستخدام إطار العمل Pytorch:

python examples/pytorch/summarization/run_summarization.py \
    --model_name_or_path google-t5/t5-small \
    --do_train \
    --do_eval \
    --dataset_name cnn_dailymail \
    --dataset_config "3.0.0" \
    --source_prefix "summarize: " \
    --output_dir /tmp/tst-summarization \
    --per_device_train_batch_size=4 \
    --per_device_eval_batch_size=4 \
    --overwrite_output_dir \
    --predict_with_generate

ثانيًا باستخدام إطار العمل TensorFlow:

python examples/tensorflow/summarization/run_summarization.py  \
    --model_name_or_path google-t5/t5-small \
    --dataset_name cnn_dailymail \
    --dataset_config "3.0.0" \
    --output_dir /tmp/tst-summarization  \
    --per_device_train_batch_size 8 \
    --per_device_eval_batch_size 16 \
    --num_train_epochs 3 \
    --do_train \
    --do_eval

التدريب الموزع والدقة المختلطة

يدعم المُدَرِّب ميزة التدريب الموزع distributed training أي توزيع التدريب على أكثر من وحدة معالجة، وميزة الدقة المختلطة mixed precision التي تتيح إمكانية العمل على 32 بت أو 16 بت للتسريع، يمكنك تفعيل الميزتين ضمن السكربت بضبط قيم الوسيطين التاليين:

• أضف الوسيط fp16 لتفعيل ميزة الدقة المختلطة.

• حدد عدد وحدات المعالجة الرسومية (GPUs) التي تريد استخدامها ضمن الوسيط nproc_per_node.

torchrun \
    --nproc_per_node 8 pytorch/summarization/run_summarization.py \
    --fp16 \
    --model_name_or_path google-t5/t5-small \
    --do_train \
    --do_eval \
    --dataset_name cnn_dailymail \
    --dataset_config "3.0.0" \
    --source_prefix "summarize: " \
    --output_dir /tmp/tst-summarization \
    --per_device_train_batch_size=4 \
    --per_device_eval_batch_size=4 \
    --overwrite_output_dir \
    --predict_with_generate

أما إطار TensorFlow فيستخدم التدريب الموزع افتراضيًا باستراتيجية خاصة تدعى MirroredStrategy ويوزع العمل على كافة وحدات GPU المتوفرة للتدريب من دون الحاجة لضبط أي وسيط إضافي بهذا الخصوص ضمن السكربت.

تشغيل السكربت باستخدام وحدات TPU

إن تسريع الأداء هو الهدف الكامن وراء تصميم وحدات معالجة المُوترات أو التنسورات Tensors التي تدعى اختصارًا TPUs، ويساعدك مترجم التعلُّم العميق XLA compiler على استخدامها مع إطار العمل PyTorch (يمكنك معرفة المزيد عنها بمطالعة هذا الرابط).

الآن افتح السكربت xla_spawn.py وحدد عدد نوى معالجة المُوترات TPU cors التي تود استخدامها بذكرها ضمن الوسيط num_cores وفق التالي:

python xla_spawn.py --num_cores 8 \
    summarization/run_summarization.py \
    --model_name_or_path google-t5/t5-small \
    --do_train \
    --do_eval \
    --dataset_name cnn_dailymail \
    --dataset_config "3.0.0" \
    --source_prefix "summarize: " \
    --output_dir /tmp/tst-summarization \
    --per_device_train_batch_size=4 \
    --per_device_eval_batch_size=4 \
    --overwrite_output_dir \
    --predict_with_generate

أما إطار العمل TensorFlow فيستخدم استراتيجيةً اسمها TPUStrategy لتدريب النماذج اعتمادًا على وحدات TPU، ويتعين عليك تحديد اسم المورد الحاسوبي resource الذي ستستخدمه ضمن الوسيط tpu في السكربت كما يلي:

python run_summarization.py  \
    --tpu name_of_tpu_resource \
    --model_name_or_path google-t5/t5-small \
    --dataset_name cnn_dailymail \
    --dataset_config "3.0.0" \
    --output_dir /tmp/tst-summarization  \
    --per_device_train_batch_size 8 \
    --per_device_eval_batch_size 16 \
    --num_train_epochs 3 \
    --do_train \
    --do_eval

تشغيل السكربت مع المكتبة Accelerate

مكتبة Accelerate هي مكتبة خاصة بإطار العمل بايتورش PyTorch فقط، حيث توفر أسلوبًا موحدًا لتدريب نموذج الذكاء الاصطناعي نفسه بإعدادات مختلفة (سواء بالاعتماد على وحدة المعالجة المركزية CPU فقط، أو على أكثر من وحدة معالجة رسومية GPU، أو على وحدات معالجة الموترات TPU) مع الحفاظ على وضوح حلقة التدريب، لكن في البداية ينبغي لنا التأكد من تثبيت المكتبة Accelerate:

تنويه: تتطور مكتبة Accelerate باستمرار لذا احرص على تثبيتها من مستودعها على git.

pip install git+https://github.com/huggingface/accelerate

سنستخدم الآن السكربت run_summarization_no_trainer.py الذي يتضمن الإعدادات الخاصة باستخدام مكتبة Accelerate بدلًا من السكربت السابق run_summarization.py، يمكنك تمييز السكربتات الخاصة بمكتبة Accelerate بوجود الملف Task_no_trainer.py ضمن مجلداتها. ابدأ بتنفيذ الأمر التالي الخاص بإنشاء ملف الإعدادات وحفظه:

accelerate config

ثم اختبر ملف الإعدادات للتأكد من سلامته:

accelerate test

أصبحنا جاهزين لبدء التدريب:

accelerate launch run_summarization_no_trainer.py \
    --model_name_or_path google-t5/t5-small \
    --dataset_name cnn_dailymail \
    --dataset_config "3.0.0" \
    --source_prefix "summarize: " \
    --output_dir ~/tmp/tst-summarization

استخدام مجموعة بيانات مخصصة مع سكربت التلخيص

يمكنك استخدام مجموعة بيانات مخصصة مع سكربت التلخيص التوضيحي الذي اخترناه هنا، بشرط أن تكون بصيغة CSV أو JSON وستحتاج أيضًا لضبط بعض الوسطاء الإضافية لتتناسب مع مجموعة بياناتك وفق التالي:

• يحدد كل من الملف Train_file وملف validation_file مسار حفظ ملفات التدريب والتحقق على التوالي.

• يشير text_columnd إلى الدخل أو النص المطلوب تلخيصه.

• يَدُّل على الخرج ٍSummary_column على الخرج أو النص الهدف بعد التلخيص.

وستكون الصيغة النهائية لسكربت التلخيص مع استخدام مجموعة بيانات مخصصة على النحو التالي:

python examples/pytorch/summarization/run_summarization.py \
    --model_name_or_path google-t5/t5-small \
    --do_train \
    --do_eval \
    --train_file path_to_csv_or_jsonlines_file \
    --validation_file path_to_csv_or_jsonlines_file \
    --text_column text_column_name \
    --summary_column summary_column_name \
    --source_prefix "summarize: " \
    --output_dir /tmp/tst-summarization \
    --overwrite_output_dir \
    --per_device_train_batch_size=4 \
    --per_device_eval_batch_size=4 \
    --predict_with_generate

اختبار السكربت على عينة من البيانات

يُعدّ اختبار السكربتات على عينة صغيرة من مجموعة البيانات أسلوبًا ناجحًا للتأكد من صحتها وفعاليتها قبل تطبيقها على كامل البيانات، فتجريب السكربت على dataset كاملة يستغرق وقتًا طويلًا ربما ساعات قبل حصولك على النتيجة، ويساعدك الوسطاء الثلاثة الموجودين أدناه على اقتطاع جزء من مجموعة البيانات حسب قيمة كل وسيط ليُنَفَذ السكربت على جزء العينات المقتطع فقط من مجموعة البيانات بدلًا من تنفيذه على كامل المجموعة:

• max_train_samples.

• max_eval_samples.

• max_predict_samples.

python examples/pytorch/summarization/run_summarization.py \
    --model_name_or_path google-t5/t5-small \
    --max_train_samples 50 \
    --max_eval_samples 50 \
    --max_predict_samples 50 \
    --do_train \
    --do_eval \
    --dataset_name cnn_dailymail \
    --dataset_config "3.0.0" \
    --source_prefix "summarize: " \
    --output_dir /tmp/tst-summarization \
    --per_device_train_batch_size=4 \
    --per_device_eval_batch_size=4 \
    --overwrite_output_dir \
    --predict_with_generate

ملاحظة: لا تتيح جميع السكربتات التوضيحية الموجودة في مكتبة المحوّلات إمكانية استخدام الوسيط max_predict_samples لذا ننصحك بالتحقق أولًا من توفر هذه الإمكانية في السكربت بإضافة الوسيط h- وفق التالي:

examples/pytorch/summarization/run_summarization.py -h

استئناف التدريب من نقطة تحقق سابقة

قد يتوقف تدريب النموذج لأسباب غير متوقعة؛ هل سبق أن تعرضت لذلك؟ يساعدك خيار استئناف التدريب من نقطة تحقق checkpoint سابقة على متابعة تدريب نموذجك من حيث توقف دون الحاجة لإعادته من البداية، ويوجد طريقتان لإجراء ذلك:

سنستخدم في الطريقة الأولى الوسيط output_dir Previous_output_dir لاستئناف التدريب من أحدث نقطة تحقق متوفرة ومخزنة في المجلد output_dir، لكن علينا حذف الأمر overwrite_output_dir من السكربت في هذه الحالة:

python examples/pytorch/summarization/run_summarization.py
    --model_name_or_path google-t5/t5-small \
    --do_train \
    --do_eval \
    --dataset_name cnn_dailymail \
    --dataset_config "3.0.0" \
    --source_prefix "summarize: " \
    --output_dir /tmp/tst-summarization \
    --per_device_train_batch_size=4 \
    --per_device_eval_batch_size=4 \
    --output_dir previous_output_dir \
    --predict_with_generate

وفي الطريقة الثانية سيُستأنف التدريب انطلاقًا من نقطة التحقق الموجودة في مجلد محدد وذلك باستخدام الوسيط resume_from_checkpoint path_to_specific_checkpoint وفق التالي:

python examples/pytorch/summarization/run_summarization.py
    --model_name_or_path google-t5/t5-small \
    --do_train \
    --do_eval \
    --dataset_name cnn_dailymail \
    --dataset_config "3.0.0" \
    --source_prefix "summarize: " \
    --output_dir /tmp/tst-summarization \
    --per_device_train_batch_size=4 \
    --per_device_eval_batch_size=4 \
    --overwrite_output_dir \
    --resume_from_checkpoint path_to_specific_checkpoint \
    --predict_with_generate

شارك نموذجك

يمكنك أن ترفع السكربتات التوضيحية لنموذجك النهائي إلى مستودع النماذج Model Hub على منصة Hugging Face بعد انتهائك من استخدام السكربت، لكن عليك أولًا تسجيل حساب على المنصة وفق التالي:

huggingface-cli login

ثم إضافة الوسيط Push_to_hub إلى السكربت، يؤدي ذلك إلى إنشاء مستودع خاص بالمستخدم على Hugging Face يُسمى باسم الدخول الخاص به (أي username) مع اسم المجلد المُحدد في put_dir.

