قد يكون الذكاء الاصطناعي للتحويل هو المفتاح لتجنب الثبات التكنولوجي

الطلب على المحتوى يشهد نمواً ثابتاً وحاداً. للحصول على فكرة واقعية عن معدل النمو، أجرت شركة أدوبي استبياناً يشمل أكثر من 2,600 متخصص في تجربة العملاء والتسويق عبر الاقتصادات العالمية الكبرى.

أظهرت نتائج الاستبيان، التي نشرتها أدوبي في مارس 2023، نمواً في طلب المحتوى لا يقل عن الضعف خلال العامين الماضيين. حوالي ثلثي المستجيبين كانوا أكثر تفاؤلاً بشأن مستقبل المحتوى. وقالوا إنهم يتوقعون أن ينمو الطلب ما بين خمس إلى عشرين مرة خلال العشرين ساعة القادمة.

تلبية هذا الطلب أجبرت الشركات على اختيار نماذج إنتاج محتوى جديدة. وفقاً للاتحاد العالمي للمعلنين، طورت أكثر من نصف الشركات الدولية الكبرى قدرات إنتاج محتوى داخلية. فهل هذا كافٍ؟ حسناً، الذكاء الاصطناعي للتحويل واجه التحدي.

ما هو الذكاء الاصطناعي للتحويل؟

الذكاء الاصطناعي للتحويل يتعلق باستخدام الذكاء الاصطناعي لمساعدة الشركات على التواصل مع عملائها بشكل أفضل وتحقيق مبيعات أكثر. يقوم بذلك من خلال المساعدة في إنشاء وتحسين وإدارة المحتوى مثل الكتابة والصور والأصوات. هذا يجعل من الأسهل على الشركات جذب انتباه جمهورها، وإنتاج محتوى يتحدث إليهم حقاً، وتحسين تجربة المستخدم، كل ذلك عبر تقنية ذكاء اصطناعي ذكية.

اليوم، يمكن للشركات استخدام الذكاء الاصطناعي للتحويل لتحقيق مجموعة متنوعة من أهداف تسويق المحتوى، بما في ذلك نسخ إعلانات فيسبوك وجوجل، محتوى المواقع الإلكترونية، المنشورات الاجتماعية، وأكثر. لكن كيف يجعل الذكاء الاصطناعي للتحويل كل ذلك ممكنًا؟ ما هي التقنية التي تشغله؟ لهذا، نحتاج إلى معرفة النماذج اللغوية الكبيرة أو LLMs.

ما هو النموذج اللغوي الكبير؟

إنه نوع من الذكاء الاصطناعي يمكنه التعلم من كميات هائلة من النصوص والبيانات. هناك حالات استخدام حيث يمكن لهذه النماذج التعامل مع مئات المليارات من نقاط البيانات لاستخلاص رؤى ذات معنى، واستراتيجيات، وتوقعات.

نشأة النماذج اللغوية الكبيرة بإيجاز

ظهرت النماذج اللغوية الكبيرة الحديثة قبل ست سنوات، في عام 2017. استخدمت هذه النماذج نماذج المحولات التي يمكنها التعامل مع عدد كبير من المعلمات لفهم وتوليد ردود دقيقة بسرعة.

بعد أربع سنوات، في عام 2021، قدم معهد ستانفورد للذكاء الاصطناعي المتمحور حول الإنسان مصطلح ونموذج النماذج الأساسية. جاء الاسم من حقيقة أن هذه النماذج، الكبيرة والمؤثرة، تُعدّ أسسًا لمزيد من التحسينات وحالات الاستخدام. مع تطور النماذج اللغوية الكبيرة، شهد توليد المحتوى، خاصةً بصيغته المكتوبة، تغييرات كبيرة.

تأثير النماذج اللغوية الكبيرة

تظهر أبحاث ARK Invest أن جودة الكتابة للنماذج اللغوية الكبيرة شهدت تحسناً كبيراً خلال العامين الماضيين. أدى ذلك إلى زيادة الثقة ونشر حلول مدعومة بالنماذج اللغوية لتوليد المحتوى.

وبالتالي، انخفضت تكلفة كتابة المحتوى بشكل كبير. كانت ثابتة نسبياً في الواقع على مدار القرن الماضي، حوالي 100 دولار أمريكي لكل 1000 كلمة مكتوبة. ومع ذلك، خلال العامين الماضيين، انخفض هذا المعدل إلى 0.10 دولار أمريكي وربما أقل.

