مقدمة حول الضبط الدقيق في التعلم الآلي

نظرًا إلى أن الذكاء الاصطناعي يصبح أكثر فائدة للشركات ويتولى وكلاء الذكاء الاصطناعي على وجه الخصوص مهام سير عمل أكثر تعقيدًا، كما أن ضبط الذكاء الاصطناعي سيكون جزءًا هامًا من القصة. يمكن لهؤلاء الوكلاء الإجابة عن الأسئلة المتعلقة بالبيانات واتخاذ الإجراءات نيابة عنا - 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، وجمع المعلومات، والتحقق من دقتها، وتشغيل الإجراءات الصحيحة، والتواصل معها. تكون نماذج الذكاء الاصطناعي المتطورة المعنية على دراية جيدة بالأنماط العامة للغة، لكنها تحتاج أيضًا إلى التحسين لمجالات محددة باستخدام لغة خاصة بها وقاعدة معارفها والمزيد. كيف يمكن لعملية الضبط الدقيقة مساعدة نموذج الذكاء الاصطناعي، ووكلاء الذكاء الاصطناعي المستقبليين، في الحصول على الفروق الدقيقة والتفاصيل الصحيحة؟ نستكشف جوانب الضبط الدقيق لنموذج الذكاء الاصطناعي أدناه.

ما المقصود بالضبط الدقيق؟

الضبط الدقيق لنموذج الذكاء الاصطناعي هو العملية التي يستخدمها علماء البيانات ومهندسو التعلم الآلي (ML) لتكييف نموذج تعلم آلي مدرب لأداء أفضل في مهمة محددة. على سبيل المثال، يمكن استخدام الضبط الدقيق لاتخاذ نموذج لغة كبير للأغراض العامة (LLM)، مثل أمر 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 البيانات العامة الكبيرة—مثل البيانات من الإنترنت المفتوح بالكامل تقريبًا. وهذا يساعدهم على تعلم وفهم مجموعة واسعة من الميزات والأنماط. فبعضها يتعامل بشكل جيد مع اللغة، والبعض الآخر يمكنه التعرف على البيانات متعددة الوسائط ومعالجتها، مثل الصور والفيديو والصوت والنص.

يأخذ الضبط الدقيق هذا النموذج المتطور ويواصل تدريبه على مجموعة بيانات أصغر مستمدة من مهمة أو مجال عمل معين. وهذا يعطي النموذج فهمًا للتصنيف والسياق وحتى المعرفة المتخصصة 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 سيعمل فيه نموذج الذكاء الاصطناعي. على سبيل المثال، يمكن ضبط نموذج الذكاء الاصطناعي للأغراض العامة لقراءة التصوير الطبي ومناقشته، أو يمكن ضبط روبوت محادثة قائم على LLM أصبح أكثر طلاقة في اللهجات المحلية لتحسين دوره في خدمة العملاء. يعتمد السباق لبناء وكلاء الذكاء الاصطناعي ذوي القدرات العالية في مجموعة واسعة من المجالات غالبًا على النماذج مضبوطة بشكل دقيق. فيما يلي مناقشة أعمق لأساليب الضبط الدقيق وآلياته.

النقاط الرئيسة

• الضبط الدقيق للذكاء الاصطناعي هو 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.
• الضبط الدقيق هو أحد 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 أكثر وضوحًا ودقة في مجال معين، مثل الطب أو التصنيع أو خدمة العملاء.

مزايا الضبط الدقيق وتحدياته

تتمثل إحدى فرق التحدي الرئيسة التي تواجهها عند إجراء الضبط الدقيق للذكاء الاصطناعي في توافر بيانات عالية الجودة ومصنفة ذات صلة بحالات استخدامها—قد يكون الحصول على هذه البيانات أو إنشاؤها مكلفًا ويستغرق وقتًا طويلاً. على سبيل المثال، يمكن أن تعني بيانات التسمية ساعات من ملاحظة المناطق في الصور التي يجب أن يتعلم الذكاء الاصطناعي التعرف عليها، أو تسمية أقسام من النص لتمييز المعلومات الرئيسية. ومع ذلك، يوفر الضبط الدقيق مزايا جذابة تجعله تقنية بالغة الأهمية في تطوير الذكاء الاصطناعي الحديث. دعونا ننظر إلى بعض الإيجابيات والسلبيات.

