النقاط الرئيسية
في مكان ما الآن، يقوم أحد أكثر نماذج الذكاء الاصطناعي كفاءةً في العالم بقراءة إعلان عن تقسيم الأسهم. سيصل إلى الإجابة الصحيحة، لكن نموذجًا يبلغ حجمه وتكلفته جزءًا بسيطًا منه سيصل إلى الإجابة الصحيحة أيضًا. إنه بمثابة نائب رئيس يقوم بعمل متدرب.
لا تزال الذكاء هو المعيار المفضل في هذا المجال، ومع ذلك فإن العديد من مهام الذكاء الاصطناعي تتسم بوجود «سقف»: وهي النقطة التي يصبح عندها النموذج «ذكيًا بما يكفي»، وتبدأ عوائد زيادة الذكاء بعد ذلك في التناقص. في المقابل، لا يوجد سقف على الإطلاق لبعض المهام الأخرى. ولا يفي النموذج الجاهز من السوق باحتياجات أي من هذين النوعين بشكل جيد. إن وجود سقف للمهمة، وما إذا كانت «تستقر» عند هذا السقف، هو ما يحدد ما إذا كان ينبغي تخصيص النموذج أم النظام المحيط به.
لماذا تعتمد نماذج الذكاء الاصطناعي المتخصصة على المهمة، وليس على القطاع
تنبع الحاجة إلى النماذج المتخصصة من المهمة، وليس من القطاع. فالقطاعات بحد ذاتها عبارة عن مجموعات من المهام التي لا حصر لها.
على سبيل المثال، تعمل شركات الأدوية في مجال اكتشاف الأدوية، حيث توجد مزايا كبيرة للبحث الأعمق والأسرع، والتفكير المنطقي الأفضل بشأن المجهول. كما تعمل شركات الأدوية أيضًا في مهام قياسية ذات حجم كبير، ذات قواعد محددة بدقة شديدة، مثل ترميز تقارير الأحداث الضائرة.
في الحالة الأخيرة، تتناقص العائدات الناتجة عن زيادة الذكاء. فما أن يصبح النموذج «ذكيًا بما يكفي»، حتى يصبح تخصص النموذج — في شكل ضبط دقيق لفهم العلاقة بين ملاحظات المرضى والقواميس الطبية — المحرك الرئيسي للقيمة. وفي الوقت نفسه، في حالة اكتشاف الأدوية، يُعد الذكاء الإضافي المدخل الحاسم. فالنموذج الأكبر والأفضل والأسرع يمكنه دائمًا أن يقدم قيمة أكبر للمهمة. وتتطلب مهام مثل اكتشاف الأدوية ذكاءً اصطناعيًّا متطورًا، وتمثل أسواقًا هائلةً تحقق فيها الزيادة في أداء الذكاء الاصطناعي عوائد غير محدودة.
وينطبق الأمر نفسه على شركات التداول الكمي، حيث يُعد اكتشاف إشارات تداول جديدة بمثابة اكتشاف عقار جديد. فكل مكسب في المعلومات يمكن أن يترجم إلى ميزة سوقية، وبالتالي إلى عوائد. ومع ذلك، يتعين على الشركة نفسها أيضًا معالجة العشرات من الإجراءات المؤسسية التي تصل في شكل إعلانات نصية حرة . إنه عمل موحد وكبير الحجم، ومن غير المرجح أن يتغير بمرور الوقت. فهناك طريقة واحدة صحيحة لقراءة عملية تقسيم الأسهم بنسبة 2 إلى 1. ومن غير المرجح أن يقدم نموذج أكبر وأكثر ذكاءً مزايا في استخلاص تلك المعلومات.
سؤالان يحددان ما إذا كان ينبغي إجراء تعديل دقيق على النموذج
من أجل فهم الحالات التي يكون فيها استخدام النماذج المتخصصة مبرراً، ينبغي تقييم شرطين مرتبطين بأي مهمة:
- هل لا تزال هذه المهمة تكافئ من يتمتع بذكاء أكبر؟
- هل المهمة ثابتة؟ أي، هل تظل قواعدها ومدخلاتها ومتطلباتها كما هي؟
تكون النماذج المتخصصة أكثر قابلية للتطبيق عندما يكون زوج الإجابات هو «لا» و«نعم»؛ أي في الحالات التي تكون فيها النماذج الحالية قادرة بالفعل على تلبية متطلبات المهمة بالكامل، والتي من غير المرجح أن تتغير فيها المهمة نفسها بشكل جوهري. ويستوفي ترميز الأحداث السلبية هذين الشرطين. أما اكتشاف الأدوية فيفشل في تلبية الشرط الأول بشكل قاطع.
تكاليف وفوائد ضبط نماذج الذكاء الاصطناعي
بالنسبة للمهام المعيارية ذات الحجم الكبير الموضحة أعلاه، يوفر تطوير نموذج متخصص مزايا حقيقية. الميزة الأولى هي التكلفة: عندما يتم تنفيذ مهمة ما ملايين المرات، يكون النموذج الصغير المُعدّل خصيصًا لتلك المهمة المحددة أرخص وأسرع في التنفيذ مقارنةً بنموذج «فرونتير». الميزة الثانية هي الاتساق: فالنموذج الذي تم تدريبه على آلاف الأمثلة المحددة للغاية سيطبق باستمرار منطقًا متشابهًا للغاية، إن لم يكن مطابقًا، في كل مرة، مما يجعله أكثر قابلية للتنبؤ. أما الميزة الثالثة فهي التحكم: يمكن للشركة استضافة نموذجها الخاص على بنيتها التحتية الخاصة، وبذلك تحافظ على البيانات الحساسة، مثل سجلات المرضى أو البيانات المالية، داخل نطاقها الخاص.
