مفوض يعتمد الذكاء الاصطناعي التوليدي على البيانات، وقد وجدت العديد من المؤسسات أن الذكاء الاصطناعي التوليدي يكون أكثر قيمة عندما يجمعه مع بياناته الفريدة والخاصة. ولكن هنا تكمن معضلة. كيف يمكن للمؤسسة الاستفادة من كنز بياناتها دون تعريض أعمالها لمخاطر لا مبرر لها؟
لقد عالجت العديد من المنظمات هذه المخاوف من خلال إرشادات محددة حول متى وكيف يتم استخدام الذكاء الاصطناعي التوليدي مع بيانات الملكية الخاصة بها. وقد حظرت منظمات أخرى استخدامه تمامًا بسبب مخاوف من تسرب IP أو الكشف عن بيانات حساسة.
ولكن ماذا لو أخبرتك أن هناك طريقة سهلة للتقدم خلف جدار الحماية الخاص بك إما في مركز البيانات الخاص بك أو في محطة العمل؟ والخبر السار هو أنه لا يتطلب دورات شراء مدتها أشهر أو نشرًا كبيرًا لمنتج قابل للتطبيق على الأقل. غير مقتنع؟ دعني اريك كيف.
الخطوة 1: إعادة استخدام الأجهزة الموجودة للتجربة
اعتمادًا على ما تفعله باستخدام الذكاء الاصطناعي التوليدي، يمكن تشغيل أعباء العمل على جميع أنواع الأجهزة في مرحلة تجريبية. كيف؟ هناك أربع مراحل فعالة لعلم البيانات مع هذه النماذج. يمكن إجراء المرحلتين الأولى والثانية، الاستدلال والاسترجاع المعزز (RAG)، على تكوينات أجهزة متواضعة نسبيًا، في حين أن المرحلتين الأخيرتين، الضبط الدقيق/إعادة التدريب وإنشاء نموذج جديد، تتطلب بنية تحتية واسعة النطاق لرؤية النتائج. علاوة على ذلك، يمكن أن تكون النماذج بأحجام مختلفة وليس من الضروري أن يكون كل شيء "نموذجًا لغويًا كبيرًا". وبالتالي، فإننا نرى الكثير من المؤسسات تحقق النجاح من خلال "نماذج اللغات الصغيرة" الخاصة بالمجال والمؤسسة والتي تستهدف حالات استخدام ضيقة جدًا. هذا يعني أنه يمكنك إعادة استخدام الخادم، أو العثور على محطة عمل يمكن نشر النموذج عليها، أو إذا كنت مغامرًا جدًا، يمكنك حتى تنزيل LLaMA 2 على الكمبيوتر المحمول الخاص بك واللعب به. ليس من الصعب حقًا دعم هذا المستوى من التجريب.
الخطوة 2: اضغط على المصدر المفتوح
ربما لا يوجد مجتمع مفتوح المصدر على حافة الهاوية مما هو ممكن أكثر من GenAI. إننا نشهد نماذج صغيرة نسبيًا تنافس بعضًا من أكبر عمليات النشر التجاري على وجه الأرض من حيث أهليتها وإمكانية تطبيقها. الشيء الوحيد الذي يمنعك من البدء هو سرعة التنزيل. هناك مجموعة كاملة من المشاريع مفتوحة المصدر تحت تصرفك، لذا اختر توزيعة وانطلق. بمجرد التنزيل والتثبيت، تكون قد قمت بتنشيط المرحلة الأولى من GenAI بشكل فعال: الاستدلال. من الناحية النظرية، يمكن أن تتوقف تجربتك هنا، ولكن ماذا لو كان بإمكانك فتح بعض السحر الحقيقي من خلال المزيد من العمل؟
الخطوة 3: تحديد حالات الاستخدام الخاصة بك
قد تميل إلى تخطي هذه الخطوة، لكنني لا أوصي بها. حدد مجموعة من حالات الاستخدام التي تريد حلها. الخطوة التالية هي جمع البيانات وتحتاج إلى التأكد من حصولك على البيانات الصحيحة لتقديم النتائج الصحيحة عبر LLM مفتوح المصدر مُدرب مسبقًا والذي تقوم بتعزيزه ببياناتك. اكتشف من هم مستخدمي الإصدار التجريبي واسألهم ما هو المهم بالنسبة لهم - على سبيل المثال، المشروع الحالي الذي يرغبون في المساعدة فيه وما هي البيانات الموجودة لديهم والتي قد تكون مفيدة في الإصدار التجريبي.
