مقدمة إلى الضبط الدقيق في التعلم الآلي

نظرًا إلى أن الذكاء الاصطناعي يصبح أفيد للشركات مع تولي وكلاء الذكاء الاصطناعي على وجه الخصوص مهام سير عمل أكثر تعقيدًا، يصبح الضبط الدقيق بالذكاء الاصطناعي جزءًا مهمًا من القصة. يمكن لهؤلاء الوكلاء الإجابة عن الأسئلة المتعلقة بالبيانات واتخاذ الإجراءات نيابة عنا—في كتابة التعليمات البرمجية وإدارة التقويمات وتقديم الرؤى التحليلية وغير ذلك الكثير. على طول الطريق، يتعين على نماذج الذكاء الاصطناعي العمل معًا للتحقيق في مخازن البيانات والمستندات، وجَمع المعلومات، والتحقق من دقتها، وتشغيل الإجراءات الصحيحة، والتواصل بها. تصبح نماذج الذكاء الاصطناعي المُتطورة المعنية على دراية جيدة بالأنماط العامة للغة، لكنها تحتاج أيضًا إلى التحسين في مجالات محددة باستخدام لغتها الخاصة وقاعدة معارفها والمزيد. كيف يمكن لعملية الضبط الدقيق مساعدة نموذج الذكاء الاصطناعي، ووكلاء الذكاء الاصطناعي المستقبليين في الوصول إلى الفروق الدقيقة والتفاصيل على الفور؟ نستكشف جوانب الضبط الدقيق لنموذج الذكاء الاصطناعي أدناه.

ما المقصود بالضبط الدقيق؟

يمثل الضبط الدقيق لنموذج الذكاء الاصطناعي العملية التي يستخدمها علماء البيانات ومهندسو التعلم الآلي (ML) لتكييف نموذج تعلم آلي مُدرب على أداء مهمة محددة بشكل أفضل. على سبيل المثال يمكن استخدام الضبط الدقيق لأخذ نموذج لغة كبير للأغراض العامة (LLM)، مثل نموذج Command من Cohere أو Llama 2 من Meta، وجعله أكثر ارتباطًا في بيئة الرعاية الصحية أو دور خدمة العملاء.

يتم تدريب هذه النماذج ذات الأغراض العامة، والتي تسمى أحيانًا "نماذج الأساس" على مجموعات بيانات عامة كبيرة—مثل البيانات من الإنترنت المفتوح بالكامل تقريبًا. يساعدها هذا في التعرُّف على مجموعة واسعة من الميزات والأنماط وفهمها. فبعضها يتعامل بشكل جيد مع اللغة، والبعض الآخر يمكنه التعرُّف على البيانات متعددة الوسائط ومعالجتها، مثل الصور والفيديو والصوت والنص.

يأخذ الضبط الدقيق هذا النموذج المُتطور ويواصل تدريبه على مجموعة بيانات أصغر مستمدة من مهمة أو مجال عمل معين. يعطي هذا النموذج فهمًا للتصنيف والسياق وحتى المعرفة المُتخصصة في هذا المجال.

تتمثل الفكرة في الحفاظ على المعرفة الواسعة من نظام التدريب الأصلي للنموذج مع منحه فهمًا أفضل للفروق الدقيقة والتفاصيل في المجال الذي يعمل فيه نموذج الذكاء الاصطناعي. على سبيل المثال، يمكن ضبط نموذج الذكاء الاصطناعي للأغراض العامة بشكل دقيق لقراءة التصوير التشخيصي الطبي ومناقشته، أو يمكن ضبط روبوت محادثة قائم على LLM بشكل دقيق ليصبح أكثر طلاقة في اللهجات المحلية لتحسين دوره في خدمة العملاء. يعتمد السباق في بناء وكلاء الذكاء الاصطناعي أصحاب القدرات العالية داخل مجموعة واسعة من المجالات غالبًا على النماذج المضبوطة بشكل دقيق. فيما يلي مناقشة أعمق لأساليب الضبط الدقيق وآلياته.

النقاط الرئيسة

• يمثل الضبط الدقيق للذكاء الاصطناعي عملية تدريب نموذج الذكاء الاصطناعي للأغراض العامة لمنحه المزيد من السياق والمعرفة لمهمة محددة، مثل تحليل المشاعر وإنشاء اللغة واكتشاف الصور والعديد من أحمال العمل الأخرى.
• يمثل الضبط الدقيق واحد من عدة طرق لتحسين مخرجات LLM للتطبيقات، بما في ذلك وكلاء الذكاء الاصطناعي.
• يلزم توفر مجموعات بيانات تدريب أصغر بكثير للضبط الدقيق مقابل تدريب نموذج الذكاء الاصطناعي من البداية.
• بعد الضبط الدقيق، يمكن أن يكون نموذج الذكاء الاصطناعي إلمامًا وأدق في مجال معين، مثل الطب أو التصنيع أو خدمة العملاء.

