النماذج التوليدية باختصار

النماذج التوليدية هي تلك التي تزود أجهزة الكمبيوتر بفهم أفضل للعالم الذي يعيشه البشر.
أدرجت شركة Gartner الذكاء الاصطناعي التوليدي كواحدة من خمس تقنيات سريعة التطور والتي ستلعب دورًا في ثورة الإنتاجية. النماذج التوليدية فعالة بالفعل في حياة العلوم والرعاية الصحية والسيارات والفضاء وعلوم المواد والإعلام والترفيه والدفاع والطاقة.
تخضع خوارزميات الذكاء الاصطناعي التوليدية لتعلم غير خاضع للإشراف وشبه إشراف يمكّنها من إنشاء محتوى جديد من محتوى موجود مثل النص والصوت والفيديو وحتى التعليمات البرمجية. الهدف الشامل للجيل نموذج هو إنشاء محتوى أصلي يكون مقبولاً أيضًا.

النماذج التوليدية هي تلك التي تزود أجهزة الكمبيوتر بفهم أفضل للعالم الذي يعيشه البشر.

جدول المحتويات

فهم النماذج التوليدية

يعتبر معظمنا فهمنا للعالم المادي أمرًا مفروغًا منه ، بينما قد لا يتوقف الآخرون عن ذلك اعتقد حول مدى معرفتهم.

يتكون العالم ثلاثي الأبعاد الذي نعيش فيه من أجسام تتحرك وتتصادم. حيوانات تطير، وتسبح، وتنبح، وتصدر صوتًا.

الناس الذين يتفاعلون ويناقشون، اعتقد، و امشي. شاشات الكمبيوتر التي تعرض معلومات حول كيفية تقليم بونساي ، الذي فاز بمباراة كرة قدم ، أو ما حدث في عام 1975.

معظم المعلومات التي نتعرض لها متاحة لنا سواء كانت مادية أو رقمي استمارة. ولكن هذا ليس هو الحال بالنسبة لنماذج التعلم الآلي والخوارزميات التي تعتمد عليها.

لإنشاء ذكاء اصطناعي قادر على ذلك تحليل ومن ثم فهم التجربة الإنسانية المتنوعة ، قد تكون النماذج التوليدية هي الحل.

ظهور الذكاء الاصطناعي التوليدي

في 2022 لها رادار تأثير التقنيات والاتجاهات الناشئة، أدرجت جارتنر الذكاء الاصطناعي التوليدي كواحدة من خمس تقنيات سريعة التطور والتي ستلعب دورًا في ثورة الإنتاجية.

تتضمن بعض تنبؤات Gartner الرئيسية ما يلي:

بحلول عام 2025 - سينتج الذكاء الاصطناعي التوليدي 10٪ من جميع البيانات و 20٪ من جميع بيانات الاختبار المتعلقة بحالات الاستخدام التي تواجه المستهلك. كما سيتم دمجها في 50٪ من جميع مشاريع اكتشاف وتطوير الأدوية.
بحلول عام 2027 - سيتم استخدام الذكاء الاصطناعي التوليدي بنسبة 30٪ من جميع الشركات المصنعة لزيادة فعالية المنتج التنمية.

أشار جارتنر إلى أن أساليب الذكاء الاصطناعي التوليدية أثبتت نفسها في مجموعة واسعة من الصناعات مثل حياة العلوم ، والرعاية الصحية ، والسيارات ، والفضاء ، وعلوم المواد ، والإعلام ، والترفيه ، والدفاع ، والطاقة.

كيف يتم تدريب النماذج التوليدية؟

تخضع خوارزميات الذكاء الاصطناعي التوليدية لتعلم غير خاضع للإشراف وشبه إشراف يمكّنها من إنشاء محتوى جديد من محتوى موجود مثل النص والصوت والفيديو وحتى التعليمات البرمجية. الهدف الشامل للجيل نموذج هو إنشاء محتوى أصلي يكون مقبولاً أيضًا.

لتدريب هذه النماذج ، يتم الحصول على كميات هائلة من البيانات أولاً من مجال معين مثل الأصوات أو الصور. إذن فالأمر يتعلق بتدريب نموذج لإنتاج محتوى مشابه.

الشبكات العصبية OpenAI تستخدم كنماذج توليد ، على سبيل المثال ، تحتوي على العديد من المعلمات التي هي أصغر بكثير من كمية البيانات التي تستخدمها لتدريبها. وفقًا للشركة ، فإن هذا يفرض على نموذج ل"اكتشاف جوهر البيانات واستيعابها بكفاءة من أجل إنشائها."

نهج GAN

يستخدم OpenAI مثال ملف شبكة أنها تريد تدريبها على إنتاج 200 صورة واقعية. للتأكد من أن الصور تبدو حقيقية ، تستخدم الشركة ما تسميه نهج شبكة الخصومة التوليدية (GAN).

يتضمن النهج إدخال معيار عصبي آخر شبكة يعمل كمُميِّز ويحاول تصنيف ما إذا كانت صورة الإدخال حقيقية أم مزيفة. OpenAI اعترف بذلك استطاع خدمة نموذج مع 200 صورة حقيقية و 200 صورة تم إنشاؤها واطلب منها تدريب مصنف قياسي.