ومع ذلك، لا يوجد شيء مجاني هنا. فالتحسين الدقيق يقلل من تكلفة تشغيل النموذج، لكنه في الوقت نفسه يزيد من التكلفة والوقت اللازمين لبنائه. وإذا لم تتغير المهمة بشكل جوهري ولم تكن هناك فائدة من دمج نموذج أساسي مستقبلي أفضل، فإن هذه التكلفة تُعتبر تكلفة لمرة واحدة يمكن تبريرها بسهولة. لكن الأمور قد تصبح مكلفة إذا لم تتحقق تلك الشروط. ففي كل مرة تتغير فيها المهمة أو يتم إصدار نموذج أساسي أفضل، يجب إعادة تدريب النموذج المتخصص. ولذلك، فإن مزايا بناء النماذج المتخصصة لا تستمر إلا عندما تكون المهمة مستقرة وتكون النماذج الحالية جيدة بالفعل بما يكفي لاسترداد تكلفة ذلك الاستثمار بشكل كافٍ.
متى يجب ضبط النموذج ومتى يجب تخصيص نظام الذكاء الاصطناعي
وإذا ما نظرنا إلى السؤالين المذكورين سابقًا معًا، فإنهما يحددان الخطوات التي يجب اتباعها للتخصص.
يجمع كل نشر بين الاثنين. فالنموذج المُحسَّن لا يزال بحاجة إلى نظام؛ ويمكن للنظام أن يستوعب النماذج المُحسَّنة.
المصدر: Clarity
- ذكي بما يكفي ومستقر: قم بتخصيص النموذج. هذا هو مجال المهام المذكورة سابقًا مثل ترميز الأحداث السلبية والإجراءات المؤسسية. العوامل الاقتصادية الموضحة أعلاه تشجع على الضبط الدقيق، وتتيح مجالًا لاسترداد تكلفة الاستثمار على مدى ملايين عمليات التشغيل.
- كل ما عدا ذلك: قم بتخصيص النظام؛ فتخصيص النموذج ليس سوى شكل واحد من أشكال التكييف. فإذا كانت المهمة لا تزال تعتمد على الذكاء، فإن دمج الخبرة في أوزان النموذج يعني إعادة التدريب في كل مرة يتم فيها طرح نموذج أفضل. وإذا كانت المهمة تتغير باستمرار، فهذا يعني إعادة التدريب في كل مرة تتغير فيها المهمة. وفي كلتا الحالتين، من الأفضل أن تُخزَّن الخبرة في البيانات والأدوات وسير العمل المحيطة بالنموذج الذي يمكن استبداله. ويندرج المثال السابق المتعلق باكتشاف الأدوية ضمن هذه الفئة. فهو يحتاج إلى أحدث ما توصلت إليه التكنولوجيا، ولكن مع بيانات خاصة وخطوط إنتاج مصممة خصيصًا لهذا الغرض.
الإجابتان لا تستبعد إحداهما الأخرى. فحتى النموذج المُحسَّن لا يزال يحتاج إلى نظام داعم، كما أن النظام المصمم جيدًا يمكن أن يضم مكونات النموذج المُحسَّن. وبالتالي، فإن الأسئلة، والإجابات التي تنبثق عنها، هي التي تحدد أين يقع مركز الثقل.
Clarity AIتتبع مهامنا نهج الأنظمة المتخصصة عبر كلا المسارين. ولا تزال بعض مهامنا تكافئ الذكاء الرائد. ونظرًا لأن منصة استخراج البيانات لدينا لا تعتمد على نموذج معين، فإننا قادرون على دمج نماذج جديدة متطورة للغاية في غضون أيام، مما يتيح لنا جني المكاسب التي كان النموذج المُحسَّن سيؤجل تحقيقها حتى إعادة التدريب. وهناك مهام أخرى تكون فيها النماذج الحالية «ذكية بما يكفي»، لكنها ديناميكية للغاية بحيث يتعذر دمجها في نموذج متخصص مخصص. على سبيل المثال، عندما يؤدي تغيير تنظيمي إلى تغيير متطلبات المقاييس، لا نحتاج سوى إلى تعديل السياق والقواعد وعمليات التحقق من الصحة، بدلاً من إعادة تدريب النموذج نفسه. ومن خلال بناء إطار عمل مخصص، يمكننا تخصيص عملياتنا مع الاستمرار في التكيف بسرعة عند مواجهة التغيير.
كل عملية نشر جادة للذكاء الاصطناعي تتسم بطابع متخصص. وتحدد المهمة ما إذا كانت تلك الخبرة تكمن بشكل أساسي في النموذج نفسه أم في العناصر المحيطة به. فليتولى المتدرب مهمة تقسيم الأسهم، وليُمنح نائب الرئيس فريقًا أفضل.
معلومات المؤلف