مزايا الضبط الدقيق وتحدياته

تتمثل إحدى التحديات الرئيسة التي تواجه الفِرق عند إجراء الضبط الدقيق للذكاء الاصطناعي في توافر بيانات عالية الجودة ومُصنفة ذات صلة بحالات استخدامها—كما قد يكون الحصول على هذه البيانات أو إنشاؤها مُكلفًا ويستغرق وقتًا طويلاً. على سبيل المثال، يمكن أن يعني تصنيف البيانات ساعات من ملاحظة جوانب في الصور التي يجب أن يتعلم الذكاء الاصطناعي التعرُّف عليها، أو تصنيف أقسام من النص لتمييز المعلومات الرئيسة. مع ذلك، يوفر الضبط الدقيق مزايا مُقنعة تجعله تقنية بالغة الأهمية في تطوير الذكاء الاصطناعي الحديث. دعونا ننظر في بعض الإيجابيات والسلبيات.

الإيجابيات

• توفير الوقت والمال مقابل تدريب نموذج الذكاء الاصطناعي من البداية: يوفر الضبط الدقيق لنموذج الأساس العديد من المزايا، بما في ذلك تقليل وقت التدريب بشكل كبير وخفض التكاليف الحسابية، إذ إن نماذج الأساس حصلت بالفعل على تدريب عام واسع النطاق وتحتاج إلى وقت وموارد أقل للتكيف مع مهمة جديدة. بالإضافة إلى ذلك، يمكن أن يكون الضبط الدقيق فعالاً حتى مع مجموعات البيانات الأصغر الخاصة بالمهام، والتي يمكن أن تقلل من الوقت والتكلفة المرتبطين بجمع البيانات والمعالجة المُسبقة. كما يمكن أن يؤدي انخفاض وقت التدريب والمتطلبات الحسابية للضبط الدقيق إلى انخفاض استهلاك الطاقة، وهو ما يقلل التكاليف.
• توفير أداءً أفضل لمهام محددة: يمكن أن تؤدي نماذج الأساس للضبط الدقيق إلى تحسين الدقة وتحقيق تقارب أسرع، مع أن يصبح التقارب هو النقطة التي يصبح فيها معدل خطأ نموذج التعلم الآلي ثابتًا، مما يشير إلى أنه لن يستمر في تحسين دقته من خلال المزيد من التدريب على نفس مجموعة البيانات. يمكن تكييف نماذج الأساس بسرعة مع الفروق الدقيقة في مهمة جديدة باستخدام بيانات أقل وتكرارات تدريب أقل. يساعد هذا المزيج من المعرفة العامة والتعلم الخاص بالمهام النموذج على الأداء الجيد عندما يقابل بيانات جديدة.

السلبيات

• التجهيز الزائد: يحدث التجهيز الزائد في الضبط الدقيق للذكاء الاصطناعي عندما تكون جولات التدريب على البيانات الجديدة شاملة للغاية وينتهي بها المطاف إلى تجاوز الطبقات التي تساعد النموذج بالمعرفة العامة. تُعد هذه المعرفة العامة والمرونة اللغوية لنموذج الأساس أمرًا بالغ الأهمية لمساعدته في الأداء بشكل جيد عندما يقابل بيانات جديدة. مع التجهيز الزائد، يبدأ النموذج في حفظ بيانات التدريب بدلاً من تعلم الأنماط الأساسية التي تمكنه من التعميم حتى يتمكن من التعامل مع أمثلة جديدة.
• التكلفة: يمكن أن تكون الموارد الحسابية والخبرة المطلوبة لضبط نماذج الذكاء الاصطناعي مُكلفة. تعتمد العملية على وحدات معالجة الرسومات (GPU) عالية الأداء أو وحدات معالجة TPU (وحدات معالجة الموتر)، والتي قد تكون مُكلفة للشراء أو الإيجار من موفر خدمة سحابية. قد يكون من المُكلف أيضًا توظيف الخبراء اللازمين في التعلم الآلي ومعالجة اللغة الطبيعية.
• الوقت: يمكن أن يستغرق الضبط الدقيق وقتًا طويلاً بطريقتين. أولاً، وجود وقت لإعداد البيانات، والتي يمكن أن تشمل جَمع البيانات وتنقيحها والتعليق عليها وتنسيقها. بمجرد بدء عملية الضبط الدقيق، يمكن أن يستغرق الضبط الدقيق ساعات أو أيام أو حتى أسابيع، اعتمادًا على حجم المهمة وتعقيدها. يُترجَم المزيد من الوقت إلى تكاليف أعلى لوقت الحوسبة.