من المتوقع أن يتحسن الأداء والإنتاجية أكثر مع التقدم السريع في أداء تدريب الذكاء الاصطناعي. يبتكر الباحثون في مجال الذكاء الاصطناعي في التدريب والاستدلال، والأجهزة، وتصاميم النماذج، مما يعزز الأداء مع خفض التكاليف. من المتوقع أن يحقق ذلك أكثر من خمس مرات من تحسينات الأداء في عام 2024، مع اعتبار 2023 السنة الأساسية.

حدثت عدة ابتكارات خوارزمية أدت إلى تحسين قدرة الكتابة وتحسين الإنتاجية والأداء للنماذج اللغوية الكبيرة. على سبيل المثال، ساعد التعلم التعزيزي من ملاحظات البشر كثيرًا. تم تحسين الأوامر لتتفوق على أوامر البشر بأكثر من 50٪.

قُدرت قدرات فك الترميز التخميني على تسريع الاستدلال بمعدل مرتين إلى ثلاث مرات على نماذج محددة. كما كان الباحثون نشطين في إعطاء الأولوية لتكاليف الاستدلال. وتظهر جهودهم نتائج ملموسة، حيث انخفضت تكاليف الاستدلال بمعدل سنوي يقارب 86٪، أسرع من تكاليف التدريب. شهدت نماذج GPT تقريبًا تسريعًا في التدريب بمعدل ثلاث مرات بفضل Flash Attention 2.

مع كل هذه التحسينات والتطورات التي تحدث بسرعة هائلة، تجري أيضًا تحقيقات لتحديد ما إذا كان هناك احتمال حدوث ثبات محتمل في استخدام النماذج اللغوية الكبيرة وما إذا كان يمكن تجنبه.

انقر هنا لتعرف لماذا كان عام 2023 هو العام المميز للذكاء الاصطناعي.

الاحتمال المحتمل لثبات النماذج اللغوية الكبيرة وكيفية تجنبه

يبحث الباحثون في سيناريو محتمل حيث تنفد البيانات من النماذج اللغوية الكبيرة، مما يؤدي إلى تراجع الأداء. تحتاج النماذج إلى تغذية مستمرة بكميات كبيرة من بيانات التدريب للحفاظ على التعلم والتحسين. ومع ذلك، يبدو أن قوة الحوسبة ونقص البيانات التدريبية المحتمل يمثلان قلقًا.

وفقًا لتقديرات Epoch AI، قد تُستنفد مصادر اللغة/البيانات عالية الجودة، بما في ذلك الكتب والأوراق العلمية، بحلول عام 2024. وفي ذلك الوقت سيتعين الاستفادة من مجموعة أكبر من بيانات الرؤية غير المستكشفة. تشمل هذه البيانات غير المستغلة الكلمات المنطوقة وبعض أنواع البيانات الفيزيائية الأخرى التي يمكن أن تساعد النماذج على تجنب الثبات.

تشير الأبحاث إلى أنه يتم نطق ثلاثين كوادريليون كلمة سنويًا. تلتقط مولدات الكلام إلى نص وأدوات مشابهة أكثر من 80 تريليون كلمة تُنطق يوميًا. علاوة على ذلك، هناك سيارات أجرة وشاحنات وطائرات بدون طيار ومركبات روبوتية أخرى تولد كميات هائلة من بيانات العالم الفيزيائي والبيانات الاصطناعية التي تعزز البيانات الأساسية. يمكن أن تكون كل هذه البيانات غير المستكشفة ثروة لا مثيل لها من الموارد وتُحسّن النماذج اللغوية.

ومع ذلك، فإن التحسينات في الأداء والإنتاجية والجودة لا تقتصر فقط على العثور على مناجم البيانات غير المستكشفة. تقوم عدة شركات مبتكرة بجهود شاملة لتحسين الوضع بشكل شامل.

#1. Replit AI

عندما يتعلق الأمر بزيادة الإنتاجية، كان Replit AI أحد قصص النجاح الكبرى. كمساعِد للبرمجة، زاد من مستويات الإنتاجية والرضا الوظيفي لمطوري البرمجيات. يساعد على إلغاء الأجزاء المتكررة من الترميز لتتمكن من التركيز على الجوانب الإبداعية من العمل.

يقوم Replit AI بتبسيط عملية الترميز من خلال دمج مولد شفرة ذكاء اصطناعي يلغي الحاجة لتبديل الألسنة، ويقدم اقتراحات إكمال تلقائي للشفرة لتسريع التقدم. يعزز فهم المشروع بفضل وظيفة سياق الشفرة لكتابة الأسطر التالية ذات الصلة، ويكتشف المشكلات بشكل استباقي، مقترحًا حلولًا مباشرة داخل واجهة محرر سلسة.

