اكتشف كيف يعمل ضبط التعليمات على مواءمة نماذج الذكاء الاصطناعي مع نوايا البشر. تعلم كيفية تدريب Ultralytics ونماذج أخرى على اتباع توجيهات محددة من أجل أداء مهام أفضل.
ضبط التعليمات هو تقنية متخصصة في التعلم الآلي تُستخدم لتدريب النماذج على اتباع توجيهات أو أوامر محددة من المستخدم. على عكس التدريب المسبق القياسي، الذي يركز غالبًا على توقع الكلمة التالية في تسلسل أو التعرف على الأنماط العامة في البيانات، يستفيد ضبط التعليمات من مجموعات البيانات المنسقة ك مهام مباشرة. من خلال تعريض النموذج لأزواج الإدخال-الإخراج المنظمة كأوامر صريحة و الاستجابات الصحيحة المقابلة لها، يمكن للمطورين تحويل نموذج أساسي للأغراض العامة إلى مساعد سريع الاستجابة وموجه نحو المهام . يستخدم هذا النهج على نطاق واسع في الذكاء الاصطناعي التوليدي لمواءمة النماذج مع نوايا البشر، ضمان أن تكون المخرجات ذات صلة وآمنة وقابلة للتنفيذ.
تتضمن العملية تحديث أوزان نموذج النموذج باستخدام مجموعة بيانات مختارة بعناية من التعليمات. تغطي مجموعات البيانات هذه مجالات متنوعة، من حل المعادلات الرياضية إلى تحليل الصور. أثناء التدريب، يتعلم النموذج العلاقة الهيكلية بين الصياغة الحتمية للتعليمات (على سبيل المثال، "لخص هذا النص" أو "حدد الكائنات في هذه الصورة") وتنسيق الإخراج المطلوب. تُظهر الأبحاث الحديثة، مثل الدراسات التيأجرتها Google على FLAN (شبكة اللغة الدقيقة) ، أن النماذج المضبوطة حسب التعليمات تُظهر قدرات تعلم بدون تدريب محسّنة بشكل كبير عبر المهام غير المرئية .
أدى ضبط التعليمات إلى إطلاق العنان لقدرات تحويلية في كل من النصوص والوسائط المرئية:
لإدارة مجموعات البيانات عالية الجودة المطلوبة لهذه العمليات المتقدمة، غالبًا ما تلجأ الفرق إلى Ultralytics التي تبسط عملية تعليق مجموعات البيانات وتنظيم المشاريع ونشر التدريبات القائمة على السحابة.
لتصميم خطوط أنابيب الذكاء الاصطناعي بشكل صحيح، من المهم التمييز بين ضبط التعليمات وتقنيات تحسين النماذج المماثلة :
بالنسبة للمطورين الذين يقومون ببناء خطوط أنابيب رؤية حاسوبية مخصصة، فإن تكييف نموذج أساسي مع قيود مهام محددة هو مطلب شائع. في حين أن ضبط التعليمات بالكامل يتطلب مجموعات بيانات ضخمة متخصصة، فإن تكييف نماذج قوية مثل Ultralytics مع مهام مجال محددة يستخدم مبادئ مماثلة للتكييف الخاضع للإشراف.
from ultralytics import YOLO
# Load a pre-trained YOLO26 foundation model
model = YOLO("yolo26n.pt")
# Adapt the model weights to a custom task dataset using the PyTorch backend
# This process aligns the model's predictive capabilities with user-defined classes
results = model.train(data="custom_task.yaml", epochs=50, imgsz=640)
من خلال الاستفادة من منهجيات التدريب المتقدمة هذه، يمكن للمطورين نشر أنظمة ذكاء اصطناعي قوية تفسر وتنفذ الأوامر المعقدة بشكل موثوق، مما يسد الفجوة بين التعلم العميق النظري والبرمجيات العملية التي تركز على المستخدم . لمزيد من القراءة حول آليات التدريب، استكشف PyTorch الرسمية PyTorch حول تدريب الشبكات العصبية.
