إنّ المصدر الأساسي للعديد من مصطلحات تعلُّم الآلة (ML) هو مسرد مصطلحات تعلُّم الآلة. بدلاً من تكرار عملهم، سنضمّن فقط الكلمات والعبارات التي يتم الاستشهاد بها بشكل شائع والتي لا تظهر في "مسرد مصطلحات تعلُّم الآلة".
مخطط نظام الذكاء الاصطناعي
عند إنشاء ميزات أو منتجات جديدة مستندة إلى الذكاء الاصطناعي، حدِّد مخططًا لنظام الذكاء الاصطناعي، واربط الفرصة المتاحة للاستفادة من الذكاء الاصطناعي بطريقة إنشاء الحلّ. عليك تحديد ما يلي:
- لماذا يتم إنشاء هذا المنتج؟ ما هي حالات استخدام الذكاء الاصطناعي المتاحة وما هي القيمة التي تقدّمها للمستخدمين؟
- كيف سيعمل تطبيقك؟
- كيف يمكنك ضمان تطوير كل جزء من نظامك بمسؤولية؟
يمكنك الاطّلاع على المخطط التفصيلي في مقدمة عن الذكاء الاصطناعي على الويب.
بنية الذكاء الاصطناعي المركّب
بُنى الذكاء الاصطناعي المركّبة، وهي عبارة عن مجموعات من نموذج واحد أو أكثر ومكوّنات أخرى، مثل قواعد البيانات وواجهات برمجة التطبيقات وضوابط الأمان، تعمل معًا لتقديم سلوك قوي ومراعي للسياق
هندسة السياق
هندسة السياق هي عملية اختيار المعلومات (الرموز المميزة) الأكثر صلة بشكل ديناميكي بطلب معيّن لزيادة احتمالية الحصول على نتيجة قيّمة.
تغيُّر البيانات
يحدث انحراف البيانات عندما لا تمثّل بيانات التدريب الواقع. يمكن أن يتغيّر سلوك المستخدمين وجمع البيانات وبيئة البيانات في أي وقت، وقد يؤدي ذلك إلى انخفاض في أداء النموذج.
البرامج الحتمية
عند إدخال بيانات معيّنة، تتبع البرامج الحتمية دائمًا سلسلة الخطوات نفسها للوصول إلى الناتج نفسه. وهي أكثر أنواع البرامج موثوقيةً، لأنّها قابلة للتوقّع وتعمل بكفاءة.
الذكاء الاصطناعي ليس حتميًا. ويمكن أن تختلف المسارات والنتائج بشكل كبير، حتى مع استخدام الطلبات نفسها.
التطوير المستند إلى التقييم (EDD)
يوفّر إطار عمل التطوير المستند إلى التقييم (EDD) عملية قابلة للتكرار والاختبار لتحسين النتائج في خطوات صغيرة وواثقة، ورصد حالات التراجع، ومواءمة سلوك النموذج مع توقعات المستخدمين والمنتجات بمرور الوقت.
يمكن اعتبارها تطويرًا مستندًا إلى الاختبار (TDD)، تم تعديله ليتناسب مع عدم اليقين الذي يميّز الذكاء الاصطناعي. على عكس اختبارات الوحدات المحدّدة، لا يمكن ترميز تقييمات الذكاء الاصطناعي بشكل ثابت لأنّ المخرجات، سواء كانت صحيحة أو غير صحيحة، يمكن أن تتخذ أشكالاً مختلفة لا يمكنك توقّعها.
الذكاء الاصطناعي التوليدي
الذكاء الاصطناعي التوليدي هو نظام لتعلُّم الآلة يمكنه إنشاء المحتوى. وهذا يعني أنّ النموذج يمكنه كتابة نصوص أو إنشاء صور أو إنتاج رموز برمجية أو حتى تصميم واجهات مستخدم كاملة.
ميزة الإدارة
نتناول ثلاثة جوانب من إدارة الذكاء الاصطناعي:
- الخصوصية: يجب التعامل مع البيانات بمسؤولية، وتوضيح البيانات التي يتم جمعها، وتقليل البيانات التي تخرج من المتصفّح.
- الإنصاف: تحقَّق من نماذجك للتأكّد من عدم تضمّنها سلوكًا تمييزيًا (تحيّزًا)، وأنشئ حلقات تتيح للمستخدمين الإبلاغ عن المشاكل.
- الثقة والشفافية: صمِّم نظامك ليكون شفافًا وموثوقًا، كي يواصل المستخدمون الاستفادة منه على الرغم من عدم اليقين والأخطاء المحتملة.
الأمان هو البُعد الأخير الذي يمثّل جانبًا مهمًا من إدارة الذكاء الاصطناعي. سنقدّم المزيد من المعلومات حول الأمان في الوحدات المستقبلية.
في الوقت الحالي، ننصحك بقراءة إطار عمل الذكاء الاصطناعي الآمن (SAIF) من Google ومدوّنة "أمان Google".