يمكنك تغيير آلية التسمية واختيار الاسم الذي تريده لمستودعك باستخدام الوسيط Push_to_hub_model_id وسيُدرج تلقائيًا تحت المساحة الاسمية namespace المخصصة لك على المنصة.

يبين المثال التالي طريقة تحميل النموذج إلى مستودعٍ محدد:

python examples/pytorch/summarization/run_summarization.py
    --model_name_or_path google-t5/t5-small \
    --do_train \
    --do_eval \
    --dataset_name cnn_dailymail \
    --dataset_config "3.0.0" \
    --source_prefix "summarize: " \
    --push_to_hub \
    --push_to_hub_model_id finetuned-t5-cnn_dailymail \
    --output_dir /tmp/tst-summarization \
    --per_device_train_batch_size=4 \
    --per_device_eval_batch_size=4 \
    --overwrite_output_dir \
    --predict_with_generate

الخلاصة

شرحنا في مقال اليوم كيفية تدريب نموذج ذكاء اصطناعي على مهمة تلخيص النصوص باستخدام مكتبة المحولات Transformers وشرحنا خطوات إعداد بيئة العمل بداية من تثبيت هذه المكتبة من المصدر، ثم  تشغيل سكربت تلخيص نصوص بسيط باستخدام إطاري عمل PyTorch و TensorFlow، كما وضحنا تقنيات تدريب وتسريع وتكييف السكربت ومشاركة النموذج المدرب على منصة Hugging Face.

ترجمة -وبتصرف- لقسم Train with a script من توثيقات Hugging Face.

اقرأ أيضًا

• المقال السابق: طريقة الصقل Fine-Tune لنموذج ذكاء اصطناعي مُدَرَّبْ مُسبقًا
• المعالجة المُسبقة للبيانات قبل تمريرها لنماذج الذكاء الاصطناعي
• تلخيص النصوص باستخدام الذكاء الاصطناعي
• أهم مشاريع عملية عن الذكاء الاصطناعي
• مصطلحات الذكاء الاصطناعي للمبتدئين

إنَّ التطبيق العملي أمر ضروري لإتقان أي مجال تقني ولا سيما مجال الذكاء الاصطناعي، فإذا كنت مهتمًا بالعمل في هذا التخصص وبدأت تعلمه بالفعل لكنك لاتزال مبتدئًا ولا تعرف ماهي مشاريع الذكاء الاصطناعي التي يمكنك تنفيذها لتطبيق معلوماتك النظرية وتوظيفها في مشاريع عملية تحسن خبراتك وتعزز معرض أعمالك فهذا المقال لك، إذ نقترح لك فيه مجموعة من المشاريع العملية متفاوتة الصعوبة في مجالات الذكاء الاصطناعي المختلفة لتساعدك على تحسين مستواك وصقل مهاراتك.

مشاريع ذكاء اصطناعي في مجال تعلم الآلة

يعد تعلم الآلة Machine Learning (ML) من أهم المجالات الفرعية لتخصص الذكاء الاصطناعي Artificial Intelligence (AI) فهو مجالٌ يسمح للأجهزة الحاسوبية بالتعلم من البيانات وحل المشكلات واتخاذ القرارات دون الحاجة إلى البرمجة الصريحة لكل جزء من أجزاء المشروع، ويهتم مهندسو تعلم الآلة بتطوير خوارزميات حاسوبية تتطور ذاتيًا باستخدام البيانات.

لمجال تعلم الآلة استخدامات وتطبيقات عديدة، من بينها أنظمة التوصية المدمجة في منصات عديدة، كالمتاجر الإلكترونية التي تقترح عليك سلعًا تلائمك، ومنصات الفيديو التي تقترح عليك مقاطع جديدة بناءً على تاريخ مشاهداتك، ومواقع التواصل الاجتماعي التي تُظهِرُ لك منشوراتٍ تبعًا لإعجاباتك وتعليقاتك السابقة.

ومن أهم مشاريع الذكاء الاصطناعي المقترحة لمهندسي تعلم الآلة:

1. مشروع تصنيف صور بالذكاء الاصطناعي.
2. مشروع توقع أسعار العقارات بالذكاء الاصطناعي.
3. مشروع كشف الاحتيال المالي بالذكاء الاصطناعي.

لنشرح المزيد عن كل مشروع من هذه المشاريع وآلية تنفيذه.

1. مشروع ذكاء اصطناعي لتصنيف صور

مستوى الصعوبة: سهل.

يعد نموذج تصنيف الصور باستخدام خوارزميات تعلم الآلة من مشاريع الذكاء الاصطناعي السهلة المناسبة للمبتدئين، إذ تقوم فكرة المشروع على بناء نموذج ذكاء اصطناعي يستطيع التمييز بين صورٍ مختلفة لأنواعٍ متعددةٍ من أشياء محددة، مثل: نموذج يميز بين صور الأنواع المختلفة من الحيوانات، ويكون هذا بمنح النموذج قاعدة بيانات بها عدد كبير من الصور المرتبة لكل نوع من الأنواع التي نريد أن يميز النموذج بينها مع نص يوضح ماهية كل نوع ومواصفاته، كأن نمنح النموذج صورًا لكلابٍ وقططٍ مع التوضيح النَّصي أنَّ هذه كلاب وقطط، ويتدرب النموذج على هذه البيانات محاولًا اكتشاف أنماط وسمات كل نوع، ففي مثالنا يحاول النموذج اكتشاف صفات الكلب والقطة، ثم يكون قادرًا على التعرف عليهما من صور أخرى لم يتدرب عليها قبلًا.

نمر خلال عملية تطوير نموذج تصنيف صور على خطوات متعددة، وهي:

1. جمع البيانات: يمكنك جمع الصور التي سيتدرب عليها النموذج بنفسك، كما يمكنك العثور على مجموعة بيانات Dataset جاهزة عبر الإنترنت، مثل مجموعات بيانات CIFAR-10.
2. معالجة البيانات: إذا جمعت البيانات التي سيتدرب النموذج عليها بنفسك فعليك معالجتها وتصنيفها ووضع صور الكلاب تحت تصنيف واحد وتوضح أنَّ هذه صور كلاب، وتضع صور القطط تحت تصنيف واحد وتوضح أنها صور قطط، أمَّا إذا حمَّلت مجموعة بيانات جاهزة من الإنترنت فيمكنك الانتقال للخطوة التالية مباشرةً.
3. بناء النموذج: يشير بناء النموذج إلى عملية إنشاء الشبكة العصبية Neural Network التي ستتدرب على البيانات وتتمكن من تصنيف الصور بعد التدريب، وغالبًا ما تستخدم في هذه المرحلة أطر عمل جاهزة لتسهيل وتسريع عملية التطوير مثل تينسرفلو TensorFlow.
4. تدريب النموذج: تمنح النموذج مجموعة البيانات الجاهزة ليبدأ النموذج في محاولة استكشاف الأنماط بين الصور، ويسعى لفهم سبب وضع كل صورة ضمن تصنيفها، فيبدأ بفحص صور القطط ويحاول فهم السمات المميزة لكل قطة حتى يتمكن من التعرف على صور القطط خارج مجموعة البيانات التي تدرَّب عليها.
5. اختبار النموذج: هنا يحين موعد اختبار مدى نجاح المشروع، فتسأل النموذج عن صور لكلابٍ وقططٍ أو أيٍّ كان ما درَّبتَ نموذجكَ عليه، على أن تكون هذه الصور خارج مجموعة البيانات التي تدرَّب عليها النموذج، فإن أجاب بدقة فقد نجح المشروع، وإن أخطأ فتأكد من دقة تصنيفك للبيانات أولًا، فإن كانت مصنفة وموصوفة بدقة فامنحه مزيدًا من البيانات للتدرب عليها ثم أعد اختباره.

2. مشروع توقع أسعار العقارات

مستوى الصعوبة: متوسط.

يعد نموذج توقع أسعار العقارات من أفكار مشاريع الذكاء الاصطناعي المفيدة متوسطة الصعوبة، ويساعدك نموذج توقع أسعار العقارات على تحديد السعر المناسب للعقار بناءً على معطيات عديدة، بدءًا من موقع العقار، مرورًا بمساحته وعدد الغرف فيه، وصولًا إلى رفاهيات العقار، مثل وجود فناء خلفي ومسبح.

لا تختلف خطوات تنفيذ مشروع نموذج توقع أسعار العقارات كثيرًا عن خطوات تنفيذ مشروع نموذج تصنيف الصور، وكذا سائر مشاريع الذكاء الاصطناعي في مجال تعلم الآلة، فكلُّ مشاريع تعلم الآلة تتفق في خطوات جمع البيانات ومعالجتها وبناء النموذج وتدريبه واختباره، ولكن تختلف المشاريع فيما بينها في أحجام البيانات ومدى تعقيدها، ووظائف النموذج ومدى تعقيد خوارزمياته وطريقة تعامله مع البيانات وتعلمه منها.

يمكنك في مرحلة جمع البيانات لهذا المشروع الاستعانة بمجموعات البيانات التي توفرها المواقع الرسمية للحكومات حول الإسكان، أو البحث في مواقع العقارات لجمع البيانات المُرادة، ثم معالجة بياناتك وتنظيفها، فإذا كانت هنالك بعض المعلومات المفقودة كمساحة عقار أو ما شابه فيمكنك ملؤها بمتوسط المساحات أو أن تحذف هذه القطعة من البيانات.

ينصح في مرحلة بناء النموذج استخدام خوارزميات الانحدار الخطي Linear Regression فهي قادرة على اكتشاف العلاقات بين البيانات المختلفة كالعلاقة بين مساحة العقار وموقعه وسعره، كما يمكنك الاستعانة بمكتبات التحليل التنبؤي للبيانات مثل مكتبة ساي كيت ليرن  Scikit-Learn المكتوبة بلغة بايثون.