إيجابيات

• 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 حصلت نماذج الأساس 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 المسبقة. كما يمكن أن يؤدي انخفاض وقت التدريب والمتطلبات الحسابية للضبط الدقيق إلى انخفاض استهلاك الطاقة، مما يقلل التكاليف.
• توفر أداءً أفضل لمهام محددة: يمكن أن تؤدي نماذج الأساس الضبط الدقيق إلى تحسين الدقة والتقارب الأسرع، مع كون 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 المؤسسة بسرعة مع الفروق الدقيقة في مهمة جديدة مع بيانات أقل وتكرارات تدريب أقل. يساعد هذا المزيج من المعرفة العامة والتعلم الخاص بالمهام النموذج على الأداء الجيد عندما يواجه بيانات جديدة.

سلبيات

• 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. تعد هذه المعرفة العامة والمرونة اللغوية لنموذج الأساس أمرًا بالغ الأهمية لمساعدته على الأداء الجيد عندما يواجه بيانات جديدة. مع التجهيز الزائد، يبدأ النموذج في حفظ بيانات التدريب بدلاً من تعلم الأنماط الأساس التي تمكنه من التعميم حتى يتمكن من التعامل مع أمثلة جديدة.
• التكلفة: يمكن أن تكون الموارد الحسابية والخبرة المطلوبة لضبط نماذج الذكاء الاصطناعي مكلفة. تعتمد العملية على وحدات معالجة الرسومات (GPU) عالية الأداء أو وحدات معالجة TPU (وحدات معالجة المراقب)، والتي قد تكون مكلفة للشراء أو الإيجار من موفر خدمة سحابية. قد يكون من المكلف أيضًا توظيف الخبراء اللازمين في التعلم الآلي ومعالجة اللغة الطبيعية.
• الوقت: يمكن أن يستغرق الضبط الدقيق وقتًا طويلاً بطريقتين. أولاً، يوجد وقت لإعداد البيانات، والذي يمكن أن يشمل جمع البيانات وتنظيفها والتعليق عليها وتنسيقها. بمجرد بدء عملية الضبط الدقيق، يمكن أن يستغرق الضبط الدقيق ساعات أو أيام أو حتى أسابيع، اعتمادًا على حجم المهمة وتعقيدها. يترجم المزيد من الوقت إلى تكاليف أعلى لوقت الحوسبة.

طريقة عمل الضبط الدقيق

يعمل ضبط الذكاء الاصطناعي باستخدام النماذج الحالية كنقاط بداية. تتوفر نماذج الأساس هذه، مثل Llama 2 من Meta أو أمر Cohere، عادةً من موفري السحابة. ستقدم العديد من المؤسسات نماذج أخرى إلى منصات علوم البيانات الخاصة بها من المستودعات المركزية، مثل Hugging Face وTensorFlow Hub وPyTorch Hub، التي تستضيف نماذج التعلم الآلي المدربة مسبقًا.

البدء بنموذج تم تدريبه مسبقًا

اختر نموذجًا مناسبًا تمامًا لمهمتك، سواء كان ذلك تصنيف 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 أساس: مجموعة من البيانات المنسقة بشكل صحيح، ونموذج الأساس الصحيح، والبنية التحتية التي توفر الشبكات العصبية للتعلم العميق ووحدات معالجة الرسومات (GPU) لتشغيل نظام التدريب. غالبًا ما يتم تجميع هذه الموارد في منصة لعلوم البيانات أو، مؤخرًا في خدمة سحابية للذكاء الاصطناعي التوليدي.

كما يحدث غالبًا مع التكنولوجيا، أصبحت عملية الضبط الدقيق للذكاء الاصطناعي أسهل بمرور الوقت، بفضل الأدوات الجديدة وخدمات البنية التحتية من المشروعات مفتوحة المصدر وفرق تطوير موفري السحابة. تساعد هذه الأدوات والخدمات على أتمتة الضبط الدقيق—بما في ذلك المهام المعقدة التي سنناقشها، مثل تحسين المعاملات الفائقة واختيار النماذج والمعالجة المسبقة للبيانات. وهذا يجعل العملية أكثر سهولة لغير الخبراء.

في الواقع، لاحظ مراقبو الصناعة أن الأدوات أصبحت جيدة جدًا في تجريد علوم البيانات من الضبط الدقيق لدرجة أن الجزء الأصعب هو الآن جمع وتنسيق أفضل مجموعة بيانات ممكنة. هنا أيضًا، توجد مكتبات للبيانات الجاهزة لمختلف المجالات، مثل الرعاية الصحية والتمويل والإمكانات، مثل رؤية الكمبيوتر أو تحليل المشاعر أو الكشف عن أوجه الخلل. في الواقع، الاتجاه المتزايد هو استخدام نموذج لحالة الاستخدام الخاصة بك التي تم ضبطها بالفعل بطريقة دقيقة لهذه المهمة باستخدام هذه المكتبات. من تلك النقطة، قد تضبط المؤسسة بشكل أكبر باستخدام مجموعة بيانات أصغر، وربما تستخدم بنية الإنشاء المعزز للاستعادة، أو RAG، لزيادة تحسين مخرجات الذكاء الاصطناعي.