طريقة عمل الضبط الدقيق

يعمل الضبط الدقيق بالذكاء الاصطناعي باستخدام النماذج الحالية باعتبارها نقاط بداية. تتوفر نماذج الأساس هذه، مثل Llama 2 من Meta أو Cohere's Command عادةً من موفري السحابة. تقدم العديد من المؤسسات نماذج أخرى إلى منصات علوم البيانات لديها من المستودعات المركزية، مثل Hugging Face وTensorFlow Hub وPyTorch Hub التي تستضيف نماذج التعلم الآلي المُدربة مُسبقًا.

البدء باستخدام نموذج تم تدريبه مُسبقًا

اختر نموذجًا مُناسبًا تمامًا لمهمتك، سواء لتصنيف النص، أو تحليل المشاعر، أو الإجابة على الأسئلة، أو كتابة المقالات، أو إنشاء التعليمات البرمجية، أو اكتشاف الكائنات، أو أي وظيفة أخرى تتطلب الذكاء الاصطناعي أو التعلم الآلي.

يتطلب الضبط الدقيق لنموذج الذكاء الاصطناعي ثلاثة مكونات رئيسة: مجموعة من البيانات المُنسقة بشكل صحيح، ونموذج الأساس الصحيح، والبنية التحتية التي توفِّر الشبكات العصبية للتعلم العميق ووحدات معالجة الرسومات (GPU) لتشغيل نظام التدريب. يتم غالبًا تجميع هذه الموارد في منصة لعلوم البيانات أو مؤخرًا في خدمة سحابية للذكاء الاصطناعي التوليدي.

كما يحدث غالبًا مع التكنولوجيا، صارت عملية الضبط الدقيق للذكاء الاصطناعي أسهل بمرور الوقت بفضل الأدوات الجديدة وخدمات البنية التحتية من المشروعات مفتوحة المصدر وفِرق تطوير لدى موفري الخدمة السحابية. تساعد هذه الأدوات والخدمات في أتمتة الضبط الدقيق—بما في ذلك المهام المُعقدة التي نناقشها، مثل تحسين المعلمات الفائقة واختيار النماذج والمعالجة المُسبقة للبيانات. يجعل هذا العملية أسهل لغير الخبراء.

في الواقع، لاحظ مراقبو الصناعة أن الأدوات أصبحت جيدة جدًا في تجريد التفاصيل الدقيقة بعلوم البيانات من الضبط الدقيق لدرجة أن الجزء الأصعب الآن، هو جمع أفضل مجموعة بيانات ممكنة وتنسيقها. كما توجد أيضًا مكتبات للبيانات الجاهزة لمختلف المجالات، مثل الرعاية الصحية والإدارة المالية والإمكانات، مثل رؤية الكمبيوتر أو تحليل المشاعر أو الكشف عن أوجه الخلل. في الواقع، إن الاتجاه المتزايد هو استخدام نموذج لحالة الاستخدام لديك التي تم ضبطها بالفعل لهذه المهمة باستخدام تلك المكتبات. من تلك النقطة، قد تزيد المؤسسة من الضبط باستخدام مجموعة بيانات أصغر، وربما تستخدم بنية التوليد المعزز بالاسترجاع أو RAG، لزيادة تحسين مخرجات الذكاء الاصطناعي.

وجدت الشركات طُرقًا لدعم أساليب الضبط الدقيق التقليدية باستخدام تقنية تسمى التعلم المعزز. يسمح هذا لنماذج الذكاء الاصطناعي بالتعلم من خلال التجربة والخطأ والتحسين الذاتي بدلاً من استخدام عملية مُنفصلة من تصنيف مجموعة البيانات والضبط الدقيق الخاضع إلى الإشراف.

طريقة ضبط نموذج الذكاء الاصطناعي بدقة في أربع خطوات

1. استخدام نموذج تم تدريبه مُسبقًا: تتمثل الخطوة الأولى في تحديد نموذج أساس مناسب للمهمة. توجد نماذج شائعة لمعالجة اللغة الطبيعية، ورؤية الكمبيوتر، وإنشاء النصوص، وغيرها من المجالات.