بعد ذلك عليك أن تمرر مجموعة البيانات التي جمعتها للنموذج كي يتدرب عليها ويستكشف الأنماط المختلفة بين البيانات، ويفهم لماذا كان العقار باهظ الثمن في منطقة ما وكان زهيدًا في منطقة أخرى، ويتعلم العلاقة بين المساحة وسعر العقار وغيرها من البيانات ذات الصلة، ويمكنك أخيرًا اختبار مشروعك مع عقارات بمعطياتٍ غير تلك الموجودة في مجموعة البيانات التي تدرب عليها مسبقًا.

3. مشروع كشف الاحتيال المالي

مستوى الصعوبة: متقدم.

تقع نماذج الكشف على الاحتيال ضمن أهم مشاريع الذكاء الاصطناعي، ولا سيما تلك المتعلقة بالاحتيال المالي، حيث تساعد هذه النماذج على كشف العمليات الاحتيالية في المعاملات المالية بناءً على معطيات عديدة، منها مثلًا التاريخ الإنفاقي للعميل، فإن أُجريَت عملية مالية مفاجئة بمبلغ أعلى بكثيرٍ من متوسط إنفاق العميل تُصنَّف العملية احتيالًا، وكذلك إذا تتابعت العديد من العمليات دون فروق زمنية واسعة تصنفها نماذج الكشف عن الاحتيال كعملياتٍ احتيالية.

تكمن صعوبة تطوير مشروع ذكاء اصطناعي للكشف عن الاحتيال في صعوبة جمع ومعالجة البيانات التي سيتدرب عليها النموذج، حيث تحتاج لإنشاء مجموعة بيانات تحتوي على عدة تواريخ إنفاقية مع تفاصيل عن عملائها، وإضافة مجموعة من العمليات إلى مجموعة البيانات هذه ثم تصنيفها كعملياتٍ آمنة وعملياتٍ احتيالية، ثم ومعالجة البيانات والتأكد من اكتمال الخانات وعدم فراغ أيٍّ منها.

يمكنك استخدام عدة خوازرميات في تطوير نموذج الكشف عن الاحتيال، مثل خوارزمية الانحدار اللوجستي Logistic Regression التي تستطيع توقع احتماليات الاحتيال في العمليات المالية بناءً على المدخلات، كما يمكنك استخدام خوارزمية الغابة العشوائية Random Forest التي تستطيع اكتشاف العمليات المشبوهة والاحتيالية عن الطبيعية بدقة كبيرة، ويوجد خورازميات أخرى تفيد في هذا المجال مثل خوارزمية تعزيز التدرج Gradient Boosting.

بعد كتابة خوارزميات النموذج عليك تزويده بالبيانات ليتدرب عليها ويكتشف العمليات الاحتيالية من بين تاريخ العمليات لكل بطاقة أو حساب موجود في مجموعة البيانات، وما إن ينتهي من التدرب على البيانات يمكنك حينئذٍ اختباره على معاملات مالية جديدة.

مشاريع ذكاء اصطناعي في مجال معالجة اللغات الطبيعية

يعد مجال معالجة اللغات الطبيعية Natural Language Processing (NLP)‎ واحدًا من المجالات الفرعية الحيوية في الذكاء الاصطناعي، وهو يختص بتمكين الآلات والحواسيب من فهم اللغات البشرية، كالعربية والإنجليزية وغيرها، سواءً كانت اللغة مدخلة نصيًا أو صوتيًا وله تطبيقات عديدة منتشرة، بدءًا من روبوتات الدردشة وأشهرها شات جي بي تي ChatGPT وجوجل جيميني Google Gemini، مرورًا بالمساعدين الصوتيين مثل مساعد جوجل Google Assistant وأليكسا Alexa وسيري Siri، وصولًا إلى أدوات الترجمة بمساعدة الحاسوب وأهمها ترجمة جوجل Google Translation.

تتعدد مشاريع الذكاء الاصطناعي المقترحة لمهندسي معالجة اللغات الطبيعية، ومنها:

1. مشروع روبوت دردشة لخدمة العملاء باستخدام الذكاء الاصطناعي.
2. مشروع ذكاء اصطناعي لتحليل مشاعر جمهور مواقع التواصل الاجتماعي.
3. مشروع ذكاء اصطناعي للترجمة الآلية.

لنوضح المزيد حول كل مشروع من هذه المشاريع وآلية تنفيذه ومستوى صعوبته.

1. مشروع روبوت دردشة لخدمة العملاء بالذكاء الاصطناعي

مستوى الصعوبة: سهل.

يعد روبوت الدردشة لخدمة العملاء مشروع ذكاء اصطناعي للمبتدئين، ويتمحور بشكلٍ أساسيٍّ حول بناء روبوت دردشة يفهم استفسارات العملاء ويجيب عليها تلقائيًا بإجاباتٍ واضحةٍ كافيةٍ صحيحةٍ، ويعتمد روبوت الدردشة لخدمة العملاء على خوارزميات معالجة اللغات الطبيعية في المقام الأول، ثم على خوارزميات تعلُّم الآلة في المقام الثاني.

نبدأ بناء روبوت دردشة خدمة العملاء بتطوير كل جزء منه على حدة، بدءًا من أساس روبوت الدردشة والذي يمكنك بناؤه مستخدمًا إحدى منصات تطوير روبوتات الدردشة عبر واجهة أمامية بسيطة، مثل Chatfuel، أو أن تكتب شيفرات روبوت الدردشة بنفسك مستعينًا بمكتبات وأطر عمل مساعدة مثل مكتبة NLTK بلغة باثيون ثم نطور بعد ذلك نظام التعرف على النوايا Intent Recognition في روبوت الدردشة، والذي يحاول معرفة المغزى وراء الأمر المُدخل من العميل، كتحديد ما إن كان عميل متجر إلكتروني يتساءل عن سياسات الاسترجاع أو تتبع طلبه أو غيرها.

نشرع بعد ذلك في تطوير نظام استخراج الكيانات المُسمَّاة (named entity extraction)، والذي يعمل على استخراج التفاصيل المهمة من رسالة العميل، مثل رقم المنتج واسمه أو رقم الطلب وغيرها، وبعد ذلك نبني منهجية تدفق المحادثة التي تساعد روبوت الدردشة على إدارة المحادثة بكفاءة وكتابة ردود مناسبة لاستفسارات العميل ومساعدته على حل مشكلاته، وأخيرًا نجمع كل هذه الأجزاء ونُضمِّنها ليتكون روبوت الدردشة، ثم نبدأ في اختبار كفاءته في إدارة المحادثات.

2. مشروع ذكاء اصطناعي لتحليل مشاعر جمهور مواقع التواصل الاجتماعي

مستوى الصعوبة: متوسط.

يعمل نموذج تحليل مشاعر جمهور مواقع التواصل الاجتماعي على تحليل المنشورات والتغريدات، ومحاولة تحديد المشاعر العاطفية خلف الكلمات المكتوبة، فيصنف المنشورات بين منشورات إيجابيةٍ ومنشوراتٍ سلبيةٍ وأخرى طبيعية أو عادية، ويساعد هذا النوع من النماذجِ الأعمالَ على تخصيص حملاتهم التسويقية تبعًا للفئة المستهدفة، ويساعدهم كذلك على إطلاق حملات تسويقية ذات كفاءة، وذلك بتحليل أحجام ضخمة من المحتوى المكتوب من هذه الفئة المستهدفة.

نبدأ في العمل على تطوير نموذج تحليل مشاعر منشورات مواقع التواصل الاجتماعي بجمع البيانات، فالبيانات في حالتنا هي منشورات التواصل الاجتماعي، ولأنَّ هذا النوع من البيانات غالبًا ما يكون فوضويًا وغير مهيكل فنحتاج جهدًا كبيرًا في معالجة بيانات هذا المشروع، فيمكننا تطوير برنامج يعيد الجملة إلى تكوينها الأصلي، فيزيل الرموز ويحول الحروف الكبيرة إلى صغيرة، ثم يختصر الجملة ما أمكن.

بعد ذلك نبدأ في اختيار منهجية معالجة اللغة الطبيعية المناسبة، ولتكن النهج القائم على المعجم Lexicon-Based Approach، والذي يُقسِّم الجملة إلى كلماتٍ ويُحدِّد ماهية كل كلمة على حدة ما إذا كانت كلمة إيجابية أم سلبية أم عادية، فكلما زادت الكلمات الإيجابية في المنشورات صنَّفها ضمن المنشورات الإيجابية، وكذلك كلما زادت الكلمات السلبية في المنشورات صنَّفها ضمن المنشورات السلبية.

وأخيرًا بعد تجهيز البيانات وتحديد المنهجية نبدأ في تطوير النموذج، ونعطيه البيانات ليتدرب عليه، ثم نختبره على محتوى ليس ضمن مجموعة البيانات وننظر هل سيصنفه بشكلٍ صحيحٍ أم يخطئ في التصنيف. ولمزيدٍ من التفاصيل حول مشروع نموذج تحليل المشاعر ننصحك بمطالعة مقال تحليل المشاعر في النصوص العربية باستخدام التعلم العميق.

3. مشروع ذكاء اصطناعي للترجمة الآلية

مستوى الصعوبة: متقدم

يعد المترجم الآلي متعدد اللغات من أهم مشاريع الذكاء الاصطناعي، وتتمحور فكرته حول تمكين المستخدم من الترجمة بين لغة وأخرى، مع دعم لغات عديدة ومتنوعة، وذلك مع تحري الدقة في الترجمة والمقارنة بين الترجمات المختلفة للكلمة الواحدة واستخدام الترجمة الأنسب لها، وأخيرًا تكوين جملة واضحة مفهومة سليمة.

الخطوة الأولى من عملية تطوير مترجم آلي متعدد اللغات هي جمع البيانات وتنظيفها ومعالجتها، وتحتاج في هذا المشروع بالذات للبحث عن مجموعة بيانات جاهزة تحتوي على الكلمات بمرادفاتها في اللغات المختلفة مع أمثلة للكلمة في سياقات حديثية عديدة بكل لغة، ثم تعالج هذه البيانات بالبحث فيها عن الترجمات الناقصة أو المفقودة، ثم تترجمها بنفسك.