وجدت الشركات طرقًا لتكملة أساليب الضبط التقليدية باستخدام تقنية تسمى التعلم المعزز. يسمح هذا لنماذج الذكاء الاصطناعي بالتعلم من خلال التجربة والخطأ والتحسين الذاتي بدلاً من استخدام عملية منفصلة من وضع العلامات على مجموعة البيانات والضبط الدقيق الخاضع للإشراف.

طريقة ضبط نموذج الذكاء الاصطناعي بدقة في أربع خطوات

1. استخدم نموذجًا تم تدريبه مسبقًا: تتمثل الخطوة الأولى في تحديد نموذج أساس مناسب للمهمة. هناك نماذج شائعة لمعالجة اللغة الطبيعية، ورؤية الكمبيوتر، وتوليد النص، وغيرها من المجالات.

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

3. التعديل: الخطوة الثالثة هي تعديل النموذج حسب الحاجة. قد تتضمن التعديلات تجميد الطبقات للحفاظ على التعلم السابق للنموذج؛ وتعديل 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 النص أو طبقة انحدار للتنبؤات.

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

التقنيات والأساليب في الضبط الدقيق

عند ضبط نموذج، هناك مجموعة من التقنيات المتاحة للاختيار من بينها. القرار الأول هو ما إذا كنت بحاجة إلى ضبط دقيق كامل أو انتقائي.

ضبط كامل

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

ضبط دقيق انتقائي

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

• زيادة البيانات: يتضمن ذلك إنشاء بيانات تدريب إضافية من مجموعة بياناتك الحالية من خلال تطبيق التحويلات. للصور، قد تتضمن التحويلات التدوير، ضبط النطاق، أو إضافة ضوضاء. يمكن أن يؤدي ذلك إلى تحسين أداء الضبط عندما تكون مجموعة البيانات الخاصة بالمهمة صغيرة.
• الإيقاف المبكر: يتم استخدام هذا الأسلوب لمراقبة التدريب وإيقافه عند توقف الأداء في مجموعة التحقق عن التحسن. وهذا يساعد في الكفاءة ويمكن أن يساعد في منع التجهيز الزائد.
• الأساليب الجماعية: يجمع هذا الأسلوب بين العديد من النماذج التي تم ضبطها في محاولة لتقليل التباين في مخرجات النموذج.
• الضبط الدقيق لطبقات محددة: تجعل هذه التقنية الضبط الدقيق أكثر كفاءة من خلال ضبط الطبقات السطحية فحسب لشبكة عصبية عميقة أثناء تأمين الطبقات العميقة أو تجميدها.
• ضبط المعلمات الفائقة: يتضمن ذلك تقنيات مختلفة لتعديل ميزات عملية الضبط الدقيق، مثل معدل التعلم أو حجم الدفعة.
• تجميد الطبقة: هنا، يتم تأمين الطبقات الموجودة في نموذج الأساس المسؤولة عن الفهم الأساس والعالمي. وهذا يساعد على منع التجهيز الزائد، إذ قام النموذج بحفظ 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 أكثر دقة 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 اقتراب الحل الأمثل.
• تقنيات التنظيم: تُستخدم هذه التقنيات بشكل خاص لمنع التجهيز الزائد.
• نقل التعلم: يتضمن ذلك المزيد من التدريب على نموذج أساس على مجموعة بيانات أصغر خاصة بمهمة معينة.

الضبط الدقيق مقابل التدريب من Scratch

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

يمكن أن يكون تدريب نموذج الذكاء الاصطناعي من البداية الخيار الأفضل في بعض الحالات. أحد الأمثلة على ذلك هو عندما يكون المجال الذي تعمل فيه دقيقًا للغاية، مثل تطبيق طبي متخصص مع بيانات صورة محددة جدًا. يتطلب التدريب من البداية تجميع مجموعة بيانات كبيرة وتشغيل جولات طويلة من التدريب على البنية التحتية الخاصة بالذكاء الاصطناعي. قد يكون هذا مكلفًا، مما يتطلب ما يصل إلى آلاف وحدات معالجة الرسومات (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 محددة باستخدام مجموعة بيانات أصغر خاصة بالمهمة. غالبًا ما تكون هذه العملية أسرع وأكثر كفاءة لأن النموذج يبدأ بأساس قوي في اللغة والمعرفة العامة ويحتاج فقط إلى التكيف مع الفروق الدقيقة في المهمة الجديدة. يمكن أن يؤدي هذا إلى تحسين أداء نموذج الذكاء الاصطناعي لتلبية احتياجاتك من خلال تقليل تجميع العمل وإعداد البيانات والعديد من جولات التدريب الأقل مقابل التدريب من البداية. انظر المزيد حول فوائد الضبط الدقيق أدناه.

