Large Concept Models (LCMs)

نماذج المفاهيم الكبيرة (LCMs) هي نماذج ذكاء اصطناعي تعالج المعلومات وتولّدها كوحدات دلالية أعلى مستوًى، أو "مفاهيم"، بدلاً من توقع رمز نصي واحد في كل مرة. في نموذج مفهوم كبير نموذجي، قد يمثل الم مفهومٌ ما معنى جملة أو عبارة أو حدث أو إجراء كمتجه رقمي. يمكن أن تساعد هذه النظرة المستندة إلى المفاهيم النموذج على تنظيم التسلسل الطويل، ونقل المعنى عبر اللغات، والاستدلال حول الأفكار دون ربط كل خطوة داخلية بصياغة محددة.

كيف تعمل نماذج المفاهيم الكبيرة#

يقسم النموذج اللغوي الكبير النص إلى رموز، مثل الكلمات، أو أجزاء الكلمات، أو علامات الترقيم. ثم يتوقع النموذج الرمز التالي بشكل متكرر. يوضح دليل ترميز TensorFlow كيف يمكن تقسيم النص إلى هذه الوحدات الصغيرة.

ينقل نموذج مفهوم كبير خطوة النمذجة الرئيسية إلى مستوى أعلى:

1. يحول المشفر جملة أو وحدة ذات معنى أخرى إلى تمثيل متجهي—وهو تمثيل رقمي كثيف لمعناها.
2. يفحص النموذج تسلسلاً من تمثيلات المفاهيم ويتوقع تمثيل المفهوم التالي.
3. يحول فك التشفير التمثيل المتوقع إلى لغة طبيعية، أو كلام، أو شكل إخراج آخر.

في هذا التصميم، يجب أن تحتل الجمل ذات المعاني المتشابهة مناطق مجاورة من الفضاء الكامن للنموذج. يوضح نظرة عامة على تمثيلات Google المتجهة كيف تلتقط فضاءات المتجهات هذه العلاقات، بينما يغطي دليله حول قياس التشابه بين التمثيل المتجهي طرقًا مثل تشابه جيب التمام.

الجملة هي بديل عملي للمفهوم وليست تعريفًا عامًا. قد تحتوي جملة واحدة على عدة أفكار، بينما قد يمتد مفهوم مهم عبر عدة جمل.

مقارنة نماذج المفاهيم الكبيرة مع النماذج ذات الصلة#

تختلف نماذج المفاهيم الكبيرة بشكل أساسي في دقة وبنية تنبؤاتها الداخلية.

• نماذج المفاهيم الكبيرة مقابل النماذج اللغوية الكبيرة: عادةً ما تتوقع النماذج اللغوية الكبيرة الرموز مباشرةً. تتوقع نماذج المفاهيم الكبيرة تمثيلات دلالية أعلى مستوًى وتعتمد على مشفرات وفواكك تششفير منفصلة لربط تلك التمثيلاتي باللغة.
• نماذج المفاهيم الكبيرة مقابل نماذج الرؤية واللغة: تربط نماذج الرؤية واللغة بين المعلومات المرئية واللغوية. قد يقبل نموذج مفهوم كبير تمثيلات مفاهيم مرئية، لكن التنبؤ على مستوى المفهوم لا يجعل النموذج بطبيعته متعدد الوسائط.
• نماذج المفاهيم الكبيرة مقابل نماذج اختناق المفاهيم: تستخدم نماذج اختناق المفاهيم سمات صريحة، وغالبًا ما تكون مسماة بشريًا مثل "له أجنحة". مفاهيم نماذج المفاهيم الكبيرة هي بشكل عام متجهات متعلمة وقد لا تتطابق بدقة مع سمات مسماة.
• نماذج المفاهيم الكبيرة مقابل نماذج الاتساق الكامن: يستخدم كلاهما الاختصار LCM، لكن نماذج الاتساق الكامن تسارع سير عمل الانتشار التوليدي. وهي غير مرتبطة بنماذج المفاهيم الكبيرة.