بشكل عام، يُعد Replit AI مجموعة فعّالة من ميزات توليد الشفرة بالذكاء الاصطناعي، بما في ذلك إكمال الشفرة، توليد الشفرة، تعديل الشفرة، وشرح الشفرة.

ما يُشغّل Replit AI هو النماذج اللغوية الكبيرة. يُعيد النتائج المولدة من نماذج لغوية كبيرة تم تدريبها على شفرة متاحة للجمهور وتم تعديلها بواسطة Replit. يأخذ في الاعتبار الموجه الحواري ولغة البرمجة المستخدمة لتقديم اقتراحات وتفسيرات للشفرة المولدة.

ميزات Replit AI متاحة مجانًا لجميع المستخدمين. كل ما يلزم هو حساب Replit. يعمل Replit AI بأفضل أداء مع شفرة JavaScript وPython لكنه يدعم 16 لغة، بما في ذلك Bash وC وC# وC++ وCSS وGo وJava وJavaScript وHTML وPHP وPerl وPython وR وRuby وRust وSQL.

وفقًا لأحدث المعلومات المتاحة، جمعت الشركة 97.4 مليون دولار أمريكي بتقييم قدره 1.16 مليار دولار لتوسيع خدماتها السحابية والريادة في تطوير الذكاء الاصطناعي في أبريل 2023.

#2. Github Copilot

خدمة مساعدة ترميز أخرى، مشابهة لـ Replit AI، ساعدت على تحسين إنتاجية المطورين في مهام الترميز بمقدار 2.2 مرة في عام 2023 هي Github Copilot. يقدم Github Copilot مساعدة سياقية طوال دورة حياة تطوير البرمجيات.

وفقًا لأرقام استبيان رضا المستهلكين، يذكر مطورو Github Copilot أنهم يشعرون بارتفاع رضاهم عن العمل بنسبة تصل إلى 75٪ مقارنةً بمن لا يستخدمونه، وأنهم أكثر إنتاجية بنسبة تصل إلى 55٪ في كتابة الشفرة دون المساومة على الجودة.

يقوم Github Copilot بتدريب نفسه على نصوص اللغة الطبيعية والشفرات المصدرية من مصادر متاحة للجمهور، بما في ذلك الشفرات في المستودعات العامة على GitHub. يتم تدريبه على جميع اللغات التي تظهر في المستودعات العامة. ومع ذلك، قد تكون اللغات ذات التمثيل الأقل في المستودعات العامة أقل فعالية. يمكن استخدام Github Copilot من قبل المطورين الفرديين، المستقلين، الطلاب، المعلمين، ومُحافظي المشاريع المفتوحة المصدر.

وفقًا لتصريحات عامة من نائب رئيس المنتجات في مايكروسوفت، ماريو رودريغيز، يزدهر GitHub Copilot ويولد إيرادات بمعدل سنوي قدره 100 مليون دولار.

#3. MosaicML

تساعد MosaicML في تدريب النماذج اللغوية الكبيرة، وتُعد حلاً يتيح الذكاء الاصطناعي التوليدي للجميع، حيث تقدم كل ما يلزم لتدريب ونشر النماذج على بيانات المستخدم. تسهل سلسلة MPT Foundation دمج النماذج اللغوية بسهولة في التطبيقات التي تعمل على نماذج مفتوحة المصدر أو مرخصة تجاريًا.

تمكن تدريبات MosaicML المطورين من التدريب المسبق أو تحسين النماذج مع سيطرة كاملة على البيانات، مبسطة العملية إلى أمر واحد موجه إلى حاوية S3. يتعامل المنصّة بفعالية مع التنسيق، وفشل العقد، والبنية التحتية، كما يظهر في استخدام Replit لـ Mosaic ML لتدريب نموذج Ghostwriter LLM، مما أظهر نتائج رائدة خلال أسبوع.

تُركز نهج MosaicML في التدريب على أي بيئة سحابية على خصوصية البيانات، الأمان، والملكية الكاملة للنموذج، مع ميزات تدعم الانتقالات السلسة بين السحابات. توفر ملكية كاملة للبيانات، وتصفية المحتوى وفقًا لاحتياجات الأعمال، وتكاملًا جاهزًا مع خطوط البيانات الحالية، وتُعد غير مرتبطة بسحابة معينة ومثبتة في المؤسسات.

