الهندسة السريعة هي مفهوم معالجة اللغة الطبيعية (NLP) الذي يتضمن اكتشاف المدخلات التي تؤدي إلى نتائج مرغوبة أو مفيدة. الدفع هو ما يعادل إخبار العبقري في المصباح السحري بما يجب فعله. في هذه الحالة ، المصباح السحري هو DALL-E ، وهو جاهز لإنشاء أي صورة ترغب فيها.
جدول المحتويات
التعلم في السياق عن طريق المطالبة
في علم الأحياء ، يعتبر الظهور خاصية لا تصدق ، حيث تظهر الأجزاء التي تتجمع ، نتيجة لتفاعلاتها ، سلوكيات جديدة (تسمى ناشئة) ، والتي لا يمكنك رؤيتها على نطاق أصغر.
والأمر الأكثر روعة هو أنه حتى إذا كانت النسخة الأصغر تبدو مشابهة للمقياس الأكبر ، فإن حقيقة أن المقياس الأكبر يتكون من أجزاء أكثر ، وتفاعلات ، فإنه يظهر في النهاية مجموعة مختلفة تمامًا من السلوكيات.
ولا توجد طريقة للتنبؤ بما يمكن أن يكون عليه هذا السلوك.
هذا هو جمال الحجم (للأفضل أو للأسوأ)!
في ثورة الذكاء الاصطناعي الحالية ، يتمثل الجانب الأكثر إثارة في ظهور الخصائص الناشئة لنماذج التعلم الآلي التي تعمل على نطاق واسع.
وقد بدأ كل شيء بالقدرة على تدريب نماذج الذكاء الاصطناعي هذه بطريقة غير خاضعة للإشراف. في الواقع ، كان التعلم غير الخاضع للإشراف أحد المبادئ الأساسية لثورة الذكاء الاصطناعي هذه ، وقد كان كذلك فاشل تقدم الذكاء الاصطناعي في السنوات القليلة الماضية.
قبل عام 2017 ، كان معظم الذكاء الاصطناعي يعمل من خلال الاستفادة من التعلم الخاضع للإشراف عبر مجموعات بيانات صغيرة منظمة ، والتي يمكن أن تدرب نماذج التعلم الآلي على مهام ضيقة للغاية.
بعد عام 2017 ، مع بنية جديدة تسمى المحول ، بدأت الأمور تتغير.
يمكن استخدام هذه البنية الجديدة مع نهج التعلم غير الخاضع للإشراف. التعلم الآلي نموذج يمكن تدريبه مسبقًا على مجموعة بيانات كبيرة جدًا وغير منظمة مع وظيفة موضوعية بسيطة جدًا: التنبؤ من نص إلى نص.
الجانب المثير هو أن التعلم الآلي نموذج، من أجل معرفة كيفية إجراء التنبؤ من نص إلى نص بشكل صحيح (ما قد يبدو مهمة بسيطة للغاية) ، بدأت في تعلم مجموعة من الأنماط والاستدلالات حول البيانات التي تم تدريبها عليها.
هذا مكّن التعلم الآلي نموذج لتعلم مجموعة متنوعة من المهام.
بدلاً من محاولة أداء مهمة واحدة ، اللغة الكبيرة نموذج بدأ في استنتاج الأنماط من البيانات وإعادة استخدامها عند أداء مهام جديدة.
لقد كانت هذه ثورة جوهرية. بالإضافة إلى ذلك ، كانت نقطة التحول الأخرى ، التي ظهرت مع ورقة GPT-3 ، هي القدرة على دفع هذه النماذج.
باختصار ، تمكن هذه النماذج من معرفة سياق المستخدم بشكل أكبر من خلال تعليم اللغة الطبيعية ، مما قد يغير بشكل كبير ناتج نموذج.
ظهر هذا الجانب الآخر أيضًا ، حيث لم يطلبه أحد صراحة. وبالتالي ، هذه هي الطريقة التي حصلنا بها على التعلم في السياق ، من خلال التحفيز ، باعتباره خاصية أساسية ناشئة لنماذج التعلم الآلي الحالية.
فهم الهندسة السريعة
الهندسة السريعة هي خاصية رئيسية ناشئة لنموذج الذكاء الاصطناعي الحالي.