لكن أفضل إستراتيجية كان لتغيير معلمات الذكاء الاصطناعي التوليدي نموذج لجعل 200 عينة أكثر إرباكًا للمميز. سيؤدي هذا إلى معركة بين الشبكتين: يريد المُميِّز التمييز بين الصور الحقيقية والمولدة ، بينما يريد المُنشئ إنتاج صور تجعل أداة التمييز تعتقد أنها حقيقية.

في النهاية ، المولد نموذج يفوز لأنه ، من وجهة نظر أداة التمييز ، ينتج صورًا لا يمكن تمييزها عن الشيء الحقيقي.

OpenAI نموذج اضطر في النهاية للضغط 200 جيجابايت من بيانات البكسل إلى 100 ميغا بايت فقط من الأوزان مما شجعها على تحديد أهم سمات البيانات. في سياق نموذجمن خلال تدريبه على إنشاء صور واقعية من الصفر ، تعلمت أن:

من المرجح أن تكون البيكسلات الموجودة على مقربة من نفس اللون.
يتكون العالم من حواف أفقية ورأسية ونقاط ذات لون خالص.
تظهر كائنات وأنسجة وخلفيات معينة بترتيبات معينة وتتحول في الفيديو بمرور الوقت بطرق محددة.

التطبيقات الحالية والمستقبلية للنماذج التوليدية

تحتوي النماذج التوليدية على العديد من التطبيقات قصيرة المدى مثل التنبؤ المنظم وتقليل الضوضاء والتصوير فائق الدقة وأيضًا في التدريب المسبق حيث يكون الوصول إلى البيانات المصنفة باهظ التكلفة.

نظرًا لأن النماذج التوليدية يتم تدريبها على المدى الطويل ، فمن المأمول أن يقوم الذكاء الاصطناعي بتطوير فهم أساسي للعالم والعناصر التي يتكون منها. مع الوصول إلى البيانات مرة واحدة خارج حدود التكنولوجيا ، فمن المحتمل أن يصبح الذكاء الاصطناعي قوة متزايدة القوة ومتعددة الاستخدامات للمستهلكين والشركات على حد سواء.

الوجبات الرئيسية

التعريف والغرض: تزود النماذج التوليدية أجهزة الكمبيوتر بفهم أعمق للتجربة الإنسانية وتهدف إلى إنشاء محتوى أصلي يعتمد على البيانات الموجودة.
فهم الإنسان: في حين أن البشر يفهمون بشكل طبيعي العالم المادي وتعقيداته، فإن النماذج التوليدية تهدف إلى توفير فهم مماثل لأنظمة الذكاء الاصطناعي.
الظهور في اتجاهات الذكاء الاصطناعي: حدد تقرير Gartner للتقنيات الناشئة واتجاهات التأثير لعام 2022 الذكاء الاصطناعي التوليدي باعتباره تقنية سريعة التطور تساهم في ثورة الإنتاجية.
توقعات جارتنر:
- بحلول عام 2025، سيساهم الذكاء الاصطناعي التوليدي بنسبة 10% من البيانات التي تواجه المستهلك و20% من بيانات الاختبار، وسيكون جزءًا لا يتجزأ من 50% من اكتشاف الأدوية.
- بحلول عام 2027، سيستخدم 30% من الشركات المصنعة الذكاء الاصطناعي التوليدي لتحسين الأداء المنتج التنمية.
تطبيقات الصناعة المتنوعة: أثبت الذكاء الاصطناعي التوليدي قيمته في قطاعات مثل حياة العلوم ، والرعاية الصحية ، والسيارات ، والفضاء ، وعلوم المواد ، والإعلام ، والترفيه ، والدفاع ، والطاقة.
عملية التدريب: تخضع خوارزميات الذكاء الاصطناعي التوليدية لتعلم غير خاضع للإشراف وشبه خاضع للإشراف لإنشاء محتوى جديد من تنسيقات مختلفة مثل النص والصوت والفيديو والتعليمات البرمجية.
معلمات النموذج والبيانات: نماذج مثل OpenAIتستخدم الشبكات العصبية معلمات أقل من بيانات التدريب، مما يجبرها على فهم جوهر البيانات الأساسية لإنشاء المحتوى.
نهج شبكة الخصومة التوليدية (GAN): تتضمن شبكات GAN مولدًا شبكة إنشاء المحتوى والتمييز شبكة تمييز الحقيقي من المحتوى الذي تم إنشاؤه.
ديناميات التعلم: يهدف المولد إلى إنشاء محتوى يخدع المُميز فينظر إليه على أنه حقيقي، مما يؤدي إلى إنشاء محتوى واقعي.
الميزات الأساسية المستفادة: بمرور الوقت، تتعلم النماذج التوليدية ميزات مهمة، مثل أنماط الألوان والحواف والأنسجة وترتيبات الكائنات والتحويلات في بيانات الفيديو.
التطبيقات: تجد النماذج التوليدية تطبيقات قصيرة المدى في تقليل تشويش الصورة، والتصوير فائق الدقة، والتنبؤ المنظم، والتدريب المسبق عندما تكون البيانات المصنفة نادرة.
الإمكانات على المدى الطويل: ومع نضوج النماذج التوليدية، يمكنها تطوير فهم أساسي للعالم، والوصول إلى البيانات التي لم تكن متاحة سابقًا، وتصبح أدوات متعددة الاستخدامات للمستهلكين والشركات.