في يونيو من العام السابق، أبرز استحواذ Databricks على Mosaic ML في صفقة قيمتها 1.3 مليار دولار تأثيرها الكبير في السوق وقيمة عرضها.

#4. Anthropic

المنتج الرئيسي لشركة Anthropic هو Claude، ويعمل على نموذجين: Claude وClaude Instant.

يُعد Claude أقوى نموذج لدى Anthropic ويتفوق في مجموعة من المهام، من الحوار المتقدم وتوليد المحتوى الإبداعي إلى التعليمات التفصيلية. يعمل بشكل جيد في السيناريوهات التي تتطلب تفكيرًا معقدًا، وإبداعًا، وحوارات مدروسة، وبرمجة، وإنشاء محتوى مفصل.

Claude Instant – النسخة الأسرع والأرخص من Claude – يساعد في الحوار العادي، تحليل النص، التلخيص، وفهم المستندات. يعمل بشكل جيد عندما تكون الأداء بتكلفة منخفضة مطلبًا. يقوم بعمله بكمون منخفض.

بشكل عام، يُعد Claude مناسبًا لمعالجة كميات كبيرة من النصوص، وإجراء محادثات طبيعية، والحصول على إجابات، وأتمتة سير العمل. من خدمة العملاء إلى القانونية، والتدريب، والبحث، والوظائف المتعلقة بالمكاتب الخلفية، يُناسب Claude مجموعة متنوعة من سيناريوهات الاستخدام.

وفقًا لتقارير نُشرت في أواخر ديسمبر 2023، كانت Anthropic، التي تُعتبر منافسًا لـ OpenAI، تجري محادثات لجمع تمويل بقيمة 750 مليون دولار أمريكي بتقييم 18.4 مليار دولار.

#5. Humata

مع Humata، يمكن للمرء تصفح الأوراق التقنية الطويلة بسهولة. يساعد Humata PDF AI في تلخيص النتائج، مقارنة المستندات، والبحث عن إجابات. يتوافق مع ملفات غير محدودة يتم تحميلها دون حدود لحجم الملف. تأتي إجابات الذكاء الاصطناعي للمستندات مع مراجع لتتبع مصدر الفكرة.

نظرًا لأنه يشبه ChatGPT للملفات PDF، يمكنه إعادة كتابة الملخص حتى الرضا. ومع ذلك، على عكس ChatGPT، يمكن لـ Humata العمل مع الملفات، قراءة كل ملف يتم تحميله، وتوليد إجابات بناءً على محتوى المستندات.

في 2 أكتوبر 2023، أعلنت Humata AI عن إكمال جولة التمويل الأخيرة بنجاح، حيث جمعت 3.5 مليون دولار أمريكي من Gradient Ventures التابعة لجوجل، وARK Invest التي تديرها كاثي وود، وM13، وغيرهم من المستثمرين الملائكة البارزين في جولة البذور.

#6. OpenAI

أخيرًا، لا يمكن أن تكتمل أي مناقشة حول الذكاء الاصطناعي، تعلمه عبر النماذج اللغوية الكبيرة، وميزات إنشاء المحتوى دون ذكر OpenAI، الشركة التي اشتهرت ببناء نماذج توليدية باستخدام تقنية تُدعى التعلم العميق التي تستفيد من حجم كبير من البيانات لتدريب أنظمة الذكاء الاصطناعي.

توفر OpenAI خدمات الدردشة، والصور، والصوت. تم تدريب نموذج GPT-3، وهو نموذج لغوي تلقائي الانحدار، باستخدام 175 مليار معلمة. ومع ذلك، قامت الشركة بتدريب نماذج لغوية تتفوق على GPT-3 في متابعة نوايا المستخدم.

من بين المنتجات المتعلقة بالصور، أدت أبحاث OpenAI في النمذجة التوليدية للصور إلى نماذج تمثيلية مثل CLIP، الذي يربط بين النص والصور لتمكين الذكاء الاصطناعي من القراءة، وDALL-E، أداة لإنشاء صور حية من أوصاف نصية.

أخيرًا، حققت الشركة تطورات في مجال الصوت من خلال Whisper وJukebox وMuseNet. يوفر Whisper إمكانات قوية للتعرف على الكلام باللغة الإنجليزية، بينما يساعد Jukebox في توليد موسيقى بمختلف الأنواع والأساليب الفنية. MuseNet هو شبكة عصبية عميقة يمكنها توليد مؤلفات موسيقية كاملة باستخدام مجموعة متنوعة من الآلات.

انقر هنا لتعرف كل شيء عن الاستثمار في الذكاء الاصطناعي (AI).