أحد الجوانب الأكثر إثارة للاهتمام في الهندسة السريعة هو حقيقة أنها ظهرت كخاصية ناشئة لتوسيع نطاق بنية المحولات لتدريب نماذج اللغة الكبيرة.
تمامًا مثلما يمكن أن تنقلب الرغبات التي تعبر عنها ضدك ، عندما تطالب الجهاز ، فإن الطريقة التي تعبر بها عما تحتاج إلى القيام به يمكن أن تغير الإخراج بشكل كبير.
والجزء الأكثر إثارة للاهتمام؟ لم يكن التحفيز ميزة مطورة بواسطة خبراء الذكاء الاصطناعي. لقد كانت ميزة ناشئة. باختصار ، من خلال تطوير نماذج التعلم الآلي الضخمة هذه ، أصبح التحفيز وسيلة لجعل الآلة تنفذ المدخلات.
لا أحد يطلب ذلك ؛ حصل ما حصل!
في ورقة بحثية في عام 2021 ، أبرز باحثون من ستانفورد كيف أصبحت النماذج القائمة على المحولات نماذج أساسية.
كما هو موضح في نفس الورقة:
لطالما كانت قصة الذكاء الاصطناعي إحدى قصص الظهور والتجانس المتزايد. مع إدخال التعلم الآلي ، تظهر كيفية تنفيذ المهمة (يتم استنتاجها تلقائيًا) من الأمثلة ؛ مع التعلم العميق ، تظهر الميزات عالية المستوى المستخدمة للتنبؤ ؛ ومع النماذج الأساسية ، تظهر حتى الوظائف المتقدمة مثل التعلم في السياق. في الوقت نفسه ، يعمل التعلم الآلي على تجانس خوارزميات التعلم (على سبيل المثال ، الانحدار اللوجستي) ، ويجانس التعلم العميق نموذج البنى (على سبيل المثال ، الشبكات العصبية التلافيفية) ، ونماذج الأساس تجانس نموذج نفسها (على سبيل المثال ، GPT-3).
الهندسة السريعة هي عملية مستخدمة في الذكاء الاصطناعي حيث يتم تحويل مهمة واحدة أو عدة مهام إلى مجموعة بيانات قائمة على أساس سريع تكون لغة نموذج ثم يتم تدريبه على التعلم.
قد يكون من الصعب فهم الدافع وراء الهندسة السريعة في وجهه القيمة، فلنصف الفكرة بمثال.
تخيل أنك تنشئ خدمة توصيل طعام عبر الإنترنت المنصة وأنت تمتلك آلاف الصور لخضروات مختلفة لتضمينها في الموقع.
المشكلة الوحيدة هي أن أيا من البيانات الوصفية للصورة لا تصف الخضروات التي توجد فيها الصور.
في هذه المرحلة ، يمكنك فرز الصور بشكل مضجر ووضع صور البطاطس في مجلد البطاطس وصور البروكلي في مجلد البروكلي وما إلى ذلك.
يمكنك أيضًا تشغيل جميع الصور من خلال المصنف لفرزها بسهولة أكبر ولكن ، كما تكتشف ، تدريب المصنف نموذج لا يزال يتطلب البيانات المصنفة.
باستخدام الهندسة السريعة ، يمكنك كتابة مطالبة نصية تشعر أنها ستنتج أفضل نتائج تصنيف الصور.
على سبيل المثال ، يمكنك إخبار ملف نموذج ليعرض "صورة تحتوي على البطاطس". هيكل هذا الموجه - أو البيان الذي يحدد كيفية استخدام نموذج يتعرف على الصور - وهو أمر أساسي لتحفيز الهندسة.
غالبًا ما تكون كتابة أفضل موجه أمرًا يتعلق بالتجربة والخطأ. في الواقع ، موجه "صورة تحتوي على البطاطس " يختلف تمامًا عن "صورة البطاطس " أو "مجموعة من البطاطس".
أفضل الممارسات الهندسية السريعة
مثل معظم العمليات ، تحدد جودة المدخلات جودة المخرجات. يزيد تصميم مطالبات فعالة من احتمالية أن يكون ملف نموذج سيعيد ردًا مواتياً وسياقيًا.