الطراز
النماذج هي أهم أساس لنظام الذكاء الاصطناعي. في جوهره، النموذج هو مجموعة من المَعلمات والبنية التي تتيح للنظام تقديم توقّعات. يمكن أن تختلف طريقة عمل النموذج استنادًا إلى أسلوب التدريب (خاضع للإشراف أو غير خاضع للإشراف) والغرض من النموذج (تنبؤي أو توليدي).
بطاقة النموذج
بطاقات النماذج هي نظرة عامة منظَّمة حول كيفية تصميم النموذج وتقييمه. وتشكّل هذه المبادئ الركائز الأساسية التي تستند إليها استراتيجية Google بشأن الذكاء الاصطناعي المسؤول.
أوزان النموذج
أوزان النماذج هي قيم عددية تحدّد أهمية معلومات معيّنة. ويتم تعديل هذه القيم باستمرار أثناء تدريب النموذج إلى أن يتم تحديد وزن مثالي. يمكنك تعديل القيم التقديرية للنماذج المفتوحة، مثل Gemma.
فرص استخدام الذكاء الاصطناعي
هناك عدد من الفئات التي يمكن من خلالها تحديد إطار حلول الذكاء الاصطناعي:
- الإحصاءات: تحسين عملية اتخاذ القرار
- الراحة: إزالة العقبات
- التشغيل الآلي: استبدال العمل المتكرّر
- التحسين: مساعدة المستخدمين في تنفيذ مهام معقّدة أو إبداعية
- التخصيص: تكييف المنتج ليناسب احتياجات المستخدمين الفردية وتفضيلاتهم
يتم تناول هذا الموضوع بالتفصيل في مقالة استكشاف حالات الاستخدام.
الأنظمة الأساسية
تعمل تكنولوجيات الذكاء الاصطناعي من جهة العميل مباشرةً في المتصفح. وهذا يعني أنّ البيانات يمكن أن تبقى خاصة على جهاز المستخدم، بدون أي تأخير في الشبكة. ومع ذلك، لكي يحقّق الذكاء الاصطناعي من جهة العميل أداءً جيدًا، يجب أن يتضمّن حالات استخدام محددة بدقة.
يشمل الذكاء الاصطناعي من جهة الخادم النماذج المستضافة والتي يتم تشغيل الاستدلال فيها على السحابة الإلكترونية. هذه الطريقة فعّالة للغاية وقابلة للتوسّع، ولكنّها قد تكون أكثر تكلفة وتتطلّب اتصالاً بالشبكة.
الذكاء الاصطناعي التوقّعي
الذكاء الاصطناعي التوقّعي (أو التحليلي) هو مجموعة من الخوارزميات التي تساعدك في فهم البيانات الحالية والتنبؤ بما سيحدث على الأرجح في المستقبل. استنادًا إلى الأنماط السابقة، تتعلّم نماذج الذكاء الاصطناعي القائمة على التوقعات كيفية التنبؤ بالنتائج وعرض الإحصاءات واتّخاذ قرارات أكثر ذكاءً.
هندسة الطلبات
هندسة الطلبات هي عملية كتابة الطلبات وإعادة كتابتها لإنتاج نواتج تتوافق مع توقعات المستخدمين. يجب أن يتضمّن الطلب المكتوب بشكل جيد ما يلي:
- تحدّد هذه السمة الطريقة التي يجب أن ينشئ بها النموذج اللغوي الكبير الردّ.
- يتألف من مكوّنات متعددة يمكن إصدارها واختبارها وتحسينها بمرور الوقت.
- يمكن أن يكون بمثابة عنصر مشترك للتعاون بين الفِرق.
هناك عدد من الأساليب التي يمكنك اتّخاذها في هندسة الطلبات، ويمكنك الاطّلاع عليها في وحدة هندسة الطلبات.
أنواع الطلبات
يمكنك اعتبار نوع الطلب بمثابة الجمهور المستهدف للطلب. يمكنك الاطّلاع على مزيد من المعلومات حول هذا الموضوع في وحدة هندسة الطلبات.
طلب النظام
يقدّم مطوّرو التطبيق طلب النظام الذي يحدّد السلوك العام للنموذج. يمكنه تحديد دور النموذج ("أنت مساعد في الكتابة")، والأسلوب المتوقّع، وتنسيق الإخراج (مثل مخطط JSON صارم)، وأي قيود عامة. يظل هذا الطلب ثابتًا في جميع الطلبات.
طلب المستخدم
يحتوي طلب المستخدم على الطلب المباشر الذي يؤدي إلى الحصول على ناتج. يقدّم المستخدم بعض أشكال متغيرات الإدخال (مثل تحديد نص أو النمط المتوقّع)، ويطلب تنفيذ مهمة معيّنة. على سبيل المثال، "أنشئ ثلاثة عناوين لهذه المشاركة" أو "واصِل هذه الفقرة" أو "اجعل هذه المشاركة أكثر رسمية".