إذا كنت تراقب تطور تقنية الذكاء الاصطناعي التوليدي (GenAI) مؤخرًا، فمن المحتمل أنك على دراية بمفاهيمها الأساسية: كيفية عمل نماذج GenAI، وفن صياغة المطالبات، وأنواع البيانات التي تعتمد عليها نماذج GenAI .
على الرغم من أن هذه المكونات الأساسية داخل GenAI تظل ثابتة، إلا أن طريقة تطبيقها تشهد تحولًا. من غير المرجح أن يكون النهج المتبع في GenAI الذي استحوذ على الأضواء مع ظهور ChatGPT في أواخر عام 2022 هو نفس النهج الذي ستتبناه المؤسسات أثناء الاستفادة من GenAI لتمكين قدرات تجارية جديدة.
دعونا نتعمق في كيفية تطور هذه المفاهيم المحيطة بالذكاء الاصطناعي التوليدي وما يعنيه هذا التغيير لمستقبل GenAI في عالم الأعمال.
الأساليب التقليدية للذكاء الاصطناعي التوليدي
في جوهرها، يمكن تلخيص العناصر الأساسية لـ GenAI على النحو التالي:
- نماذج التأسيس: النموذج الأساسي هو نموذج GenAI يمكنه دعم مجموعة واسعة من الاستخدامات. حتى الآن، هيمنت مجموعة من نماذج GenAI - مثل نماذج GPT التي طورتها شركة OpenAI - على هذا الفضاء.
- تاريخ: تعتمد النماذج على البيانات لأغراض التدريب. تقليديا، اتخذت تلك البيانات شكل في الغالب غير منظم البياناتوالتي استخدمها بائعو النماذج الأساسية ــ مثل OpenAI مرة أخرى ــ للتدريب المسبق على نماذجهم قبل إتاحتها للعامة.
- الهندسة السريعة: الهندسة السريعة هي عملية ابتكار المطالبات التي ستنتج الاستجابة المناسبة من نموذج GenAI. نظرًا لأن استخدام النماذج الأساسية المدربة مسبقًا لا يوفر فرصة كبيرة لتخصيص البيانات أو سياق تلك النماذج، فقد كانت الهندسة السريعة أمرًا بالغ الأهمية لجعل نماذج الذكاء الاصطناعي تدعم حالات استخدام معينة. لا يمكنك التحكم في البيانات أو النموذج نفسه، ولكن يمكنك التحكم في المطالبات التي تغذيها.
باختصار، سيطر على النظام البيئي GenAI خلال العام ونصف العام الماضيين أو نحو ذلك نماذج أساسية تابعة لجهات خارجية، والتي تم تدريبها مسبقًا على مجموعات عامة من البيانات غير المنظمة، لمعالجة حالات الاستخدام التي تعتمد بشكل كبير على الهندسة السريعة المخصصة. في هذا العالم، كان البائعون الذين بنوا النماذج الأساسية هم في الأساس حراس البوابة، نظرًا لأن قراراتهم بشأن كيفية عمل النماذج والبيانات التي تدربوا عليها تضع القيود المحيطة بكيفية استخدام النماذج.
الابتكارات في الذكاء الاصطناعي التوليدي للمؤسسات
وبالنظر إلى المستقبل، فإن هذا النهج مهيأ للتغيير بعدة طرق رئيسية.
1. نماذج الأساس المخصصة
أحد أكبر التغييرات هو التوفر المتزايد لنماذج الأساس بما يتجاوز تلك التي توفرها الشركات المتخصصة في خدمات الذكاء الاصطناعي التوليدية.
بالإضافة إلى النماذج مفتوحة المصدر التي أصدرتها شركات مثل Meta وGoogle، فإننا نشهد الآن بائعين مثل SAP يطورون نماذجهم الأساسية. والأهم من ذلك، أن هذه النماذج ستوفر فرصة أكبر للمؤسسات لتصميم عمليات نموذجية مخصصة عن طريق إدخال المعلمات الخاصة بها للتحكم في السياق الذي يعمل فيه النموذج. وفي بعض الحالات، يمكنهم أيضًا تدريب النماذج أو إعادة تدريبها على البيانات المخصصة.
خلاصة القول هنا هي أن جيلًا جديدًا من النماذج الأساسية يمنح المؤسسات تحكمًا أكثر دقة في كيفية الاستفادة من الذكاء الاصطناعي التوليدي. ولم يعد يتعين عليهم قبول النماذج العامة التي لم يتم تصميمها لحالات الاستخدام الخاصة بهم. يمكنهم بدلاً من ذلك تخصيص سلوك النموذج بطرق واسعة النطاق - بشرط أن تكون لديهم قدرات هندسة البيانات للقيام بذلك.