كتابة المطالبات الجيدة هي مسألة فهم ما نموذج "يعرف" عن العالم ومن ثم تطبيق تلك المعلومات وفقًا لذلك.
يعتقد البعض أنها تشبه لعبة الحزورات حيث يقدم الممثل معلومات كافية لشريكه لمعرفة الكلمة أو العبارة باستخدام عقولهم.
فكر في نموذج لتمثيل الشريك في الحزورات. يتم توفير معلومات كافية فقط من خلال موجه التدريب لـ نموذج للعمل على الأنماط وإنجاز المهمة المطروحة.
ليس هناك فائدة من زيادة التحميل على ملف نموذج بكل المعلومات دفعة واحدة ومقاطعة تدفق ذكائها الطبيعي.
الهندسة السريعة ونموذج CLIP
CLIP (التدريب المسبق على اللغة والصورة التقابلية) نموذج تم تطويره بواسطة مختبر أبحاث الذكاء الاصطناعي OpenAI في عام 2021.
وفقًا للباحثين ، فإن CLIP هي "شبكة عصبية مدربة على مجموعة متنوعة من أزواج (الصور والنصوص). يمكن إرشادها بلغة طبيعية للتنبؤ بالمقتطف النصي الأكثر صلة ، مع إعطاء صورة ، دون تحسين مباشر للمهمة ، على نحو مشابه لإمكانيات اللقطة الصفرية في GPT-2 و 3."
باستخدام هذه المعلومات ، يمكن للمرء إدخال صورة في ملف نموذج، وسيُنشئ تعليقًا أو ملخصًا يعتقد أنه الأكثر دقة.
يتطرق الاقتباس أعلاه أيضًا إلى إمكانيات اللقطة الصفرية لـ CLIP ، مما يجعلها مميزة إلى حد ما بين نماذج التعلم الآلي.
من المتوقع أن تؤدي معظم المصنفات المدربة على التعرف على التفاح والبرتقال ، على سبيل المثال ، أداءً جيدًا في تصنيف التفاح والبرتقال ، ولكنها عمومًا لا تكتشف الموز.
بعض الطرز ، بما في ذلك CLIP و GPT-2 و GPT-3 ، يمكن التعرف على الموز. بمعنى آخر ، يمكنهم تنفيذ المهام التي لم يتم تدريبهم بشكل واضح على القيام بها. تُعرف هذه القدرة باسم التعلم بدون طلقة.
أمثلة على الهندسة السريعة
اعتبارًا من عام 2022 ، تسارع تطور نماذج الذكاء الاصطناعي. وهذا يجعل الهندسة السريعة أكثر أهمية.
حصلنا أولاً على تحويل النص إلى نص باستخدام نماذج اللغة مثل GPT-3 و BERT وغيرها.
ثم حصلنا على تحويل النص إلى صورة باستخدام Dall-E و Imagen و MidJourney و StableDiffusion.
في هذه المرحلة ، ننتقل إلى تحويل النص إلى فيديو باستخدام Meta Make-A-Video ، والآن تطور Google فيديو Imagen الخاص بها.
تركز نماذج الذكاء الاصطناعي الفعالة اليوم على الحصول على المزيد بموارد أقل بكثير!
أحد الأمثلة على ذلك هو DreamFusion: Text-to-3D باستخدام 2D Diffusion ، الذي أنشأه مختبر أبحاث Google.
باختصار ، تعد نماذج نشر الذكاء الاصطناعي نماذج إنتاجية ، مما يعني أنها تنتج مخرجات مشابهة لتلك التي تم تدريبها عليها.
وبحسب التعريف ، تعمل نماذج الانتشار عن طريق إضافة ضوضاء إلى بيانات التدريب وتوليد مخرجات باستعادة تلك البيانات من خلال عكس عملية التشويش.
DreamFusion ، بواسطة Google Research ، قادر على ترجمة النص إلى صور ثلاثية الأبعاد ، دون وجود مجموعة بيانات كبيرة الحجم من البيانات ثلاثية الأبعاد المصنفة (غير متوفرة اليوم).
وهذا هو الشيء!