بعد ذلك تختار منهجية الترجمة ونقترح عليك منهجية الترجمة الآلية العصبية Neural Machine Translation (NMT) لدقة عالية في الترجمة، ومن بعد ذلك تكتب خوارزميات النموذج التي ستتدرب على البيانات، ثم تمنح مجموعة البيانات للنموذج ليتدرب عليها، وتجدر الإشارة لأنَّ هذا المشروع هو من مشاريع الذكاء الاصطناعي التي تتطلب الكثير من الموارد الحاسوبية وقدرات معالجة قوية قادرة على التدرب على البيانات الضخمة. ثم ما إذا انتهى النموذج من التدرب على البيانات يمكنك اختبار دقته في الترجمة بين اللغات المختلفة.

مشاريع ذكاء اصطناعي في مجال الرؤية الحاسوبية

يعد مجال الرؤية الحاسوبية Computer Vision أحد المجالات الحيوية من مجال الذكاء الاصطناعي ويمكن تنفيذ العديد من مشاريع الذكاء الاصطناعي التي تستفيد من قدرة الآلات على تفسير الصور ومقاطع الفيديو وسائر المرئيات والتعرف على محتوياتها مثل تطبيقات التعرف على الوجوه والتعرف على الأشياء وتتبع الحركة، كما تدخل فيه تطبيقات أعقد من ذلك، مثل أنظمة السيارات ذاتية القيادة، وأنظمة الروبوتات، وغيرها.

ومن مشاريع الذكاء الاصطناعي المهمة لمهندسي الرؤية الحاسوبية:

1. مشروع التعرف على الوجوه بالذكاء الاصطناعي.
2. مشروع ذكاء اصطناعي لتتبع الأشياء المرئية.
3. مشروع سيارة ذاتية القيادة.

وإليك شرحًا أوفى عن كل مشروع من هذه المشاريع وطريقة تنفيذه.

1. نظام التعرف على الوجوه بالذكاء الاصطناعي

مستوى الصعوبة: سهل.

يعد نظام التعرف على الوجوه مشروع ذكاء اصطناعي للمبتدئين، وتدور فكرة المشروع حول تطوير برنامج يمكنه تحديد الوجوه في الصور والتعرف على أصحابها، وذلك باستخدام تقنيات تعلم الآلة وتقنيات الرؤية الحاسوبية.

في أولى الخطوات وهي خطوة جمع البيانات نجد صور المشاهير خيارًا جيدًا لتدريب النموذج عليها، إذ تتوفر صورٌ لهم من زوايا مختلفة عبر الإنترنت، فيمكنك تحميل مجموعة من الصور لكل شخص وتصنيفها داخل مجموعة البيانات حيث تكون جميع صور الشخص تحت تصنيفٍ باسمه، ثم بعد ذلك تبني النموذج باستخدام المكتبات وأطر العمل الجاهزة، مثل مكتبة face_recognition في لغة بايثون.

ثم تسمح للنموذج بالتدرب على البيانات والتعرف على الوجوه وتحديد أصحاب هذه الوجوه، ثم إذا ما انتهى من التدرب على مجموعة البيانات يمكنك اختباره على صورٍ غير الموجودة في مجموعة البيانات لنفس الأشخاص الذين كانوا فيها.

طالع المزيد عن أنظمة التعرف على الوجوه بقراء مقال إعداد شبكة عصبية صنعية وتدريبها للتعرف على الوجوه.

2. مشروع ذكاء اصطناعي لتتبع الأشياء المرئية

مستوى الصعوبة: متوسط.

يشير نظام تتبع الأشياء المرئية إلى نظام برمجي يستخدم الذكاء الاصطناعي للتعرف على الأشياء المختلفة في مقاطع الفيديو وتتبعها، كالتعرف على السيارات وتتبعها في أنظمة الرادارات، والتعرف على الأجساد البشرية وتتبعها في أنظمة كاميرات المراقبة.

نبدأ تطوير النموذج بجمع مقاطع للأشياء المرئية التي تود تتبعها، مثل مقاطع متعددة لسياراتٍ تجري على طريقٍ سريع، مع إضافة مربعات حول الأشياء المراد تتبعها في مقاطع الفيديو، ثم تطور نموذجك بإحدى المنهجيتين YOLO أو SSD، ثم تمنح النموذج مجموعة البيانات ليتدرب عليها ويحاول التعرف على الأشياء الموجودة في مقطع الفيديو وتتبع الشيء المطلوب منه تتبعه، ثم تختبر النموذج.

3. مشروع سيارة ذاتية القيادة

مستوى الصعوبة: متقدم.

يعد بناء نظام لسيارة ذاتية القيادة أمرًا صعبًا، نظرًا لتعقيد هذه الأنظمة وكثرة وظائفها وخواصها، ولكنه مشروعٌ تتعلم منه الكثير، وتتضمن أنظمة السيارات ذاتية القيادة أنظمة تتبع للأشياء، كما تتضمن أنظمة لرسم الخرائط وتحديد الطرق.

تمر خلال مشروع تطوير نظام سيارة ذاتية القيادة بمراحلٍ ثلاث:

1. الإدراك: تعمل في هذه المرحلة على بناء النظام الإدراكي للسيارة، والذي يساعدها على رسم الخرائط ثلاثية الأبعاد للمكان المحيط، ويساعدها على التقاط صور للطريق ومعرفة الأشياء أمامها، وكذلك يتضمن النظام الإدراكي نظامًا لتحديد السرعة والمسافة، ويعمل أيضًا على معرفة معلومات عامة عن الموقع المحيط باستخدام نظام تحديد الموقع العالمي GPS.
2. تخطيط المسار: تبني لنظام السيارة ذاتية القيادة في هذه المرحلة نظامًا داخليًا لرسم الخرائط عالية الجودة، ونظامًا لتحديد أفضل المسارات وأسرعهم للسير فيه مع النظر للظروف الحالية من أجواءٍ وغيرها، كما نُعلِّم النظام كيفية تجنُّب الحواجز من بشرٍ وسياراتٍ أخرى وغيرها من الحواجز.
3. اتخاذ القرارات: نجعل النظام قادرًا على السير في المسار الذي خططه قبلًا، ونزده بنظام توقعٍ لحركات المركبات المجاورة، ونحرص في هذه المرحلة على تطوير منطق اتخاذ القرارات التي تؤدي إلى سلامة وأمان الراكب والسيارة.

مشاريع ذكاء اصطناعي في مجال برمجة الروبوتات

تشير برمجة الروبوتات Robotics Programming إلى عملية استخدام إحدى لغات برمجة الروبوتات لتطوير النظام الذي يستطيع به جسد الروبوت أن يبدأ في تنفيذ مهامه، وتساعد برمجة الروبوتات الروبوت على أن يدرك بيئته، ويضع خططًا، ويتخذ قراراتٍ، وينفذ مهامًا، فمثلًا عند تطوير روبوت للتنقل الأرضي نحتاج إلى تزويد نظامه بخوارزميات الرؤية الحاسوبية التي تسمح له بالإدراك والتعرف على الأشياء من حوله، كما نحتاج إلى جعل النظام قادرًا على رسم خرائط، ويحتاج أيضًا إلى خوارزميات لتخطيط مسارٍ والسير فيه، وخوارزميات للتحكم في محركاته وأجزائه الفيزيائية، وغيرها.

ومن أهم مشاريع برمجة الروبوتات:

1. مشروع تحريك ذراع روبوت في مسار محدد.
2. مشروع مساعدة روبوت على تجنب العقبات.
3. مشروع روبوت يتفاعل مع البيئة ويتعلم ويتطور باستقلالية.

وإليك المزيد حول كل مشروع من هذه المشاريع الذكية.

1.مشروع لتحريك ذراع الروبوت في مسار محدد

مستوى الصعوبة: سهل

يهتم هذا المشروع بتطوير خوارزمية لذراع الروبوت تجعله قادرًا على التحرك في مسار محدد مسبقًا لحمل شيء من مكان إلى آخر، ونرى تطبيقات هذا المشروع بكثرة في المصانع المعتمدة كليًا أو جزئيًا على الآلات في تصنيع منتجاتها، إذ تتواجد فيها أذرع روبوتات تنقل المنتجات وتدخلها وتخرجها من آلات التصنيع، ثم تغلفها وتجعلها جاهزة للبيع.

تحتاج أولًا في هذا المشروع إلى ذراع روبوت لتطور الخوارزمية له وتختبرها عليه، فما إن حصلت عليه فابدأ بفحصه وتعرف على مواصفاته وعدد مفاصله والنطاق الحركي لكل مفصل، وتعرف على سائر المستعشرات المدمجة فيه، ثم ابدأ بتحديد المسار المناسب للذراع بناءً على هذه المواصفات، وبعد ذلك ابدأ في تحويل هذا المسار إلى شيفرات برمجية تساعد الذراع على التحرك حركةً بحركة، وحدد سرعة تنفيذ كل حركة في المسار، ثم ثبت النظام على ذراع الروبوت واختبر مدى دقته في التحرك من مكان إلى آخر.

2. مشروع مساعدة روبوت على تجنب العقبات

مستوى الصعوبة: متوسط

يهدف مشروع تطوير نظام يساعد الروبوت على تجنب العقبات إلى تمكين الروبوت من التحرك الحر في بيئة مع تجاوز العقبات المختلفة وعدم الاصطدام بها.

يعتمد هذا المشروع على كتابة خوارزميات لمستشعرات الروبوت، ونمر فيه بثلاث خطوات، أمَّا الأولى فهي تحصيل المستشعرات وبرمجتها بحيث يعرف الروبوت من خلالها ما حوله من مرئيات وماديات، ويتعرف على العقبات المحتملة في طريقه، وأمَّا الخطوة الثانية فهي تحديد الخوارزمية المناسبة للنظام حسب حجم الروبوت والهدف منه وسرعته، وتختار بين الخوارزميات الثلاث: خوارزمية متابعة الحائط Wall-Following أو خوارزمية الميادين المحتملة Potential Fields أو خوارزميات الأخطاء Bug Algorithms، وهذه الخوارزميات مسؤولة عن رسم مسار الروبوت وتجنب العقبات أثناء السير في المسار، وأمَّا الخطوة الثالثة والأخيرة هي اختبار النظام على روبوت حقيقي ومراقبة مدى كفاءته في تجاوز العقبات.