لا تزال نماذج المفاهيم الكبيرة قادرة على استخدام بنية Transformer وآليات الانتباه؛ التغيير الرئيسي هو ما تمثله عناصر التسلسل. يصف توثيق PyTorch لـ Transformer بنية معالجة التسلسل العامة التي يمكنها العمل على أنواع تمثيل مختلفة.

تطبيقات العالم الحقيقي#

التلخيص متعدد اللغات: يمكن لنظام دعم عالمي تشفير التقارير المكتوبة باللغات الإسبانية واليابانية والإنجليزية في فضاء دلالي مشترك، وتنظيم أفكارها الرئيسية، وتوليد ملخص باللغة الإنجليزية. يمكن أن تجعل التمثيلادت متعددة اللغات المشتركة المعاني المكافئة متقاربة حتى عندما تختلف صياغتها السطحية، كما يوضح شرح Meta لـ فضاءات التضمين الجملي متعدد اللغات. يمكن أن يقلل هذا الاعتماد على ترجمة كل خطوة استدلال وسيطة.

التخطيط والتوليد طويل الأمد: بدلاً من صياغة تقرير كلمة بكلمة، يمكن لنموذج مفهوم كبير أولاً نمذجة تسلسل مثل المشكلة، والدليل، والتحليل، والتوصية. يتم بعد ذلك فك تشفير كل مفهوم متوقع إلى جملة واحدة أو أكثر. يشبه هذا تخطيط مخطط هيكلي قبل الكتابة وقد يحسن التماسك في تلخيص المستندات أو المحادثات، وهي مهام موصوفة في إرشادات تلخيص النصوص والمحادثات الصادرة عن Microsoft.

ربط نماذج المفاهيم بالرؤية الحاسوبية#

يمكن لنظام مدفوع بالمفاهيم الجمع بين الاستدلال بأسلوب نماذج المفاهيم الكبيرة واكتشاف الكائنات. يحدد نموذج رؤية عناصر المشهد ذات المعنى، ويستدل نموذج لاحق على تلك العناصر كجزء من تسلسل أكبر.

from ultralytics import YOLO

# Load a pretrained visual detector
model = YOLO("yolo26n.pt")

# Extract visual information from an image
results = model("https://ultralytics.com/images/bus.jpg")
result = results[0]

# Convert detected classes into simple visual concepts
class_ids = result.boxes.cls.int().tolist()
visual_concepts = sorted({result.names[index] for index in class_ids})

print(visual_concepts)

ينتج سير عمل YOLO26 هذا تسميات مثل "حافلة" و"شخص". إنه لا يحول YOLO إلى نموذج مفهوم كبير؛ بل يُظهر كيف يمكن لـ الرؤية الحاسوبية توفير أدلة مرئية منظمة لنظام استدلال على مستوى المفاهيم. يمكن للفرق استخدام Ultralytics Platform لتعليق مجموعات البيانات المرئية، وتدريب النماذج، ونشرها، ومراقبة مكونات الإدراك هذه.

الفوائد، والقيود، والتقييم#

يمكن أن تكون التسلسلات على مستوى المفاهيم أقصر من تسلسلات الرموز، وتدعم نقل المعرفة عبر اللغات، وتفصل التخطيط الدلالي عن الصياغة السطحية. ومع ذلك، فإن ضغط جملة في متجه واحد قد يتخلص من الأسماء، أو الأرقام، أو النفي، أو التفاصيل المكانية، أو المؤهلات الدقيقة. يمكن أن تؤدي أخطاء فك التشفير أيضًا إلى إنتاج لغة بليغة لا تتطابق بدقة مع المفهوم المتوقع.

لذلك يجب أن يختبر التقييم العملي الجودة الدلالية ودقة الإخراج النهائي. يجب على الفرق قياس الاتساق متعدد اللغات، والحفاظ على الحقائق، والتماسك عبر السياقات الطويلة، وزمن الوصول، والسلوك على المدخلات الغامضة. يجب أن تتبع عمليات النشر عالية التأثير أيضًا عملية حوكمة منظمة مثل إطار عمل إدارة مخاطر الذكاء الاصطناعي من NIST، مع المراجعة البشرية والمراقبة المناسبة للتطبيق.