كما أوضحت مجموعة البحث:
"إن تكييف هذا النهج مع التوليف ثلاثي الأبعاد سيتطلب مجموعات بيانات واسعة النطاق من البيانات ثلاثية الأبعاد ذات العلامات وبنيات فعالة لتقليل تشويش البيانات ثلاثية الأبعاد ، ولا يوجد أي منهما حاليًا. في هذا العمل ، نتغلب على هذه القيود باستخدام نشر نص إلى صورة ثنائي الأبعاد تم اختباره مسبقًا نموذج لأداء نص إلى ثلاثي الأبعاد. "
لماذا هذا مناسب؟
في الويب الذي يعتمد بشكل أساسي على النصوص أو الصور ثنائية الأبعاد لأكثر من عقدين ، حان الوقت الآن لتمكين التنسيقات المحسنة ، مثل 2D التي يمكن أن تعمل بشكل جيد في بيئات الواقع المعزز.
باختصار ، تخيل أنك ترتدي نظارات الواقع المعزز من Google ، ويمكن لنماذج الذكاء الاصطناعي الموجودة تحتها تحسين العالم الحقيقي ، باستخدام كائنات ثلاثية الأبعاد ، أثناء التنقل ، مما يتيح لك جعل تجارب الواقع المعزز أكثر إقناعًا.
تم إعطاء Meta AI ، وهو نظام AI لتصنيع الفيديو ، رسالة فورية ، وأعادت الآلة فيديو قصير الشكل.
في الوقت نفسه ، أعلنت شركة OpenAI عن تحويل الكلام إلى نص باستخدام Whisper.
مجتمعة ، ستنشئ نماذج الذكاء الاصطناعي هذه بيئة متعددة الوسائط حيث يمكن لشخص واحد أو فريق صغير الاستفادة من كل هذه الأدوات لإنشاء المحتوى وصناعة الأفلام والطب والمزيد!
وهذا يعني أن عددًا قليلاً من الصناعات - التي لم يكن من الممكن إدخالها من قبل - أصبحت أكثر قابلية للتوسع بسهولة ، حيث يتم تدمير الحواجز أمام الدخول.
من الممكن الاختبار / الإطلاق / التكرار بشكل أسرع ، وبالتالي تمكين الأسواق من التطور بسرعة أكبر.
إذا كان بعد ما يقرب من 30 عامًا من استخدام الإنترنت ، لا تزال العديد من الصناعات (من الرعاية الصحية إلى التعليم) حبيسة النماذج القديمة.
قد يؤدي عقد من الذكاء الاصطناعي إلى تعديلها بالكامل.
كل ذكاء اصطناعي نموذج ستتم مطالبتك بنفس الطريقة ، ومع ذلك فإن طريقة دفع الآلة يمكن أن تحتوي على مثل هذه التفاصيل الدقيقة بحيث يمكن للآلة إنتاج العديد من المخرجات المختلفة بفضل الاختلافات السريعة.
فقط في أكتوبر 2022:
تعلن منظمة Stability AI عن تمويل 101 مليون دولار للذكاء الاصطناعي مفتوح المصدر.
جمعت شركة Jasper AI ، وهي شركة ناشئة تعمل على تطوير ما تصفه بمنصة "محتوى الذكاء الاصطناعي" ، 125 مليون دولار بتقييم يبلغ 1.5 مليار دولار. جاسبر بصدد الحصول على برنامج Outwrite لبدء التشغيل AI ، وهو مدقق نحوي وأسلوب يضم أكثر من مليون مستخدم.
OpenAI ، التي تقدر قيمتها بنحو 20 مليار دولار ، في محادثات متقدمة مع Microsoft للحصول على مزيد من التمويل.
اليوم ، مع المطالبة ، يمكنك توليد عدد متزايد من المخرجات.
يمكن إنشاء بعض حالات استخدام OpenAI عن طريق المطالبة. من الأسئلة والأجوبة إلى المصنفات ومولدات الأكواد. عدد حالات الاستخدام التي يمكّنها الذكاء الاصطناعي ، من خلال التحفيز ، يتزايد بشكل كبير.
حثت DreamStudio AI على إنشاء زوج من الأحذية الرياضية المخصصة.