3. مشروع روبوت يتفاعل مع البيئة ويتعلم ويتطور باستقلالية

مستوى الصعوبة: متقدم

يعد نظام روبوت يتفاعل مع البيئة ويتعلم ويتطور باستقلالية واحدًا من أهم وأصعب مشاريع الذكاء الاصطناعي وبرمجة الروبوتات، وكما يتضح من اسم المشروع فإنَّ الهدف منه هو تطوير نظام روبوت يدرك البيئة المحيطة به ويفهم ماهية الأشياء من حوله، ويستطيع أن يتعامل مع المهام المختلفة في مجال محدد ويعالجها، ويتمكن كذلك من التعلم المستمر عن المجال الخاص به والتطور وزيادة القدرة على تنفيذ المهام المتنوعة.

تحتاج أولًا إلى جسد روبوت لتنفيذ هذا المشروع، فإذا ما حصلت عليه فابدأ بتطوير المهام الأساسية للروبوت، بدءًا من التعرف على الأشياء والتقاطها، مرورًا بتخطيط المسارات، وصولًا إلى تخطي العقبات، وغيرها من المهام الأساسية للروبوت، وبعد ذلك طوِّر النظام الحركي للروبوت وطوِّر كذلك النظام الإدراكي له، والذي يساعده على معرفة الأشياء في البيئة حوله والتفاعل معها.

ابدأ بعد ذلك في تطوير خوارزميات تعلم الآلة الخاصة بالروبوت، ونقترح عليك تطويرها بنهج التعلم المعزز Rainforcement Learning، وزوِّد الروبوت بمجموعات ضخمة من البيانات التي تضم معلومات عن المجال التي تود من الروبوت فهمه بعمق وإتقانه، وغالبًا ما تأخذ هذه المرحلة من تطوير الروبوت الوقت الأطول، ولكنها ضرورية لتمكين الروبوت من فهم المجال المختار جيدًا وتعلمه دون الحاجة إلى إشراف بشري، فإذا ما أنهيتها فأعطِ الروبوت مهامًا في هذا المجال لاختباره وتحديد مدى دقته ومدى نجاح المشروع.

تنفيذ مشاريع الذكاء الاصطناعي بلغة البايثون

إذا كنت تتساءل ما هي أفضل لغة برمجة لتنفيذ مشاريع الذكاء الاصطناعي فإننا ننصحك باعتماد لغة بايثون فهي تعد لغة رائدة في مجال الذكاء الاصطناعي وتسهل عليك تنفيذ مشاريعك لما تتضمنه من مكتبات وأطر عمل ذكاء اصطناعي قوية من أبرزها:

• تنسرفلو (TensorFlow)
• بايتورش (PyTorch)
• كيراس (Keras)
• نومباي (NumPy)
• سايباي (SciPy)
• سكيت-ليرن (Scikit-learn)
• بلوتلي (Plotly)
• ماتبلوتليب (Matplotlib)

وإن أردتَّ التعرف على مزيد من مشاريع الذكاء الاصطناعي غير المذكورة في هذا المقال بلغة بايثون فيمكنك الاطلاع على كتب الذكاء الاصطناعي المتنوعة التي توفرها أكاديمية حسوب مجانًا، وأهمها كتاب عشرة مشاريع عملية عن الذكاء الاصطناعي. 

وإن كنت مهتمًا بالتأسيس السليم في مجال الذكاء الاصطناعي والتعلم على يد خبراءٍ في المجال، مع التطبيق العملي المستمر على كل مصطلح من مصطلحات الذكاء الاصطناعي ننصحك بمطالعة دورة أكاديمية حسوب في الذكاء الاصطناعي، والتي تُحدَّث دوريًا بالمصطلحات والمفاهيم الجديدة في مجال الذكاء الاصطناعي وتساعدك على تنفيذ العديد من مشاريع الذكاء الاصطناعي العملية المفيدة والتي توائم متطلبات سوق العمل.

دورة الذكاء الاصطناعي

احترف برمجة الذكاء الاصطناعي AI وتحليل البيانات وتعلم كافة المعلومات التي تحتاجها لبناء نماذج ذكاء اصطناعي متخصصة.

اشترك الآن

اقرأ أيضًا

• دليلك الشامل لتعلم الذكاء الاصطناعي
• تطبيقات الذكاء الاصطناعي
• اسأل مهندس الذكاء الاصطناعي: أسئلة شائعة حول الذكاء الاصطناعي
• تطوير تطبيق 'اختبرني' باستخدام ChatGPT ولغة جافاسكربت مع Node.js
• بناء تطبيق بايثون يجيب على أسئلة ملف PDF باستخدام الذكاء الاصطناعي
• أهم مصطلحات الذكاء الاصطناعي للمبتدئين

لاشك أن استخدام نماذج الذكاء الاصطناعي المُدَرَّبة مُسبقًا pretrained model يقلل الوقت والجهد والتكاليف اللازمة لتدريب هذه النماذج من الصفر، فضلًا عن إتاحة الفرصة أمامك لاستخدام أحدث النماذج المتوفرة على منصات متخصصة مثل تلك التي توفرها مكتبة المُحوّلات Transformers من منصة Hugging Face، لذا يلجأ مهندسو الذكاء الاصطناعي لاستخدام النماذج المُدَرَّبة مُسبقًا في كثير من الحالات ويعمدون إلى صقلها أو معايرتها Fine Tuning بدقة وتدريبها على بيانات محددة تناسب أهدافهم، إذ يعني صقل النماذج fine-tuning أخذ نموذج تعلم آلي مدرب مسبقًا ومواصلة تدريبه على مجموعة بيانات أصغر وأكثر تخصصًا للحفاظ على قدرات النموذج المدرب وتكييفه ليناسب استخدامات محددة ويعطي تنبؤاتٍ دقيقة، كما سنطرح بعض الأمثلة التوضيحية على تدريب النماذج باستخدام كل من التقنيات التالية:

• مُدَرِّب مكتبة المحوّلات Transformers Trainer.

• إطار العمل تنسرفلو TensorFlow مع كيراس Keras.

• إطار العمل بايتورش PyTorch لوحده.

تحضير مجموعة بيانات التدريب

قبل أن نبدأ بصقل النموذج fine-tune سنُحَمِّل مجموعة بيانات Dataset ونُحَضِّر بياناتها كما تعلمنا في المقال السابق المعالجة المُسبقة للبيانات قبل تمريرها لنماذج الذكاء الاصطناعي.

اخترنا في هذا المقال مجموعة البيانات Yelp Reviews:

>>> from datasets import load_dataset

>>> dataset = load_dataset("yelp_review_full")
>>> dataset["train"][100]
{'label': 0,
 'text': 'My expectations for McDonalds are t rarely high. But for one to still fail so spectacularly...that takes something special!\\nThe cashier took my friends\'s order, then promptly ignored me. I had to force myself in front of a cashier who opened his register to wait on the person BEHIND me. I waited over five minutes for a gigantic order that included precisely one kid\'s meal. After watching two people who ordered after me be handed their food, I asked where mine was. The manager started yelling at the cashiers for \\"serving off their orders\\" when they didn\'t have their food. But neither cashier was anywhere near those controls, and the manager was the one serving food to customers and clearing the boards.\\nThe manager was rude when giving me my order. She didn\'t make sure that I had everything ON MY RECEIPT, and never even had the decency to apologize that I felt I was getting poor service.\\nI\'ve eaten at various McDonalds restaurants for over 30 years. I\'ve worked at more than one location. I expect bad days, bad moods, and the occasional mistake. But I have yet to have a decent experience at this store. It will remain a place I avoid unless someone in my party needs to avoid illness from low blood sugar.'}

وبما أن مجموعة بياناتنا نصية لذا سنحتاج مُرَمِّزًا tokenizer مناسبًا للنموذج لمعالجتها كما تعلمنا في مقالات السلسلة، تتضمن هذه المعالجة أساليب الحشو والاقتطاع لتوحيد أطوال السلاسل النصية، وسنستخدم دالةً تدعى map لتسريع المعالجة التحضيرية للبيانات وتطبيقها على كامل مجموعة البيانات dataset وفق التالي:

>>> from transformers import AutoTokenizer

>>> tokenizer = AutoTokenizer.from_pretrained("google-bert/bert-base-cased")


>>> def tokenize_function(examples):
    return tokenizer(examples["text"], padding="max_length", truncation=True)


>>> tokenized_datasets = dataset.map(tokenize_function, batched=True)

للسهولة وتسريع العمل يمكنك أخذ جزء من مجموعة البيانات فقط بدلًا من العمل معها كاملةً كما يلي:

>>> small_train_dataset = tokenized_datasets["train"].shuffle(seed=42).select(range(1000))
>>> small_eval_dataset = tokenized_datasets["test"].shuffle(seed=42).select(range(1000))

تدريب نموذج ذكاء اصطناعي باستخدام PyTorch Trainer

إن المُدَرِّبTrainer هو أحد أصناف مكتبة المحوّلات Transformers حيث يستخدم لتدريب نماذج المكتبة، ويوفر عليك أعباء إنشاء حلقة تدريب خاصة بمشروعك من الصفر، ويتمتع هذا الصنف بواجهة برمجية API متنوعة الخيارات وتؤمن مزايا تدريبية واسعة، مثل: تسجيل الأحداث logging، والتدرج التراكمي gradient accumulation، والدقة المختلطة mixed precision.

سنبدأ عملنا بتحميل النموذج وفق الأوامر التالية مع تحديد عدد التسميات التوضيحية labels المتوقعة من البيانات المُدخَلة، وإذا قرأت بطاقة وصف مجموعة البيانات التي حضرناها Yelp Review ستجد أن عدد التسميات labels فيها هو 5:

>>> from transformers import AutoModelForSequenceClassification

>>> model = AutoModelForSequenceClassification.from_pretrained("google-bert/bert-base-cased", num_labels=5)

ملاحة: عندما تُنَفِذ الأوامر السابقة ستواجه تحذيرًا مفاده أن بعض الأوزان المُدَرَّبة مسبقًا في النموذج لن تُسْتَخْدَمْ، وبعضها ستُعاد تهيئته عشوائيًا، يُعدّ هذا التحذير طبيعيًا ولا يستوجب القلق إذ سيُهمَل رأس النموذج BERT المُدَرَّب مسبقًا ويُستَبْدَل برأس تصنيف لا على التعيين، ثم يٌدَرَّب الرأس الجديد على تصنيف السلاسل وتنتقل إليه تلقائيًا كل المعرفة التي اكتسبها النموذج المدرب مسبقًا فيستفيد منها، علمًا أن رأس النموذج model head هو الجزء المسؤول عن معالجة مهمة معينة مثل التصنيف أو الترجمة ويستخدم لتحديد نتائجها.

