Prompt Tuning

ضبط المُوجهات (Prompt tuning) هو تقنية تتسم بالكفاءة في استخدام الموارد وتُستخدم لتكييف النماذج الأساسية المُدرَّبة مسبقاً مع مهام لاحقة مُحدَّدة دون التكلفة الحسابية لإعادة تدريب الشبكة بأكملها. على عكس الضبط الدقيق التقليدي، الذي يُحدث جميع أو معظم معاملات النموذج، يقوم ضبط المُوجهات بتجميد أوزان النموذج المُدرَّب مسبقاً وتحسين مجموعة صغرى فقط من المتجهات القابلة للتعلم — والتي تسمى "المُوجهات اللينة" (soft prompts) — والتي تتم إضافتها مسبقاً إلى بيانات الإدخال. يتيح هذا النهج لـ عصب أساسي واحد وضخم خدمة تطبيقات متخصصة متعددة في نفس الوقت، مما يقلل بشكل كبير من متطلبات التخزين وتكاليف تبديل وقت استجابة الاستدلال.

آليات ضبط الموجه#

في سير عمل التعلم الآلي (ML) القياسي، يتم تحويل المدخلات مثل النص أو الصور إلى تمثيلات عددية تُعرف باسم المتجهات المضمنة (Embeddings). يقوم ضبط المُوجهات بإدراج متجهات تضمين إضافية قابلة للتدريب في تسلسل الإدخال هذا. خلال مرحلة التدريب، يستخدم النظام الانتشار العكسي لحساب التدرجات، ولكن خوارزمية التحسين تُحدث فقط قيم المُوجهات اللينة، تاركة هيكل النموذج الضخم دونمساس.

هذه الطريقة هي شكل من أشكال الضبط الدقيق الفعال من حيث المعاملات (PEFT). من خلال تعلم هذه المتجهات المستمرة، يتم "توجه" النموذج نحو المخرجات المطلوبة. وفي حين نشأ هذا المفهُوم في مجال معالجة اللغات الطبيعية (NLP)، فقد تم تكييفه بنجاح لمهام الرؤية الحاسوبية (CV)، وغالباً ما يُشار إليه باسم ضبط المُوجهات البصرية (VPT).

التمييز بين المفاهيم ذات الصلة#

لفهم فائدة ضبط الموجه، من الضروري التمييز بينه وبين المصطلحات المشابهة في مشهد الذكاء الاصطناعي:

• هندسة المُوجهات (Prompt Engineering): تتضمن هذه العملية الصياغة اليدوية لتعليمات نصية مفهومة للبشر (موجهات صلبة) لتوجيه نموذج الذكاء الاصطناعي التوليدي. ولا يتطلب ذلك أي برمجة أو تدريب. وعلى العكس من ذلك، يستخدم ضبط المُوجهات التعلم المُشرف عليه الآلي لإيجاد تضمينات عددية مُثلى قد لا تتطابق مع كلمات اللغة الطبيعية.
• الضبط الدقيق الكامل: تُحدث الطرق التقليدية الشبكة العصبيّة بأكملها، مما يؤدي غالباً إلى "النسيان الكارثي" للتدريب الأصلي. يحافظ ضبط المُوجهات على القدرات الأصلية للنموذج، مما يسهل الاستفادة من التعلم المنقول عبر المهام غير المرتبطة.
• التعلم قليل الأمثلة (Few-Shot Learning): يشير هذا عادةً إلى توفير أمثلة قليلة في نافذة السياق لنموذج LLM. ويختلف ضبط المُوجهات لأنه يتعلم بشكل دائم معاملات يتم حفظها وإعادة استخدامها، بدلاً من توفير سياق مؤقت فقط.

تطبيقات العالم الحقيقي#

يُمكِّن ضبط المُوجهات من نشر الذكاء الاصطناعي القابل للتوسيع في البيئات المحدودة الموارد، وهو مبدأ أساسي تتشاركه منصة Ultralytics لإدارة النماذج.

1. دعم العملاء متعدد اللغات: يمكن لمؤسسة عالمية استخدام نموذج لغة مركزي ومجمد. من خلال تدريب موجهات لينة خفيفة الوزن للغات الإسبانية واليابانية والألمانية، يمكن للنظام تبديل اللغات فورًا. هذا يتجنب التكلفة الهائلة لاستضافة ثلاثة نماذج منفصلة بحجم جيجابايت، والاعتماد بدلاً من ذلك على ملفات موجهات بحجم كيلوبايت.

2. الذكاء الاصطناعي في الرعاية الصحية: غالباً ما يعاني التصوير الطبي من ندرة البيانات. يمكن للباحثين أخذ عصب رؤية للأغراض العامة (مثل محول الرؤية (Vision Transformer)) واستخدام ضبط المُوجهات لتكييفه للكشف عن شذوذ مُحدد، مثل أمراض الشبكية أو الأورام. يحافظ هذا على خصوصية بيانات المرضى ويسمح بالتكيف السريع مع المعدات الطبية الجديدة دون إعادة تدريب النموذج بالكامل.

مثال على التنفيذ#

يوضح مثال PyTorch التالي المفهوم الميكانيكي الأساسي: تجميد الطبقات الرئيسية للنموذج وإنشاء معامل منفصل وقابل للتدريب (أي "المُوجه اللين") يتم تحسينه للتأثير على المخرجات.

import torch
import torch.nn as nn

# 1. Define a dummy backbone (e.g., a pre-trained layer)
backbone = nn.Linear(10, 5)

# 2. Freeze the backbone weights (crucial for prompt tuning)
for param in backbone.parameters():
    param.requires_grad = False

# 3. Create a 'soft prompt' vector that IS trainable
# This represents the learnable embeddings prepended to inputs
soft_prompt = nn.Parameter(torch.randn(1, 10), requires_grad=True)

# 4. Initialize an optimizer that targets ONLY the soft prompt
optimizer = torch.optim.SGD([soft_prompt], lr=0.1)

# Verify that only the prompt is being trained
trainable_params = sum(p.numel() for p in [soft_prompt] if p.requires_grad)
print(f"Optimizing {trainable_params} parameters (Soft Prompt only)")

الأهمية للذكاء الاصطناعي المتطور (Edge AI) الحديث#

مع نمو النماذج بشكل أكبر، تصبح القدرة على تكييفها بتكلفة منخفضة أمراً بالغ الأهمية. وفي حين أن بنيات مثل YOLO26 مُحسَّنة بالفعل بشكل كبير من أجل الكفاءة، فإن مبادئ تجميد الأعصاب والتكيف الفعال تشكل جوهر مستقبل ذكاء الحافة (Edge AI). تتيح التقنيات المشابهة لضبط المُوجهات للأجهزة ذات الذاكرة المحدودة أداء مهام متنوعة — بدءاً من اكتشاف الكائنات وحتى التجزيء — ببساطة عن طريق تبديل ملفات التكوين الصغيرة بدلاً من إعادة تحميل الشبكات العصبيّة الضخمة.

بالنسبة للمطورين الذين يتطلعون إلى التدريب والنشر بكفاءة، فإن استخدام أدوات مثل منصة Ultralytics يضمن تحسين النماذج لأهداف الأجهزة الخاصة بهم، والاستفادة من أفضل ممارسات MLOps الحديثة.