موجه مثل الترميز؟
في 30 نوفمبر ، أصدرت شركة OpenAI ChatGPT.
واجهة AI للمحادثة بإمكانيات مذهلة.
عندما اختبرت ChatGPT ، كان الأمر مذهلاً! â € < لقد استخدمته لإنشاء توصيف وظيفي. â € < من خلال موجه بسيط ، أعطتني مخرجات دقيقة جدًا في غضون بضع ثوانٍ! â € < جعلني ذلك أدرك أن هذه كانت نقطة تحول أخرى للذكاء الاصطناعي ...
وهذا لا شيء ، فالنموذج الحالي للذكاء الاصطناعي هو أنه يمكن ترميزه بشكل جيد للغاية!
ما هو ChatGPT؟â € <
شات جي بي تي هي أداة تجمع بين GPT-3 نموذج بالإضافة إلى مبلغ إضافي نموذج يسمى InstructGPT ، والذي يتم ضبطه بدقة من خلال التعلم المعزز من ردود الفعل البشرية لجعله أكثر تماسكًا مقارنةً بـ GPT.
باستخدام ChatGPT ، يمكنك الحصول على أي إجابة حول أي موضوع (على الرغم من أنه بالنسبة لإصدار Beta هذا ، فقد اقتصر على مناطق مختلفة).
هناك ما هو أكثر من ذلك بكثير لذلك.
مع ChatGPT ، يمكنك تحويل نفسك إلى مبرمج.
كل ما تحتاجه هو المطالبة!
هنا طلبت من ChatGPT إنشاء رمز لتطبيق ويب لتداول الأسهم!
يستفيد ChatGPT من ميزة freemium نموذج، مع إصدار مجاني بقدرات محدودة وإصدار متميز (يبدأ من 20 دولارًا شهريًا) ، والذي يشمل أيضًا الوصول في أوقات الذروة ، وأوقات استجابة أسرع ، والوصول المبكر إلى الميزات والتحسينات الجديدة.
كم يصنع المهندس الفوري؟
في خضم الذكاء الاصطناعي (الطنانة) والثورة ، يمكن للمهندس الفوري أن يربح ما بين 150 إلى 300 دولار سنويًا.
كمثال مثير للاهتمام ، مهندس سريع وأمين مكتبة نشر الوظيفة سيبدو هكذا.
كيف يعمل OpenAI؟
أمثلة هندسية سريعة ودراسة حالة
فيما يلي مثال هندسي سريع مع بعض أفضل الممارسات المضمنة في العملية.
استرداد العميل للتلفزيون
تخيل أن أحد العملاء يتصل بشركة إلكترونيات ويطلب استرداد الأموال على جهاز تلفزيون اشتراه مؤخرًا. تريد الشركة استخدام ملف نموذج من شأنها أن تساعد قسم خدمة العملاء من خلال توليد استجابة معقولة.
في التشغيل التجريبي ، يتصل عميل افتراضي أو "اختباري" بالشركة بالاستعلام التالي: مرحبًا ، أود استرداد ثمن التلفزيون الذي اشتريته. هل هذا ممكن؟
لتصميم الموجه والامتداد ، والطرق المفيدة التي يمكن للوكيل من خلالها التفاعل مع العميل ، تبدأ الشركة بإبلاغ نموذج الإعداد العام وما سيحتوي عليه باقي الموجه.
قد يقرأ الموجه شيئًا مثل هذا: هذه محادثة بين عميل ووكيل خدمة عملاء مفيد ومهذب. سؤال العميل: أود استرداد ثمن التلفزيون الذي اشتريته. هل هذا ممكن؟
الآن وبعد أن نموذج يعرف ما يمكن توقعه ، ويظهر بداية الاستجابة التي يجب أن يقدمها للعميل: رد وكيل خدمة العملاء: مرحبًا ، نقدر تواصلك معنا. نعم،
من خلال الجمع بين الجزأين الأول والثاني ، يوضح الموجه أن الاستجابة لاستعلام العميل تأتي من وكيل خدمة العملاء وأن الإجابة يجب أن تكون إيجابية.