المعاملات الفائقة للنموذج hyperparameters

سننشئ صنفًا لوسطاء التدريب TrainingArguments يتضمن كافة المعاملات الفائقة التي يمكننا ضبطها بالإضافة إلى الرايات flags الخاصة بتفعيل خيارات التدريب المختلفة، سنستعمل هنا المعاملات الافتراضية لكن يمكنك استعراض جميع المعاملات الفائقة وتجريبها لتصل إلى الإعدادات الملائمة لحالتك.

ملاحظة: المعاملات الفائقة للنموذج هي المعاملات التي نحددها قبل بدء عملية تدريب النموذج وتتحكم في كيفية تعلم النموذج.

لا تنسَ أن تحدد مكان حفظ نقاط التحقق checkpoints الناتجة عن التدريب:

>>> from transformers import TrainingArguments

>>> training_args = TrainingArguments(output_dir="test_trainer")

التقييم

لا يعطي المُدَرِّب Trainer في الأحوال الطبيعية مؤشراتٍ عن أداء النماذج في أثناء التدريب، فإذا رغبت بالحصول على تقييمٍ لنموذجك، ينبغي أن تمرر دالة خاصة بهذا الأمر تحسب مؤشرات الأداء وترجع لك تقريرًا بتقييم النموذج، وفي هذا المجال توفر مكتبة التقييم Evaluate دالةً بسيطة تدعى accuracy يمكنك تحميلها باستخدام evaluate.load كما في المثال التالي (طالع هذه الجولة السريعة في مكتبة التقييم لمزيدٍ من المعلومات):

>>> import numpy as np
>>> import evaluate

>>> metric = evaluate.load("accuracy")

استدعِ الدالة compute مع metric وفق التالي لحساب دقة التنبؤات الناتجة عن نموذجك، ولأن نماذج مكتبة المحوّلات Transformers تضع مخرجاتها في السمة logits (كما تعلمنا سابقًا في مقال جولة سريعة للبدء مع مكتبة المحوّلات Transformers) فينبغي لنا في البداية تحويل logits الناتجة عن النموذج إلى تنبؤات predictions ثم تمريرها لدالة حساب الدقة:

>>> def compute_metrics(eval_pred):
        logits, labels = eval_pred
        predictions = np.argmax(logits, axis=-1)
        return metric.compute(predictions=predictions, references=labels)

والآن أعطِ القيمة "epoch" للمعامل evaluation_strategy من وسطاء التدريب TrainingArguments لمراقبة أداء نموذجك أثناء التدريب فهذا الخيار سيعطيك تقييمًا في نهاية كل دورة تدريبية epoch للنموذج:

>>> from transformers import TrainingArguments, Trainer

>>> training_args = TrainingArguments(output_dir="test_trainer", evaluation_strategy="epoch")

المُدَرِّب Trainer

لننشئ الآن كائن المُدَرِّب Trainer باستخدام جميع الإعدادات السابقة وهي: النموذج الذي اخترناه، ووسطاء التدريب، ومجموعة بيانات التدريب، ودالة التقييم وذلك وفق الأمر التالي:

>>> trainer = Trainer(
        model=model,
        args=training_args,
        train_dataset=small_train_dataset,
        eval_dataset=small_eval_dataset,
        compute_metrics=compute_metrics,
)

ثم دَرِّب نموذجك باستخدامه كما يلي:

>>> trainer.train()

تدريب نموذج TensorFlow باستخدام Keras

نناقش هنا تدريب نماذج من مكتبة Transformers باستخدام إطار العمل تنسرفلو TensorFlow وكيراس Keras API، حيث أن كيراس هو إطار عمل سهل ومفتوح المصدر يسمح بإنشاء شبكات عصبية معقدة بتعليمات قليلة، بدأ مشروعًا مستقلًا ثم اندمج مع TensorFlow (يمكنك معرفة المزيد بمطالعة قسم الذكاء الاصطناعي على أكاديمية حسوب وخاصةً المقال التعريفي مكتبات وأطر عمل الذكاء الاصطناعي).

تحويل البيانات إلى صيغة تناسب كيراس Keras

يتطلب تدريب نماذج Transformers باستخدام Keras API تحميل مجموعة بيانات بصيغة تتوافق مع كيراس Keras، وإحدى الطرق السهلة لذلك هي تحويل البيانات التدريبية إلى مصفوفات NumPy ثم تمريرها له، تناسب هذه الطريقة مجموعات البيانات صغيرة الحجم وهي ما سنجربه بدايةً قبل الانتقال إلى طرق أكثر تعقيدًا.

لنُحمِّل في البداية مجموعة بيانات، وقد اخترنا هنا المجموعة CoLA dataset من GLUE benchmark وهي مجموعة بيانات بسيطة تناسب تصنيف النصوص الثنائية binary text، وسنأخذ منها القسم المخصص للتدريب فقط:

from datasets import load_dataset

dataset = load_dataset("glue", "cola")
dataset = dataset["train"]  # أخذنا من مجموعة البيانات القسم الخاص بالتدريب فقط

سنُحَمِّل بعد ذلك مُرمِّزًا tokenizer يناسب النموذج ونستخدمه لترميز بيانات الندريب وتحويلها إلى مصفوفات NumPy، ولكن في مثالنا البيانات ثنائية بسيطة وتسمياتها التوضيحية labels هي مجموعة أصفار وواحدات فيمكننا تحويلها إلى مصفوفة NumPy مباشرةً دون ترميز:

from transformers import AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained("google-bert/bert-base-cased")
tokenized_data = tokenizer(dataset["sentence"], return_tensors="np", padding=True)
# يرجع المُرَمِّز دفعات مُرَمَّزة من البيانات، حوّلناها هنا إلى قاموس يناسب Keras
tokenized_data = dict(tokenized_data)

labels = np.array(dataset["label"])  # هذه البيانات في الأساس مصفوفة أصفار وواحدات

وفي المرحة الأخيرة سنُحَمِّل النموذج ونخضعه لعملية تصريف compile ثم ملائمة fit، وننوه هنا أن كل نموذج في مكتبة المحوّلات يتضمن دالةً افتراضية لحساب الخسارة loss function تناسب المهمة التي يُستَخدم النموذج لأجلها، فلست بحاجة لضبط أي خيارات بهذا الخصوص:

from transformers import TFAutoModelForSequenceClassification
from tensorflow.keras.optimizers import Adam

# تحميل النموذج وتصريفه
model = TFAutoModelForSequenceClassification.from_pretrained("google-bert/bert-base-cased")
# غالبًا ما تكون معدلات التَعَلُّم المنخفضة هي الأنسب لصقل نماذج مكتبة المحوّلات المُدَرَّبة مُسبقًا 
model.compile(optimizer=Adam(3e-5))  # لاحظ عدم وجود أي وسيط يتعلق بدالة حساب الخسارة فهي افتراضية

model.fit(tokenized_data, labels)

ملاحظة: تختار نماذج Hugging Face تلقائيًا دوال الخسارة المناسبة لبُنيتها ومهامها، لذا لن تضطر لتمرير الوسيط الخاص بحساب الخسارة عند تصريف نموذجك باستخدام compile()‎ لكن الخيار يبقى لك ففي حال لم ترغب باستخدام دالة الخسارة الافتراضية يمكنك حسابها بنفسك.

يعمل أسلوب الترميز السابق جيدًا مع مجموعات البيانات صغيرة الحجم لكنه لا يُعدّ عمليًّا أبدًا مع مجموعات البيانات الكبيرة بل وسيؤدي إلى إبطاء عملية التدريب، يعود ذلك لسببين: الأول أن مصفوفتي الرموز والتسميات التوضيحية ستكونان كبيرتي الحجم وتحميلهما بالكامل إلى الذاكرة يُعدّ مشكلة، والسبب الثاني أن مكتبة Numpy لا تستطيع التعامل مع المصفوفات غير منظمة الأطوال المعروفة باسم jagged arrays يعني ذلك أنك ستضطر إلى حشو العناصر القصيرة في المصفوفة بالأصفار لتصبح جميعها بطول موحد يساوي أطول عنصر في المصفوفة، وهذا أيضًا سيُبَطئ التدريب.

تحميل مجموعة بيانات بصيغة tf.data.Dataset

يمكنك تحميل مجموعة بياناتك بصيغة tf.data.Dataset بدلًا من اتباع الطريقة السابقة والمخاطرة بإبطاء التدريب، سنقترح عليك طريقتين لإنجاز الأمر، وتستطيع إنشاء خط أنابيبك الخاص tf.data يدويًا إذا رغبت بذلك:

• prepare_tf_dataset()‎: تعتمد هذه الطريقة على طبيعة نموذجك لذا تُعدّ الطريقة الأنسب والموصى بها في معظم الحالات، فهي تفحص مواصفات النموذج وتتعرف تلقائيًا على أعمدة مجموعة البيانات المتوافقة معه أي التي يمكن استخدامها كمدخلات للنموذج، وتتجاهل الأعمدة غير المتوافقة فتُنشئ بذلك مجموعة بيانات أبسط وأفضل أداءً.

• to_tf_dataset: طريقة منخفضة المستوى low-level فهي تتحكم بالتفاصيل الدقيقة لطريقة إنشاء مجموعة بيانات التدريب، فتُمَكِّنك من تحديد الأعمدة columns وتسمياتها التوضيحية label_cols التي تود تضمينها في مجموعة البيانات.

لنبدأ بالطريقة الأولى prepare_tf_dataset()‎، ولكن قبل تطبيقها ينبغي لنا ترميز البيانات وإدخال مُخرجات المُرَمِّز بهيئة أعمدة إلى مجموعة البيانات dataset كما يلي:

def tokenize_dataset(data):
    # سنُدخِل مفاتيح القاموس الناتج هنا إلى مجموعة البيانات بصفتها أعمدة
    return tokenizer(data["text"])

dataset = dataset.map(tokenize_dataset)

تُخَزَّن مجموعات بيانات Hugging Face على القرص الصلب افتراضيًا، فلن تسبب ضغطًا على استخدام الذاكرة على حاسوبك، وبمجرد إضافة الأعمدة السابقة تستطيع الحصول على الدفعات batches من مجموعة البيانات، وإضافة رموز الحشو إلى كل دفعة وهو ما يقلل عدد رموز الحشو المطلوبة في كل مرة مقارنةً بحشو مجموعة البيانات كاملةً.

tf_dataset = model.prepare_tf_dataset(dataset["train"], batch_size=16, shuffle=True, tokenizer=tokenizer)

مررنا إلى Preparation_tf_dataset في التعليمات السابقة وسيطًا خاصًا هو tokenizer يحدد المُرَمِّز الذي سنستخدمه لحشو الدفعات المُحَمَّلة بطريقة صحيحة، لكن يمكنك الاستغناء عنه إذا كانت العينات في مجموعة بياناتك متساوية الطول ولا تحتاج لأي حشو، أو استبداله بوسيطٍ آخر نحو Collate_fn إذا كنت ترغب بتدريب النموذج على حالات أعقد، مثل نمذجة اللغة المقنعة masked language modelling أي إخفاء بعض الرموز ليتنبأ النموذج بالكلمات من السياق أو غيرها من الحالات، تستطيع تحدد نوعية المعالجة التحضيرية التي تريدها للدفعات قبل تمريرها للنموذج، يساعدك الاطلاع على بعض الأمثلة والملاحظات المتعلقة بالموضوع من منصة Hugging Face لتطبيق ذلك عمليًّا.