2. إضافة بيانات جديدة: بعد ذلك، جَمع مجموعة بيانات خاصة بالمهمة وإعدادها. قد تتكون هذه من مراجعات العملاء المُصنفة أو عينة من الأسئلة والإجابات في المجال الذي يهدف نموذجك إلى معالجته.

3. الضبط: تتمثل الخطوة الثالثة في ضبط النموذج حسب الحاجة. قد تتضمن التعديلات تجميد الطبقات للحفاظ على التعلم السابق للنموذج؛ وضبط معدل التعلم والذي يمكن أن يساعد أيضًا في الحفاظ على المعرفة الحالية للنموذج؛ وإضافة طبقات يتم فيها تعلم مهام جديدة تمامًا، مثل طبقة تصنيف لتصنيف النصوص أو طبقة انحدار للتنبؤات.

4. تدريب النموذج: تتضمن هذه العملية تغذية البيانات الجديدة من خلال النموذج وتحديث معلمات النموذج. يكمُن الهدف في تحسين أداء النموذج لمهمتك مع الحفاظ على المعرفة العامة من تدريبها الأولي.

التقنيات والأساليب في الضبط الدقيق

عند ضبط نموذج بشكل دقيق، توجد مجموعة من التقنيات المُتاحة للاختيار من بينها. يكون القرار الأول هو في إذا كنت بحاجة إلى ضبط دقيق كامل أم انتقائي.

الضبط الدقيق الكامل

يمثل الضبط الدقيق الكامل عملية يتم فيها تحديث جميع طبقات ومعلمات النموذج التأسيسي أثناء عملية التدريب. يكون هذا خيار جيد عندما يكون لديك مجموعة بيانات كبيرة ومُتنوعة يمكنها تحديث معلمات النموذج بشكل كافٍ دون خطر التجهيز الزائد.

الضبط الدقيق الانتقائي

يتضمن الضبط الدقيق الانتقائي تحديث مجموعة فرعية فحسب من طبقات النموذج أو معلماته باستخدام مجموعة بيانات أصغر. إن هذه الطريقة جيدة للحفاظ على المعرفة العامة لنموذج الأساس وخَفض الوقت وتكلفة حساب نظام التدريب. فيما يلي أمثلة حول تقنيات الضبط الدقيق الانتقائي.

• زيادة البيانات: يتضمن هذا إنشاء بيانات تدريب إضافية من مجموعة بياناتك الحالية بتطبيق التحويلات. بالنسبة إلى الصور، قد تتضمن التحويلات التدوير، ضبط النطاق، الاقتصاص، أو إضافة ضجيج عليها. يمكن أن يؤدي هذا إلى تحسين أداء الضبط عندما تكون مجموعة البيانات الخاصة بالمهمة صغيرة.
• الإيقاف المبكر: يتم استخدام هذا الأسلوب لمراقبة التدريب وإيقافه عند توقف تحسُّن الأداء لمجموعة تحقق. يساعد هذا في تحقيق الكفاءة ويمكن أن يساعد في منع التجهيز الزائد.
• أساليب التجميع: يجمع هذا الأسلوب بين العديد من النماذج المضبوطة بدقة في محاولة لتقليل التباين في مخرجات النموذج.
• الضبط الدقيق لطبقات محددة: تجعل هذه التقنية الضبط الدقيق أكفأ من خلال ضبط الطبقات السطحية فحسب لشبكة عصبية عميقة أثناء تأمين الطبقات العميقة أو تجميدها.
• ضبط المعلمات الفائقة: يتضمن هذا تقنيات مُختلفة لتعديل ميزات عملية الضبط الدقيق، مثل معدل التعلم أو حجم الدفعة.
• تجميد الطبقة: يتم في هذه المرحلة تأمين الطبقات الموجودة في نموذج الأساس المسؤولة عن الفهم الأساس والعام. يساعد هذا في منع التجهيز الزائد، إذ أن النموذج حفظ بيانات التدريب بشكل أساس بدلاً من تعلم أنماط قابلة للتعميم تسمح له بمعالجة البيانات الجديدة بشكل صحيح.
• جدولة معدل التعلم: يمكن أن يسمح معدل التعلم الأبطأ بإجراء تعديلات أدق ومحددة على معلمات نموذج الأساس. تقلل العملية تدريجيًا من معدل التعلم، أو حجم الخطوة، مع مرور الوقت، مما يساعد النموذج على تعلم مواد جديدة بشكل أكثر فعالية من خلال اتخاذ خطوات أصغر مع اقترابه إلى الحل الأمثل.
• تقنيات التنظيم: تُستخدم هذه التقنيات بشكل خاص لمنع التجهيز الزائد.
• نقل التعلم: يتضمن هذا المزيد من التدريب على نموذج أساس على مجموعة بيانات أصغر خاصة بمهمة معينة.

