تعرف على كيفية توفير المخرجات المنظمة لبيانات الذكاء الاصطناعي القابلة للقراءة آليًّا. استكشف تطبيق المخططات ومهام الرؤية باستخدام Ultralytics على Ultralytics .
تشير "المخرجات المنظمة" إلى منهجية في مجال الذكاء الاصطناعي يتم فيها فرض التزام استجابات النموذج بشكل صارم بصيغة بيانات محددة مسبقًا، وعادةً ما تكون مخطط JSON. في نماذج اللغة الكبيرة (LLMs) التقليدية، يعتمد توليد النص على التنبؤ الاحتمالي بالرموز، مما ينتج عنه غالبًا نص غير منظم وحر الشكل. من خلال استخدام المخرجات المنظمة، يمكن للمطورين ضمان أن يعرض نظام الذكاء الاصطناعي بيانات قابلة للقراءة آليًا ويمكن التنبؤ بها، مما يلغي الحاجة إلى نصوص برمجية تحليلية هشة ومعالجة معقدة للأخطاء.
في حين أن الإصدارات الأولى من الذكاء الاصطناعي التوليدي كانت توفر "وضع JSON" أساسي، إلا أن هذا كان يضمن فقط صحة تنسيق JSON للناتج دون ضمان احتوائه على المفاتيح المحددة أو أنواع البيانات المطلوبة. تحل المخرجات المنظمة هذه المشكلة من خلال تقنية تسمى فك التشفير المقيد. أثناء التوليد، يقوم محرك الاستدلال بتصفية مفردات النموذج في كل خطوة، وإخفاء الرموز التي قد تنتهك المخطط الذي قدمه المطور. وهذا يضمن الامتثال التام للمخطط.
يرتبط مفهوم استدعاء الوظائف (استخدام الأدوات) ارتباطًا وثيقًا بهذه المنهجية. وفي حين أن استدعاء الوظائف يتيح للنماذج تحديد متى يتم تنفيذ أداة خارجية، إلا أنه يعتمد كليًا على المخرجات المنظمة لملء المعلمات المطلوبة للأداة بدقة دون حدوث أخطاء.
في الفترة ما بين عامي 2024 و2025، جعلت كبرى شركات توفير خدمات الذكاء الاصطناعي "المخرجات المنظمة" ميزة أصلية في أنظمتها بهدف تحسين موثوقية أنظمة المؤسسات. على سبيل المثال، تتيح واجهة برمجة تطبيقات المخرجات المنظمة من OpenAI للمطورين تحديد مخططات صارمة باستخدام Pydantic في Python Zod في JavaScript. وبالمثل، تدعم المخرجات المنظمةAnthropic ClaudeAnthropic وأدوات المخرجات المنظمةGoogle الآن تطبيق المخططات الصارمة للمطالبات المعقدة.
كما تستفيد النظم البيئية مفتوحة المصدر من أطر عمل مثل vLLM و Outlines لتوفير منهجيات فك التشفير المقيدة للنماذج المخصصة التي تم إنشاؤها باستخدام PyTorch.
يؤدي تطبيق "المخرجات المنظمة" إلى تحويل ردود الذكاء الاصطناعي الغامضة إلى بيانات نمذجة تنبؤية قابلة للتطبيق. وتشمل حالات الاستخدام الرئيسية ما يلي:
على الرغم من أن المخرجات المنظمة موضوع نقاش واسع في مجال معالجة اللغة الطبيعية، إلا أنها تمثل المبدأ التشغيلي الأساسي للرؤية الحاسوبية. لا تنتج نماذج الرؤية نصًا حرًا؛ بل تنتج أصلاً متجهات منظمة للغاية تمثل الإحداثيات والفئات ودرجات الثقة . على سبيل المثال، تقوم النماذج المتطورة مثل Ultralytics بتقييم الصورة وإرجاع بيانات مكانية منسقة بدقة، وهو أمر مثالي لنشر النموذج بسلاسة في بيئات الحافة ذات زمن الوصول المنخفض.
يوضح المقتطف التالي مدى سهولة استخراج البيانات المنظمة
اكتشاف الأجسام النتائج باستخدام
ultralytics الحزمة:
from ultralytics import YOLO
# Load the recommended Ultralytics YOLO26 model
model = YOLO("yolo26n.pt")
# Perform inference to generate structured visual data
results = model("image.jpg")
# The model strictly outputs structured bounding box objects
for box in results[0].boxes:
print(f"Class ID: {box.cls}, Confidence: {box.conf}, Coordinates: {box.xyxy}")
من خلال سد الفجوة بين منطق الذكاء الاصطناعي الاحتمالي ومتطلبات البرمجيات الحتمية، تُعد المخرجات المنظمة عنصرًا أساسيًا في بناء أنظمة قابلة للتوسع وجاهزة للإنتاج على Ultralytics وما بعدها.
ابدأ رحلتك مع مستقبل تعلم الآلة
