النموذج التأسيسي

النموذج التأسيسي هو نموذج واسع النطاق للتعلّم الآلي (ML) تم تدريبه على كمية هائلة من البيانات الواسعة غير المُسمّاة التي يمكن تكييفها مع مجموعة واسعة من المهام النهائية. والمفهوم الأساسي الذي صاغه معهد ستانفورد للذكاء الاصطناعي الذي يركز على الإنسان، هو "الخصائص الناشئة"، حيث يطور النموذج فهمًا متعدد الاستخدامات بشكل مدهش للأنماط وبناء الجملة والدلالات من البيانات التي تم تدريبه عليها. تسمح هذه الطبيعة ذات الأغراض العامة بأن تكون بمثابة نقطة انطلاق قوية أو "أساس" لإنشاء نماذج أكثر تخصصًا من خلال عملية تسمى الضبط الدقيق.

الخصائص والتطبيقات الرئيسية

السمة المميزة للنماذج التأسيسية هي قابليتها للتكيف، والتي تنبع من نموذج التعلم التحوّلي. فبدلاً من تدريب نموذج جديد من الصفر لكل مشكلة، يمكن للمطورين أخذ نموذج أساسي مدرب مسبقًا وتكييفه مع مجموعة بيانات أصغر بكثير ومحددة المهام. وهذا يقلل بشكل كبير من البيانات والعمليات الحسابية والوقت اللازم لبناء أنظمة ذكاء اصطناعي عالية الأداء.

تُظهر التطبيقات الواقعية تعدد استخداماتها:

1. روبوتات المحادثة المتقدمة والمساعدين الافتراضيين: يُستخدم نموذج اللغة الكبير (LLM) مثل نموذج GPT-4 الخاص بـ OpenAI كنموذج أساسي للغة. يتم تدريبه مسبقاً على مجموعة ضخمة من نصوص الإنترنت لفهم القواعد والحقائق ومهارات التفكير. يمكن للشركة بعد ذلك ضبطه باستخدام مستنداتها الداخلية وسجلات تفاعل العملاء لإنشاء روبوت دردشة آلي متخصص يمكنه الإجابة عن أسئلة محددة حول منتجاتها أو خدماتها بدقة عالية.
2. تحليل الصور الطبية: في مجال الرؤية الحاسوبية، يُعد نموذج مثل نموذج تجزئة أي شيء (SAM) من Meta AI نموذجًا أساسيًا لتجزئة الصور. ويمكنه تحديد وتخطيط الكائنات في أي صورة بدون سياق مسبق. يمكن للباحثين في المجال الطبي بعد ذلك ضبط هذا النموذج على مجموعة أصغر من صور الرنين المغناطيسي أو التصوير المقطعي المحوسب لتجزئة أعضاء معينة بدقة أو اكتشاف حالات شاذة مثل الأورام، مما يسرّع من عمليات التشخيص لتحليل الصور الطبية.

نماذج الأساس مقابل النماذج الأخرى

من المهم التمييز بين النماذج التأسيسية والمفاهيم ذات الصلة:

• نماذج خاصة بالمهام: تقليدياً، تضمن التعلم الآلي تدريب النماذج من الصفر لغرض واحد، مثل تدريب نموذج Ultralytics YOLO فقط للكشف عن الحزم في الخدمات اللوجستية. وعلى الرغم من فعالية هذا النهج، إلا أنه يتطلب بيانات موسومة كبيرة لكل مهمة جديدة. تقدم النماذج التأسيسية بديلاً أكثر كفاءة.
• النماذج اللغوية الكبيرة (LLMs): تعد النماذج اللغوية الكبيرة نوعًا بارزًا من النماذج التأسيسية التي تركز على المهام اللغوية. ومع ذلك، فإن مصطلح "النموذج التأسيسي" أوسع نطاقًا، حيث يشمل نماذج للرؤية والصوت وطرائق البيانات الأخرى، كما هو مفصل في الورقة البحثية البارزة "حول فرص ومخاطر النماذج التأسيسية".
• نماذج الرؤية المتخصصة: في حين أن نماذج الرؤية الكبيرة مثل محول الرؤية (ViT) تعتبر نماذج أساسية، فإن العديد من نماذج السيرة الذاتية المتخصصة ليست كذلك. على سبيل المثال، يعد نموذج YOLO11 الذي تم ضبطه بدقة لتطبيق معين مثل الذكاء الاصطناعي في السيارات نموذجًا متخصصًا. ومع ذلك، فإنه يستفيد من العمود الفقري المدرب مسبقًا الذي يجسد المعرفة التأسيسية المستمدة من مجموعات البيانات الكبيرة مثل COCO.

التدريب والأهمية المستقبلية

تُعد نماذج الأساس قبل التدريب مسعىً كثيف الموارد، وغالباً ما يتطلب الآلاف من وحدات معالجة الرسومات وجهوداً هندسية ضخمة، وعادةً ما تقوم به مؤسسات كبيرة مثل Google AI وDebMind. ومع ذلك، بمجرد التدريب، تصبح هذه النماذج متاحة للاستخدام على نطاق أوسع.

توفر منصات مثل Ultralytics HUB أدوات لمساعدة المستخدمين على تكييف هذه القدرات التأسيسية من خلال تبسيط سير العمل لتدريب النماذج المخصصة وإدارة مجموعات البيانات ونشر الحلول، وغالباً ما يتم ذلك من خلال ضبط دقيق للمعايير الفائقة.

تعمل النماذج التأسيسية على تغيير مشهد الذكاء الاصطناعي من خلال إضفاء الطابع الديمقراطي على الوصول إلى القدرات القوية. كما يجلب ظهورها أيضًا مناقشات نقدية حول أخلاقيات الذكاء الاصطناعي وتحيز مجموعة البيانات والفجوة الحسابية. يشير المستقبل إلى نماذج أكثر قوة وفعالية ومتعددة الوسائط يمكنها فهم ومعالجة المعلومات من النصوص والصور والصوت في آن واحد، مما يقود الموجة التالية من حالات استخدام الذكاء الاصطناعي.