الضبط الدقيق مقابل التدريب من البداية

في بعض حالات الاستخدام، من المنطقي تصميم نموذج الذكاء الاصطناعي وتدريبه من البداية. مع ذلك، في معظم الحالات يمكن للمؤسسة الحصول على النتيجة المرجوة من خلال ضبط نموذج الأساس بدقة.

يمكن أن يكون تدريب نموذج الذكاء الاصطناعي من البداية الخيار الأفضل في بعض الحالات. إن أحد الأمثلة على ذلك هو عندما يكون المجال الذي تعمل فيه دقيقًا للغاية، مثل تطبيق طبي مُتخصص مع بيانات مصورة مُحددة جدًا. يتطلب التدريب من البداية تجميع مجموعة بيانات كبيرة وتشغيل جولات طويلة من التدريب على البنية التحتية الخاصة بالذكاء الاصطناعي. قد يكون هذا مُكلفًا، مما يتطلب وجود ما يصل إلى آلاف من وحدات GPU وملايين الدولارات. كما أنها مهمة تحتاج إلى خبرة علماء البيانات ومهندسي التعلم الآلي.

من ناحية أخرى، يتضمن الضبط الدقيق لنموذج الذكاء الاصطناعي أخذ نموذج أساس وتكييفه مع مهمة مُحددة باستخدام مجموعة بيانات أصغر خاصة بالمهمة. تكون غالبًا هذه العملية أسرع وأكفأ لأن النموذج يبدأ بأساس قوي في اللغة والمعرفة العامة ولا يحتاج سوى إلى التكيف مع الفروق الدقيقة في المهمة الجديدة. يمكن أن يُحسِّن هذا من أداء نموذج الذكاء الاصطناعي لتلبية احتياجاتك من خلال تقليل تجميع العمل وإعداد البيانات والعديد من جولات التدريب الأقل مقابل التدريب من البداية. راجع المزيد حول مزايا الضبط الدقيق أدناه.

حالات الاستخدام الشائعة للضبط الدقيق

تُعد مجموعة واسعة من الشركات عبر الصناعات، بدايةً من الشركات الناشئة ووصولاً إلى الشركات متعددة الجنسيات نماذج ضبط دقيق تم تدريبها مُسبقًا. في الواقع، صارت ممارسة قياسية لأي مؤسسة تتطلع إلى استخدام الذكاء الاصطناعي لأنها تتيح لها نشر أنظمة مُصممة خصيصًا لتلبية احتياجاتها الخاصة دون استثمار ضخم مطلوب لتدريب النماذج على نطاق واسع. فيما يلي بعض أمثلة حول حالات الاستخدام.

أمثلة واقعية

تقدم المؤسسات التي تعمل في الإدارة المالية والخدمات اللوجستية والرعاية الصحية والعديد من المجالات الأخرى الذكاء الاصطناعي التوليدي المُضبط بشكل دقيق لعملياتها اليومية. تساعدك هذه القُصص الواقعية في استكشاف مجموعة واسعة من حالات الاستخدام المباشر. فيما يلي ثلاثة أمثلة مُحددة:

• دعم العملاء: نفذت شركة حلول السلامة الصناعية أداة مدعومة بالذكاء الاصطناعي التي حسَّنت من عمليات دعم العملاء على الفور. يستخدم الفريق نموذج Command R+ LLM من Cohere المضبوط بشكل دقيق لمعالجة استفسارات العملاء وإنشاء ردود دقيقة.
• الرعاية الصحية: يستخدم باحثو الجامعة الذكاء الاصطناعي لإلقاء نظرة أعمق على بيانات المرضى للمساعدة في تصميم علاجات جديدة للسرطان. يستخدمون البنية التحتية للسحابة لاستضافة نماذج LLM وتشغيلها وضبطها على نطاق واسع بشكل دقيق.
• صناعة الخدمات: تضبط شركة الذكاء الاصطناعي التطبيقي في البرازيل نماذج اللغة الكبيرة بشكل دقيق للمساعدة في علاج الذاكرة، وهو علاج نفسي مُثبت الكفاءة يساعد المرضى الذين يعانون من التدهور الإداركي.

