The AI / news

Llm : ما هو نموذج اللغة، وما هي استخداماته الحقيقية؟

Llm : ما هو نموذج اللغة، وما هي استخداماته الحقيقية؟
3 دقيقة للقراءة

نموذج اللغة الكبير (LLM) هو نظام ذكاء اصطناعي يتم تدريبه على مجموعات بيانات ضخمة جدًا لتحليل اللغة الطبيعية والتنبؤ بها وتوليدها. تعد نماذج GPT من OpenAI، وClaude من Anthropic، وGemini من Google من بين أشهرها، وغالبًا ما تُستخدم في الكتابة والتصحيح والبرمجة. يرجع دليل ElevenLabs المنشور إلى آلية عملها وتدريبها وحدودها.

كيف يعمل نموذج اللغة الكبير (LLM)

تبدأ المعالجة بعملية التجزئة إلى وحدات (Tokenization): حيث يتم تقسيم النص إلى وحدات تسمى الوحدات (Tokens)، والتي تُحوَّل بعد ذلك إلى تمثيلات رقمية. تعتمد معظم الأنظمة الحالية على بنية المحوِّل (Transformer)، التي تستخدم آليات الانتباه الذاتي لتقييم العلاقات بين الوحدات. بعد ذلك، يتنبأ النموذج بالوحدة الأكثر احتمالًا لمتابعة التسلسل.

يتم التدريب على عدة مراحل. يجمع المطورون أولاً مجموعات نصية، غالبًا من نصوص مستخرجة من الإنترنت، تحتوي على وحدات تُعد بالترليونات. ثم يتعلم النموذج، دون إشراف، القواعد النحوية والعلاقات الواقعية والسياق اللغوي. أخيرًا، يتم صقله (Fine-tuning) على مجموعات بيانات أصغر ومتخصصة، ثم ضبطه من خلال التعلم المعزز بناءً على ملاحظات المراجعين البشريين. وفقًا للمصدر، تحتفظ الشركات في أغلب الأحيان بعملية تدريبها بسرية ولا تنشر، في معظمها، كودها المصدر أو أوزانها.

يحدد الضبط المسمى « درجة الحرارة » مستوى العشوائية في الردود. تنتج القيمة المنخفضة نتائج قياسية وثابتة، بينما تولد القيمة المرتفعة مخرجات أكثر تنوعًا. يجب تكييفها مع المهمة: يتطلب الإبداع درجة حرارة أعلى، بينما يتطلب تلخيص البيانات درجة حرارة أقل.

البنيات والاستخدامات

تنقسم النماذج إلى ثلاث عائلات رئيسية: نماذج المُشفر فقط، المفيدة في تصنيف النصوص أو البحث الدلالي، ونماذج فك التشفير فقط، التي تشكل أساس روبوتات المحادثة وأدوات توليد الكود، والنماذج الهجينة (مُشفر/فك تشفير)، المناسبة للترجمة أو تلخيص المستندات. توجه البنى المسماة « خليط الخبراء » (MoE) كل وحدة إلى شبكات فرعية صغيرة متخصصة، بينما تعالج النماذج ذات مساحة الحالة، مثل Mamba، النصوص الطويلة جدًا بكفاءة.

تعددت الاستخدامات. تعتمد محركات البحث المحادثية مثل Bing وGoogle AI Overviews أو Perplexity على هذه النماذج لتحليل الويب في الوقت الفعلي. يكمل GitHub Copilot الوظائف ويترجم الكود من لغة إلى أخرى، بينما يصقل Grammarly النصوص ويُلخص NotebookLM التقارير الطويلة.

حدود واضحة المعالم

تتمتع نماذج اللغة الكبيرة بعدة حدود. لا شيء يضمن دقة ردودها، التي قد تحتوي على معلومات مُختلَقة أو خاطئة، وهي ظاهرة تسمى « الهلوسات ». بدون التوليد المعزز بالاسترجاع (RAG)، الذي يربط النموذج بقاعدة بيانات خارجية، تبقى معرفتها محدودة بما اكتسبته أثناء التدريب. كما يكرر النموذج التحيزات الموجودة في بياناته، ونافذة السياق الخاصة به، أي كمية النص التي يمكنه معالجتها في المرة الواحدة، ثابتة. أخيرًا، كلما كبر النموذج، زادت القوة الحاسوبية التي يتطلبها عمله، مع تكلفة وكُمون أعلى. وفقًا لـ ElevenLabs، فإن دمج RAG قد يتيح التغلب على مشكلة المعرفة المتجمدة.

S’abonner
Notification pour
guest

0 Commentaires
Le plus ancien
Le plus récent Le plus populaire
0
Nous aimerions avoir votre avis, veuillez laisser un commentaire.x