تكوين نموذج لغة خدمة العملاء
يمكن تلخيص السيناريو أعلاه من خلال تحديد مكونات نموذج نفسه:
وصف المهمة - هذه محادثة بين عميل ووكيل خدمة عملاء مفيد ومهذب.
مؤشر الإدخال - سؤال العميل.
المدخلات الحالية و
مؤشر الإخراج - رد وكيل خدمة العملاء: مرحبًا ، نقدر تواصلك معنا. نعم،
لاحظ أن مؤشرات المدخلات والمخرجات هي طريقة فعالة لوصف المهام المطلوبة لـ نموذج - خاصةً عند تضمين أمثلة متعددة في الموجه. بناءً على هذا ، فإن نموذج قد ينتج ثلاثة مخرجات نصية (تُعرف باسم الإكمالات) لإكمال الجملة بعد الفاصلة:
نعم ، يمكننا قبول المرتجعات إذا كان التلفزيون غير مستخدم وغير مفتوح وغير تالف.
نعم ، يسعدنا معالجة استرداد المبلغ المدفوع لشراء التلفزيون. ومع ذلك ، يرجى ملاحظة أننا نطلب إعادة التليفزيون إلى أقرب متجر لك.
نعم ، هذا ممكن. يرجى الرد مع ذكر اسمك وعنوانك ورقم هاتفك ورقم الإيصال في أقرب وقت ممكن. سيتواصل معك أحد موظفي خدمة العملاء في أقرب وقت ممكن.
في حين أن هذا نهج مبسط إلى حد ما ، فمن الواضح أنه في هذا المثال نموذج يوضح العديد من الإكمالات المعقولة مع عدد قليل فقط من تفاعلات خدمة العملاء.
من الناحية النظرية ، يمكن لشركة الإلكترونيات تعديل نموذج مع أمثلة على كيفية الرد على أسئلة وطلبات وتعليقات محددة.
أمثلة على موجه ChatGPT
رمز الجيل
إنشاء المحتوى
تحليل البيانات
التعليم والتدريب
صنع القرار وحل المشكلات
الوجبات الرئيسية:
الهندسة السريعة هي مفهوم معالجة اللغة الطبيعية (NLP) الذي يتضمن اكتشاف المدخلات التي تؤدي إلى نتائج مرغوبة أو مفيدة.
مثل معظم العمليات ، تحدد جودة المدخلات جودة المخرجات في الهندسة السريعة. يزيد تصميم مطالبات فعالة من احتمالية أن يكون ملف نموذج سيعيد ردًا مواتياً وسياقيًا.
تم تطويره بواسطة OpenAI ، CLIP (التدريب المسبق على اللغة المتباينة والصورة) نموذج هو مثال على نموذج يستخدم المطالبات لتصنيف الصور والتعليقات التوضيحية من أكثر من 400 مليون زوج من تسميات الصور.
ويبرز الرئيسية
الهندسة السريعة هي مفهوم في معالجة اللغة الطبيعية (NLP) حيث يتم تصميم المدخلات لإنتاج المخرجات المرغوبة من نماذج الذكاء الاصطناعي.
التوجيه هو ما يعادل إرشاد أ نموذج مثل DALL-E لإنشاء صورة محددة بناءً على تعليمات معينة.
الظهور هو خاصية في علم الأحياء والذكاء الاصطناعي ، حيث تنشأ السلوكيات والأنماط المعقدة من التفاعلات بين المكونات على نطاق أوسع.
أدى التعلم غير الخاضع للإشراف وبنية المحولات إلى ظهور نماذج لغوية قوية يمكنها أداء مجموعة متنوعة من المهام.
ظهرت الهندسة السريعة كطريقة لتوجيه نماذج اللغة لأداء مهام محددة من خلال تعليمات اللغة الطبيعية.
نماذج الذكاء الاصطناعي مثل CLIP و ChatGPT هي أمثلة للهندسة السريعة حيث يمكن للنماذج التعرف على الصور أو إنشاء رمز بناءً على المطالبات.
يمكن استخدام الهندسة السريعة في العديد من الصناعات لإنشاء المحتوى وإنشاء الكود واتخاذ القرار وغير ذلك.
يمكن مطالبة نماذج الذكاء الاصطناعي بأداء عدد متزايد من المهام ، ويتزايد عدد حالات الاستخدام بسرعة.