التالي في الضبط الدقيق

يتطور الضبط الدقيق بالذكاء الاصطناعي بسرعة، خاصةً وأن المزيد من وكلاء الذكاء الاصطناعي يعتمدون على النماذج المضبوطة بشكل دقيق. يَعد المستقبل بمزيد من الأتمتة والتقنيات الجديدة ومجموعة أوسع من خيارات النماذج التي يمكن أن تساعد المؤسسات في تكييف نماذج الذكاء الاصطناعي مع احتياجاتها.

تتضمن هذه الابتكارات خدمات تعلم آلي مُحسنة تؤتمت الضبط الدقيق، بما في ذلك تحسين المعلمات الفائقة واختيار النماذج والمعالجة المُسبقة للبيانات. نتوقع أن تساعد تقنيات زيادة البيانات المراعية للسياق النموذج على تعلم المزيد من الميزات ذات الصلة بسرعة أكبر، ويسمح التعلم الديناميكي للنموذج بتعديل معدل التعلم الخاص به بسرعة. وابحث عن أدوات إنشاء نماذج التعلم الآلي والأساس لمواصلة إصدار نماذج أكثر تنوعًا وقوة يمكنها نقل المعرفة عبر أساليب مختلفة ويمكن ضبطها لأداء المهام التي تتطلب فهم أنواع متعددة من البيانات. إن الحيلة في إنشاء بنية تحتية للبيانات متعددة الاستخدامات بما يكفي للاستفادة من هذه الابتكارات الجديدة عند وصولها.

تحسين نماذج الذكاء الاصطناعي لديك باستخدام حلول الذكاء الاصطناعي التوليدي

هل تعلم أن البنية التحتية من Oracle Cloud (OCI) تمنحك الوصول إلى ما تحتاجه لضبط نماذج التعلم الآلي والأساس؟ توفر Oracle البنية التحتية المادية والبنية التحتية لمعالجة البيانات ومنصة علوم البيانات وخدمات الذكاء الاصطناعي التوليدي في خدمات مُدارة بالكامل. على سبيل المثال، توفر خدمة الذكاء الاصطناعي التوليدي من OCI تكاملاً بسيطًا وسَلسًا مع نماذج اللغات الكبيرة متعددة الاستخدامات في خدمة سهلة الاستخدام. استخدمها للضبط الدقيق للنماذج لمجموعة واسعة من حالات الاستخدام، بما في ذلك المساعدة في الكتابة والتلخيص والتحليل والمحادثة.

في الوقت نفسه، يمكن لعلماء البيانات ومهندسي التعلم الآلي الاستفادة من منصة علوم البيانات من Oracle للتعاون على إنشاء نماذج التعلم الآلي والتدريب عليها ونشرها باستخدام Python والأدوات مفتوحة المصدر. توفر البيئة المستندة إلى واجهة JupyterLab جميع الموارد اللازمة لتجربة النماذج وتطويرها وتوسيع نطاق التدريب على النماذج باستخدام وحدات GPU من NVIDIA والتدريب الموزَّع. إنتاج النماذج والحفاظ على سلامتها باستخدام إمكانات عمليات تعلُّم الآلة، مثل المسارات المؤتمتة وعمليات نشر النماذج ومراقبة النماذج.

الأسئلة الشائعة حول الضبط الدقيق

كيف يختلف الضبط الدقيق عن الأنواع الأخرى من تدريب النماذج؟

يختلف الضبط الدقيق لنماذج الذكاء الاصطناعي عن تدريب نماذج الذكاء الاصطناعي من البداية. إنها عملية إضافة جولات من التدريب إلى نموذج أساس مُتطور، مما يؤدي إلى مخرجات أكثر صلة بالسياق في مهمة محددة. يتطلب الضبط الدقيق غالبًا بيانات أقل وأقل استهلاكًا للوقت ومُكلفًا عن إنشاء نموذج من البداية وتدريبه.

هل يمكن استخدام الضبط الدقيق مع أي نوع من النماذج؟

يمكن استخدام الضبط الدقيق للذكاء الاصطناعي مع نماذج الأساس في مجموعة واسعة من حالات الاستخدام، سواء ذلك التعرُّف على الصور أو تصنيف النصوص أو إنشاء اللغة أو المخرجات الصوتية أو المخرجات الأخرى.