2. استخدام البيانات المنظمة
تاريخيًا، تم تدريب نماذج GenAI بشكل أساسي على البيانات غير المنظمة - مثل المستندات وصفحات الويب - لأن الهدف الأساسي لمصممي النماذج كان السماح للمستخدمين بالبحث أو تلخيص البيانات داخل تلك المستندات. في الأساس، تعد نماذج GenAI مثل تلك التي طورتها OpenAI بمثابة واجهات بحث بديلة للويب.
تظل هذه إحدى حالات الاستخدام المهمة لـ GenAI في مجال الأعمال. هناك حالة استخدام إضافية ناشئة تتمثل في الاستفادة من GenAI كواجهة للاستعلام عن البيانات المنظمة - مثل المعلومات المخزنة في قواعد البيانات - أيضًا. يمكن للشركات القيام بذلك بالفعل باستخدام حلول مثل Amazon Q.
وهذا أمر مهم لأنه يشير إلى أن GenAI يمكن أن يعزز قدرة الشركات على تفسير الكميات الهائلة من البيانات المنظمة التي تمتلكها. في الماضي، كانت معالجة الأسئلة بناءً على هذه البيانات تتطلب محللي بيانات خبراء يكتبون استعلامات معقدة يدويًا ثم يقومون بإنشاء التقارير. الآن، يمكن لـ GenAI القيام بهذا العمل بمعدل أسرع بكثير مما يمكن أن يحققه محلل البيانات الأكثر مهارة.
3. ظهور مرسلي البيانات
يعد دمج نماذج الذكاء الاصطناعي مع جميع البيانات الموجودة في الأعمال التجارية مهمة معقدة، لأسباب ليس أقلها أنه غالبًا ما يكون من غير الواضح ما هي مجموعة البيانات الأكثر صلة بحالة استخدام محددة. على سبيل المثال، عند الاستعلام عن بيانات المبيعات، هل يجب مطالبة النموذج باستخدام بيانات من نظام تخطيط موارد المؤسسات (ERP) أو نظام إدارة علاقات العملاء (CRM) أو جدول بيانات تم إعداده يدويًا أو أي شيء آخر؟
ولمعالجة هذه المشكلة، من المرجح أن تتبنى الشركات ما أشير إليه بـ "مرسلي البيانات". يعد مرسل البيانات أداة تكامل تعرض البيانات بكفاءة لخدمات GenAI بطريقة فعالة، مما يسهل على المؤسسات الاستفادة من بياناتها للتدريب على النماذج المخصصة. بدلاً من إجبار المؤسسات على تحديد البيانات التي تحتاجها للتدريب على الذكاء الاصطناعي، فإنها ستلجأ إلى مرسلي البيانات للتعامل مع هذا العمل.
وهذا يضع بائعي مرسلي البيانات في وضع يسمح لهم بأن يصبحوا حراس البوابة الجدد لمشهد GenAI. ستتحول السلطة من البائعين الذين يطورون نماذج الذكاء الاصطناعي إلى أولئك الذين يؤثرون على البيانات المتاحة لدعم المطالبات.
نحو مشهد ديمقراطي للذكاء الاصطناعي يركز على البيانات؟
وفي نهاية المطاف، تَعِد هذه التحولات ــ الجارية بالفعل ــ بجعل تقنية GenAI أكثر ديمقراطية، بمعنى أن الشركات سوف تتمتع بقدر أكبر من السيطرة على كيفية استخدام GenAI على وجه التحديد.
وفي الوقت نفسه، فإنها تجعل البيانات ــ وخاصة بيانات الملكية المملوكة لشركات معينة ــ أكثر أهمية من أي وقت مضى. وبدلاً من أن تكون الشركات مدينة بالفضل لحفنة من بائعي نماذج الذكاء الاصطناعي والبيانات التي قرروا التدريب عليها، سيتعين على المؤسسات أن تقرر - بمساعدة مرسلي البيانات - ما هي المعلومات التي تمكن أدوات وخدمات GenAI.
لتحقيق الازدهار في هذا العالم الجديد الشجاع، ستكون القدرة على إدارة البيانات والتحكم فيها بشكل فعال أمرًا أساسيًا. إدارة البيانات لقد كان ذلك مهمًا للمؤسسات منذ فترة طويلة، ولكن إذا أرادت المؤسسات الاستفادة من الفرص الناشئة المحيطة بـ GenAI، فستحتاج إلى مستويات غير مسبوقة من التحكم في البيانات حتى تتمكن الشركات من استخدامها لتمكين حالات استخدام GenAI المخصصة.
وتجري الآن هذه المناقشة وستكون أساسية للمراقبة في الأشهر والسنوات المقبلة.
- 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://www.dataversity.net/why-its-time-to-rethink-generative-ai-in-the-enterprise/