والآن بعد إنشاء مجموعة بيانات tf.data.Dataset يتبقى لنا الخطوة الأخيرة وهي تصريف النموذج compile وملائمته fit وفق التالي:

model.compile(optimizer=Adam(3e-5))  # No loss argument!

model.fit(tf_dataset)

تدريب نموذج ذكاء اصطناعي باستخدام Native PyTorch

يساعدك المُدَرِّب Trainer على تدريب نموذجك وضبطه بتعليمة واحدة فقط ويغنيك عن إنشاء حلقة التدريب من الصفر، لكن بعض المستخدمين يفضلون عدم الاعتماد على المُدَرِّب وإنشاء حلقات تدريبهم الخاصة بأنفسهم لتدريب نماذج مكتبة المحوّلات Transformers، فإذا كنت أحدهم يمكنك إجراء ذلك باستخدام إطار العمل PyTorch لوحده أي native PyTorch وفق الخطوات التالية، لكن في البداية ننصحك بتفريغ الذاكرة المؤقتة على جهازك أو دفتر ملاحظاتك notebook بإعادة تشغيله أو بتنفيذ هذه الأوامر:

del model
del trainer
torch.cuda.empty_cache()

تتضمن الخطوات التالية المعالجة التي سنجريها يدويًا على البيانات المُرَمَّزة tokenized_dataset لتحضيرها للتدريب.

1. تخَلَّص من عمود النص text لأن النموذج لا يقبل النصوص الخام مدخلاتٍ له:

>>> tokenized_datasets = tokenized_datasets.remove_columns(["text"])

2. عَدِّل اسم العمود label إلى labels ليتوافق مع اسم الوسيط الذي يقبله النموذج:

>>> tokenized_datasets = tokenized_datasets.rename_column("label", "labels")

3. اضبط تنسيق مجموعة البيانات لتُرجِع PyTorch tensors بدلًا من القوائم المعتادة:

>>> tokenized_datasets.set_format("torch")

4. ثم أنشئ مجموعة بيانات مُصَغَّرة من مجموعة البيانات الكاملة كما فعلنا في الفقرات السابقة لتسريع عملية صقل النموذج fine-tuning:

>>> small_train_dataset = tokenized_datasets["train"].shuffle(seed=42).select(range(1000))
>>> small_eval_dataset = tokenized_datasets["test"].shuffle(seed=42).select(range(1000))

مُحَمِّل البيانات DataLoader

أنشئ مُحَمِّل بيانات DataLoader لمجموعات بيانات التدريب والاختبار لتٌنَفِّذ العمليات التكرارية على دفعات البيانات:

>>> from torch.utils.data import DataLoader

>>> train_dataloader = DataLoader(small_train_dataset, shuffle=True, batch_size=8)
>>> eval_dataloader = DataLoader(small_eval_dataset, batch_size=8)

ثم حَمِّل النموذج وحَدِّد عدد التسميات labels المتوقعة له:

>>> from transformers import AutoModelForSequenceClassification

>>> model = AutoModelForSequenceClassification.from_pretrained("google-bert/bert-base-cased", num_labels=5)

المُحَسِّنْ Optimizer ومُجَدّوِل معدل التعلُّم learning rate scheduler

سننشئ مُحَسِّنْ Optimizer ومُجَدّوِل معدل التعلُّم learning rate scheduler لتدريب النموذج وضبطه، اخترنا هنا المُحَسِّنْ AdamW من PyTorch:

>>> from torch.optim import AdamW

>>> optimizer = AdamW(model.parameters(), lr=5e-5)

ثم مُجَدّوِل معدل التعلُّم باستخدام المُجَدّوِل الافتراضي للمُدَّرِب Trainer:

>>> from transformers import get_scheduler

>>> num_epochs = 3
>>> num_training_steps = num_epochs * len(train_dataloader)
>>> lr_scheduler = get_scheduler(
    name="linear", optimizer=optimizer, num_warmup_steps=0, num_training_steps=num_training_steps
)

وأخيرًا حَدِّدْ قيمة المعامل device لتكون "cpu" إذا كان لديك وحدة معالجة رسوميات (GPU) ورغبت باستخدامها للتدريب، فمن دونها سيستغرق التدريب مدةً طويلة في حال الاعتماد على وحدة المعالجة المركزية (CPU) لوحدها وقد تصل المدة لساعات بدلًا من بضع دقائق:

>>> import torch

>>> device = torch.device("cuda") if torch.cuda.is_available() else torch.device("cpu")
>>> model.to(device)

اقتباس

اقتباس

ننوه هنا إلى توفر خدمات سحابية تتيح لك الوصول إلى وحدات GPU عبر السحابة من مزودين مثل: Colaboratory و SageMaker.

أصبحنا جاهزين الآن للتدريب.

حلقة التدريب Training loop

إليك نموذجًا للشيفرة البرمجية الخاصة بحلقة التدريب، ويمكنك استخدام المكتبة tqdm لإضافة شريط خاص bar يعرض لك تقدم مراحل التدريب لتتبع سير العملية:

>>> from tqdm.auto import tqdm

>>> progress_bar = tqdm(range(num_training_steps))

>>> model.train()
     for epoch in range(num_epochs):
        for batch in train_dataloader:
            batch = {k: v.to(device) for k, v in batch.items()}
            outputs = model(**batch)
            loss = outputs.loss
        loss.backward()

        optimizer.step()
        lr_scheduler.step()
        optimizer.zero_grad()
        progress_bar.update(1)

التقييم Evaluate

يختلف أسلوب تقييم أداء النموذج في حلقة التدريب المخصصة عنه في صنف المُدَرِّب Trainer، فبدلًا من حساب مؤشرات الأداء وتصدير التقارير عنها في نهاية كل دورة تدربية epoch سيجري التقييم هنا في نهاية التدريب إذ سنُجَمع كافة الدفعات باستخدم add_batch ونحسب مؤشرات الأداء.

>>> import evaluate

>>> metric = evaluate.load("accuracy")
>>> model.eval()
     for batch in eval_dataloader:
        batch = {k: v.to(device) for k, v in batch.items()}
        with torch.no_grad():
            outputs = model(**batch)

        logits = outputs.logits
        predictions = torch.argmax(logits, dim=-1)
        metric.add_batch(predictions=predictions, references=batch["labels"])

>>> metric.compute()

الخلاصة

تغرفنا في مقال اليوم على تقنية الصقل fine-tuning لتدريب نماذج الذكاء الاصطناعي المُدَرَّبة مسبقًا وتحسين أدائها على مهام معينة باستخدام بيانات محددة، ووضحنا الفوائد الرئيسية لاستخدام نماذج مُدَرَّبة مسبقًا وكيفية تحميل وتحضير البيانات لها وتدريبها وضبطها وتقييم أدائها من خلال استخدام مكتبات وأطر عمل متنوعة تساعدنا في تنفيذ مهام الصقل مثل Transformers و TensorFlow و Keras و PyTorch كي نحسن من كفاءة وأداء هذه النماذج في مشاريعنا الخاصة.

ترجمة -وبتصرف- لقسم Fine-tune a pretrained model من توثيقات Hugging Face.

اقرأ أيضًا

• المقال السابق: المعالجة المُسبقة للبيانات قبل تمريرها لنماذج الذكاء الاصطناعي
• تعرف على إطار عمل باي تورش PyTorch وأهميته لتطبيقات الذكاء الاصطناعي
• كيفية بناء شبكة عصبية لترجمة لغة الإشارة إلى اللغة الإنجليزية
• تعرف على أفضل دورات الذكاء الاصطناعي

تحتاج جميع أنواع البيانات مهما كان نوعها سواء كانت نصوصًا أو صورًا أو ملفات صوتية أو غير ذلك إلى معالجة مسبقة أو معالجة تحضيرية قبل تمريرها لنماذج الذكاء الاصطناعي حتى تتدرب عليها، نطلق على هذه العملية اسم "data Preprocessing" إذ تتحول هذه البيانات بعد معالجتها إلى دفعاتٍ من التنسورات tensors  التي تمثل بنى ملائمة لتمثيل البيانات تتوافق مع النموذج ويمكنه التعامل معها، وفي هذا المجال توفر مكتبة المحولات Transformers مجموعةً واسعة من أصناف المعالجة تُسّهِل عليك تجهيز بياناتك للنموذج، وهو ما سنتعلمه في مقال اليوم إذ سنُجري معالجة مسبقة لأنواع البيانات التالية:

• النصوص: سنستخدم المُرَمِّزات Tokenizer لمعالجة النص وتحويله إلى سلسلة رموز tokens، ثم تمثيلها عدديًا وتجميعها على هيئة tensors.
• الكلام والصوت: سنعتمد على مستخرج الميزات Feature extractor لاستخراج الميزات المتسلسلة من الأمواج الصوتية وتحويلها إلى tensors.
• الصور: سنتعامل مع معالج الصور ImageProcessor ونُمَرِر له الصور المطلوبة قبل إدخالها للنموذج فيُحولها إلى tensors.
• الأنماط المتعددة Multimodal: نستخدم في هذه الحالة معالجًا Processor يجمع بين وظيفة المُرَمِّز ووظيفة معالج الصور أو بين وظيفة المُرَمِّز ومستخرج الميزات حسب أنماط البيانات المستخدمة في مشروعك وهل هي تتضمن نصًا وصوتًا، أو نصًا وصورة، أو غير ذلك.

ملاحظة: ننصحك باستخدام المعالج التلقائي AutoProcessor فهو يساعدك بصورة كبيرة ويختار لك دومًا دائمًا صنف المعالج المناسب لنموذجك سواء كان مُرَمِّز أو معالج صور أو مستخرج ميزات أو معالج للأنماط المتعددة.