يمكن للمهندسين الفوريين جني حوالي 150 ألف دولار إلى 300 ألف دولار سنويًا ، ويشهد المجال الكثير نمو والاستثمار.
يمكن استخدام ChatGPT ، وهو واجهة محادثة بالذكاء الاصطناعي ، كأداة تشفير مع مطالبة ، مما يجعله موردًا قيمًا للمطورين والمبدعين.
يتكون الذكاء الاصطناعي المعمم من أجهزة أو أنظمة يمكنها التعامل مع جميع أنواع المهام بمفردها. أدى امتداد الذكاء الاصطناعي المعمم في النهاية إلى تطوير التعلم الآلي. كامتداد للذكاء الاصطناعي ، يحلل التعلم الآلي (ML) سلسلة من خوارزميات الكمبيوتر لإنشاء برنامج يعمل على أتمتة الإجراءات. بدون إجراءات البرمجة بشكل واضح ، يمكن للأنظمة تعلم وتحسين التجربة الكلية. يستكشف مجموعات كبيرة من البيانات للعثور على أنماط مشتركة وصياغة نماذج تحليلية من خلال التعلم.
AIOps هو تطبيق الذكاء الاصطناعي لعمليات تكنولوجيا المعلومات. لقد أصبح مفيدًا بشكل خاص لإدارة تكنولوجيا المعلومات الحديثة في البيئات المهجنة والموزعة والديناميكية. أصبحت AIOps مكونًا تشغيليًا رئيسيًا للمنظمات الرقمية الحديثة ، مبنية على البرامج والخوارزميات.
تصف عمليات التعلم الآلي (MLOps) مجموعة من أفضل الممارسات التي تساعد بنجاح الأعمال تشغيل الذكاء الاصطناعي. وهو يتألف من المهارات وسير العمل والعمليات لإنشاء نماذج التعلم الآلي وتشغيلها وصيانتها لمساعدة العمليات التشغيلية المختلفة داخل المؤسسات.
• الأعمال لقد انتقلت نماذج الذكاء إلى الذكاء المستمر ، حيث تقترن البنية التحتية للتكنولوجيا الديناميكية بالنشر المستمر والتسليم لتوفير استخبارات مستمرة. باختصار ، سوف يتكامل البرنامج المقدم في السحابة مع بيانات الشركة ، مع الاستفادة من الذكاء الاصطناعي / تعلم الآلة لتقديم إجابات في الوقت الفعلي للمشكلات الحالية التي قد تواجهها المؤسسة.
هذه عملية تتطلب حلقة تغذية مرتدة مستمرة لتطوير منتج ذي قيمة وبناء منتج قابل للتطبيق الأعمال نموذج. مستمر ابتكار هي عقلية يتم فيها تصميم المنتجات والخدمات وتقديمها لضبطها حول مشاكل العملاء وليس الحل التقني لمؤسسيها.
النمذجة التكنولوجية هي تخصص لتوفير الأساس للشركات للحفاظ عليها ابتكار، وبالتالي تطوير المنتجات الإضافية. مع البحث أيضًا في المنتجات المبتكرة الخارقة التي يمكن أن تمهد الطريق للنجاح على المدى الطويل. في نوع من إستراتيجية Barbell ، تقترح النمذجة التكنولوجية وجود نهج من جانبين ، من ناحية ، للحفاظ على استمرارية ابتكار كجزء أساسي من الأعمال نموذج. من ناحية أخرى ، فإنه يضع رهانات على التطورات المستقبلية التي لديها القدرة على الاختراق والقفز إلى الأمام.
Gennaro هو منشئ FourWeekMBAالتي وصلت إلى حوالي أربعة ملايين رجل أعمال ، من المديرين التنفيذيين والمستثمرين والمحللين ومديري المنتجات ورواد الأعمال الرقمية الطموحين في عام 2022 وحده | وهو أيضًا مدير المبيعات لتوسيع نطاق التكنولوجيا الفائقة في صناعة الذكاء الاصطناعي | في عام 2012 ، حصل جينارو على ماجستير في إدارة الأعمال الدولية مع التركيز على تمويل الشركات واستراتيجية الأعمال.