الخطوة 4: تفعيل جيل الاسترجاع المعزز (RAG)
قد تعتقد أن إضافة البيانات إلى نموذج ما يبدو أمرًا صعبًا للغاية - وهو الأمر الذي نعتقد عادةً أنه يتطلب علماء بيانات. لكن خمن ماذا: يمكن لأي مؤسسة لديها مطور أن تقوم بتنشيط جيل الاسترجاع المعزز (RAG). في الواقع، بالنسبة للعديد من حالات الاستخدام، قد يكون هذا هو كل ما ستحتاج إلى القيام به لإضافة البيانات إلى نموذج الذكاء الاصطناعي التوليدي. كيف يعمل؟ على نحو فعال RAG يأخذ بيانات غير منظمة مثل المستندات والصور ومقاطع الفيديو الخاصة بك ويساعد في تشفيرها وفهرستها للاستخدام. نحن جربنا هذا بأنفسنا استخدام تقنيات مفتوحة المصدر مثل LangChain لإنشاء قواعد بيانات متجهة تمكن نموذج GenAI من تحليل البيانات في أقل من ساعة. وكانت النتيجة إنشاء برنامج chatbot يعمل بكامل طاقته، والذي أثبت هذا المفهوم في وقت قياسي.
مخطط GenAI - انقر للتكبير
المصدر: ديل تكنولوجيز
وفي الختام
إن الاحتياجات والقدرات الفريدة لـ GenAI تجعل تجربة إثبات المفهوم (PoC) فريدة من نوعها، والتي يمكن تجربتها بسرعة لتقديم قيمة فورية وإثبات قيمتها للمؤسسة. إن تجربة ذلك في بيئتك الخاصة توفر العديد من المزايا من حيث الأمان وفعالية التكلفة التي لا يمكنك تكرارها في السحابة العامة.
تعد السحابة العامة رائعة للعديد من الأشياء، ولكنك ستدفع بالتنقيط مقابل إثبات المفهوم (PoC)، فمن السهل جدًا استهلاك الميزانية مع المستخدمين الذين ليس لديهم خبرة في الهندسة السريعة. لا توفر السحابة العامة أيضًا نفس الضمانات للبيانات الحساسة والخاصة. يمكن أن يؤدي هذا في الواقع إلى تحرك المستخدمين الداخليين بشكل أبطأ أثناء تفكيرهم في كل مرة يستخدمون فيها أداة ذكاء اصطناعي توليدية ما إذا كانت البيانات التي يقومون بإدخالها هي بيانات "آمنة" يمكن استخدامها مع هذا النظام المعين. وعلى النقيض من ذلك، تعد هذه واحدة من المرات القليلة التي يقدم فيها مركز البيانات سرعة عالية بشكل غير عادي وتكلفة أولية أقل من نظيرته السحابية العامة.
لذا انطلق وخذ فترة ما بعد الظهر وابدأ العمل على إثبات المفهوم (PoC) الخاص بك، وبمجرد أن تصبح جاهزًا للمرحلة التالية، يسعدنا جدًا تقديم المساعدة.
هنا يمكنك معرفة المزيد عنه حلول الذكاء الاصطناعي التوليدية من Dell.
مُقدَّم إليك من Dell Technologies.
- محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
- PlatoData.Network Vertical Generative Ai. تمكين نفسك. الوصول هنا.
- أفلاطونايستريم. ذكاء Web3. تضخيم المعرفة. الوصول هنا.
- أفلاطون كربون، كلينتك ، الطاقة، بيئة، شمسي، إدارة المخلفات. الوصول هنا.
- أفلاطون هيلث. التكنولوجيا الحيوية وذكاء التجارب السريرية. الوصول هنا.
- المصدر https://go.theregister.com/feed/www.theregister.com/2023/10/09/the_generative_ai_easy_button/