قبل البدء بأمثلتنا العملية سنُثَبِّتْ مجموعة البيانات Datasets لنتمكن من تحميل مجموعات بيانات تجريبية لعملنا من خلال كتابة التعليمة التالية:

pip install datasets

معالجة اللغة الطبيعية

المُرَمِّز tokenizer هو الأداة الرئيسية لمعالجة النصوص اللغوية قبل تمريرها للنموذج، إذ يُقَسٍّمُها إلى رموز tokens وفقًا لقواعد خاصة، ثم يحوّل هذه الرموز إلى أعداد ثم إلى تنسورات tensors تمثل المدخلات المقبولة للنموذج، وستُمَرَر أية بيانات إضافية لاحقًا للنموذج له عبر المُرَمِّز.

ملاحظة: إذا كنت تخطط لاستخدام أحد النماذج المُدَّربة مسبقًا بدلًا من تدريب نموذجك من الصفر، فاحرص على معالجة بياناتك بالمُرَمِّز نفسه الذي تَدّرَبَ عليه النموذج الجاهز قبل تمريرها له، فهذا يعني أن يُقَسَّم النص الخاص بك بالطريقة نفسها التي قُسِّمَت بها بيانات تدريب النموذج، وأن يُرَمَّز برموزه نفسها (التي يشار إليها بالمفردات vocab).

لنبدأ بالتطبيق العملي، حَمِّلْ في البداية مُرَمِّزًا tokenizer يناسب النموذج الذي اخترته، ويتضمن المفردات vocab التي تَدَّرَبَ عليها سابقًا، وذلك بواسطة التابع AutoTokenizer.from_pretrained()‎ وفق التالي:

>>> from transformers import AutoTokenizer

>>> tokenizer = AutoTokenizer.from_pretrained("google-bert/bert-base-cased")

ثم مَرر النص للمُرَمِّز وستحصل على الخرج التالي:

>>> encoded_input = tokenizer("Do not meddle in the affairs of wizards, for they are subtle and quick to anger.")
>>> print(encoded_input)
{'input_ids': [101, 2079, 2025, 19960, 10362, 1999, 1996, 3821, 1997, 16657, 1010, 2005, 2027, 2024, 11259, 1998, 4248, 2000, 4963, 1012, 102],
 'token_type_ids': [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
 'attention_mask': [1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1]}

يعطي المُرَمِّز في خرجه قاموسًا dictionary يتضمن ثلاثة أنواع من العناصر هي:

• input_ids: الدلالات العددية المقابلة لكل رمز من رموز الجملة أي لكل token.
• attention_mask: يشير إلى الرموز المهمة التي ينبغي الانتباه لها.
• token_type_ids: تبين السلسلة التي ينتمي إليها كل رمز، وهي مفيدة عندما تمرر أكثر من سلسلة للمُرَمِّز.

يمكنك فك ترميز الخرج السابق لاستعادة النص الأصلي كما يلي:

>>> tokenizer.decode(encoded_input["input_ids"])
'[CLS] Do not meddle in the affairs of wizards, for they are subtle and quick to anger. [SEP]'

لاحظ أنك استعدت النص مع رمزين إضافيين هما CLS و SEP واحد في مقدمة الجملة، وواحد في نهايتها أضافهما المُرَمِّز، قد لا تتطلب جميع النماذج وجود هذين الرمزين لكنَّ المُرَمِّز يُضيفهما تلقائيًا، علمًا أن الرمز CLS هو اختصار لكلمة المُصَنِّف classifier والرمز SEP اختصار لكلمة الفاصل separator.

أما إذا رغبت بمعالجة عدة جمل في آنٍ واحد، فمَرِرها للمُرَمِّز بهيئة قائمة list كما في المثال التالي:

>>> batch_sentences = [
    "But what about second breakfast?",
    "Don't think he knows about second breakfast, Pip.",
    "What about elevensies?",
]
>>> encoded_inputs = tokenizer(batch_sentences)
>>> print(encoded_inputs)
{'input_ids': [[101, 1252, 1184, 1164, 1248, 6462, 136, 102],
               [101, 1790, 112, 189, 1341, 1119, 3520, 1164, 1248, 6462, 117, 21902, 1643, 119, 102],
               [101, 1327, 1164, 5450, 23434, 136, 102]],
 'token_type_ids': [[0, 0, 0, 0, 0, 0, 0, 0],
                    [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
                    [0, 0, 0, 0, 0, 0, 0]],
 'attention_mask': [[1, 1, 1, 1, 1, 1, 1, 1],
                    [1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1],
                    [1, 1, 1, 1, 1, 1, 1]]}

الحشو Pad

يشترط النموذج أن تكون جميع tensors المدخلة إليه بنفس الطول أي بنفس عدد المحارف، وهذا الأمر لا يمكن تحقيقه من دون معالجة النصوص، فالجمل النصية التي نتعامل معها مختلفة الأطوال في معظم الحالات إن لم يكن في جميعها، لذا نلجأ للحشو pad في تطبيقات معالجة اللغة الطبيعية أي إضافة رموز خاصة للجمل القصيرة تسمى رموز الحشو padding token لزيادة طولها حتى تتساوى مع الجمل الطويلة فنحصل على طول موحد للمدخلات.

اضبط المعامل padding على القيمة True لتُفَعِّل ميزة الحشو في برنامجك كما في المثال التالي:

>>> batch_sentences = [
    "But what about second breakfast?",
    "Don't think he knows about second breakfast, Pip.",
    "What about elevensies?",
]
>>> encoded_input = tokenizer(batch_sentences, padding=True)
>>> print(encoded_input)
{'input_ids': [[101, 1252, 1184, 1164, 1248, 6462, 136, 102, 0, 0, 0, 0, 0, 0, 0],
               [101, 1790, 112, 189, 1341, 1119, 3520, 1164, 1248, 6462, 117, 21902, 1643, 119, 102],
               [101, 1327, 1164, 5450, 23434, 136, 102, 0, 0, 0, 0, 0, 0, 0, 0]],
 'token_type_ids': [[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
                    [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
                    [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]],
 'attention_mask': [[1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0],
                    [1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1],
                    [1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0]]}

كما تلاحظ فإن الجملة الثانية في المثال السابق هي الأطول، لذا أضفنا عددًا من الأصفار لكل من الجملة الأولى والثالثة حتى تتساوى معها بالطول.

الاقتطاع Truncation

الاقتطاع Truncation هي الحالة المعاكسة للحشو، فقد تصادف في بعض الأحيان سلاسل طويلة جدًا أكبر من الحد المسموح به في النماذج فلا يستطيع النموذج التعامل معها، نلجأ في الحالة لاقتطاع جزء من السلسلة حتى تصبح أقصر.

يمكنك استخدام هذه الخاصية بضبط قيمة المعامل truncation على True ليقطتع المُرَمِّز من طول السلسلة المدخلة حتى تتناسب مع الحد الأقصى للطول الذي يقبله النموذج:

>>> batch_sentences = [
    "But what about second breakfast?",
    "Don't think he knows about second breakfast, Pip.",
    "What about elevensies?",
]
>>> encoded_input = tokenizer(batch_sentences, padding=True, truncation=True)
>>> print(encoded_input)
{'input_ids': [[101, 1252, 1184, 1164, 1248, 6462, 136, 102, 0, 0, 0, 0, 0, 0, 0],
               [101, 1790, 112, 189, 1341, 1119, 3520, 1164, 1248, 6462, 117, 21902, 1643, 119, 102],
               [101, 1327, 1164, 5450, 23434, 136, 102, 0, 0, 0, 0, 0, 0, 0, 0]],
 'token_type_ids': [[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
                    [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
                    [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]],
 'attention_mask': [[1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0],
                    [1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1],
                    [1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0]]}

يمكنك مطالعة دليل الحشو والاقتطاع على منصة Hugging Face لمعرفة المزيد حول وسطاء arguments هاتين العمليتين.

بناء الموترات Tensors

إن عناصر الموترات  أو التنسورات tensors هي المخرجات النهائية التي نريدها من المُرَمِّز ففي نهاية الأمر هي المدخلات الوحيدة التي يقبلها النموذج، يمكنك الحصول عليها بضبط قيمة المعامل return_tensors حسب إطار عمل الذكاء الاصطناعي الذي تعتمده.
فإذا كنت تستخدم إطار العمل بايتورش Pytorch، اضبط قيمة المعامل return_tensors على pt وفق التالي:

>>> batch_sentences = [
    "But what about second breakfast?",
    "Don't think he knows about second breakfast, Pip.",
    "What about elevensies?",
]
>>> encoded_input = tokenizer(batch_sentences, padding=True, truncation=True, return_tensors="pt")
>>> print(encoded_input)
{'input_ids': tensor([[101, 1252, 1184, 1164, 1248, 6462, 136, 102, 0, 0, 0, 0, 0, 0, 0],
                      [101, 1790, 112, 189, 1341, 1119, 3520, 1164, 1248, 6462, 117, 21902, 1643, 119, 102],
                      [101, 1327, 1164, 5450, 23434, 136, 102, 0, 0, 0, 0, 0, 0, 0, 0]]),
 'token_type_ids': tensor([[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
                           [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
                           [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]]),
 'attention_mask': tensor([[1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0],
                           [1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1],
                           [1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0]])}

وإذا كنت تستخدم إطار العمل TensorFlowK، اضبط قيمة المعامل return_tensors على tf كما في المثال التالي:

>>> batch_sentences = [
    "But what about second breakfast?",
    "Don't think he knows about second breakfast, Pip.",
    "What about elevensies?",
]
>>> encoded_input = tokenizer(batch_sentences, padding=True, truncation=True, return_tensors="tf")
>>> print(encoded_input)
{'input_ids': <tf.Tensor: shape=(2, 9), dtype=int32, numpy=
array([[101, 1252, 1184, 1164, 1248, 6462, 136, 102, 0, 0, 0, 0, 0, 0, 0],
       [101, 1790, 112, 189, 1341, 1119, 3520, 1164, 1248, 6462, 117, 21902, 1643, 119, 102],
       [101, 1327, 1164, 5450, 23434, 136, 102, 0, 0, 0, 0, 0, 0, 0, 0]],
      dtype=int32)>,
 'token_type_ids': <tf.Tensor: shape=(2, 9), dtype=int32, numpy=
array([[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]], dtype=int32)>,
 'attention_mask': <tf.Tensor: shape=(2, 9), dtype=int32, numpy=
array([[1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0],
       [1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0]], dtype=int32)>}