حالات الاستخدام الشائعة للضبط الدقيق

مجموعة واسعة من الشركات عبر الصناعات، من الشركات الناشئة إلى الشركات متعددة الجنسيات، هي نماذج دقيقة تم تدريبها مسبقًا. في الواقع، أصبحت ممارسة قياسية لأي مؤسسة تتطلع إلى استخدام الذكاء الاصطناعي لأنها تتيح لها نشر أنظمة مصممة خصيصًا لتلبية احتياجاتها الخاصة دون الاستثمار الهائل المطلوب لتدريب النماذج على نطاق واسع. فيما يلي بعض أمثلة حالات الاستخدام.

أمثلة واقعية

تقدم المؤسسات التي تعمل في التمويل والخدمات اللوجستية والرعاية الصحية والعديد من المجالات الأخرى الذكاء الاصطناعي التوليدي مضبوط بشكل دقيق لعملياتها اليومية. ستساعدك هذه القصص في العالم الحقيقي على استكشاف مجموعة واسعة من حالات الاستخدام المباشر. فيما يلي ثلاثة أمثلة محددة:

• دعم العملاء: نفذت شركة حلول السلامة الصناعية أداة مدعومة بالذكاء الاصطناعي تعمل على تحسين عمليات دعم العملاء على الفور. يستخدم الفريق Cohere Command R+ LLM 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.
• صناعة الخدمة: تقوم شركة الذكاء الاصطناعي التطبيقية في البرازيل بضبط نماذج اللغة الكبيرة للمساعدة في علاج التذكير، وهو علاج نفسي مثبت يساعد المرضى الذين يعانون من التدهور المعرفي.

التالي في الضبط الدقيق

يتطور ضبط الذكاء الاصطناعي بسرعة، خاصة وأن المزيد من وكلاء الذكاء الاصطناعي يعتمدون على النماذج المضبوطة. يعد المستقبل بمزيد من الأتمتة والتقنيات الجديدة ومجموعة أوسع من خيارات النماذج التي يمكن أن تساعد المؤسسات على تكييف نماذج الذكاء الاصطناعي مع احتياجاتها.

تتضمن هذه الابتكارات خدمات تعلم آلي محسنة تؤتمت الضبط الدقيق، بما في ذلك تحسين المعلمات الفائقة واختيار النماذج والمعالجة المسبقة 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. ستكون الحيلة هي إنشاء بنية تحتية للبيانات متعددة الاستخدامات بما يكفي للاستفادة من هذه الابتكارات الجديدة عند وصولها.

تحسين نماذج الذكاء الاصطناعي لديك من خلال 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 الخدمات المُدارة بالكامل. على سبيل المثال، توفر خدمة الذكاء الاصطناعي التوليدي من OCI تكاملًا بسيطًا وسلسًا مع نماذج اللغات الكبيرة متعددة الاستخدامات في خدمة سهلة الاستخدام. استخدمه لضبط النماذج لمجموعة واسعة من حالات الاستخدام، بما في ذلك المساعدة في الكتابة والتلخيص والتحليل والمحادثة.

وفي 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 JupyterLab جميع الموارد اللازمة لتجربة النماذج وتطويرها وتوسيع نطاق التدريب على النماذج باستخدام وحدات معالجة الرسومات NVIDIA والتدريب الموزع. يمكنك نقل النماذج إلى الإنتاج والحفاظ على سلامتها من خلال إمكانات عمليات التعلم الآلي، مثل مسارات العمليات المؤتمتة وعمليات نشر النماذج ومراقبة النماذج.

الأسئلة الشائعة حول الضبط الدقيق

كيف يختلف الضبط الدقيق عن الأنواع الأخرى من تدريب النماذج؟

تختلف نماذج الذكاء الاصطناعي للضبط الدقيق عن تدريب نماذج الذكاء الاصطناعي من البداية. إنها عملية إضافة جولات من التدريب إلى نموذج أساس متطور، مما يؤدي إلى مخرجات أكثر صلة بالسياق في مهمة محددة. غالبًا ما يتطلب الضبط الدقيق بيانات أقل وأقل استهلاكًا للوقت ومكلفًا من 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 كان ذلك التعرف على الصور أو تصنيف النص أو إنشاء اللغة أو المخرجات الصوتية أو المخرجات الأخرى.