هندسة الأوامر
استدعاء الدوال
استدعاء الدوال تتيح لنماذج اللغة إخراج JSON منظم يصف أي دالة تستدعيها. ينفذ التطبيق الدالة ويعيد النتيجة. يسد الفجوة بين فهم اللغة والأفعال الواقعية.
←
نماذج ولغوية كبيرة
الذكاء الاصطناعي التوليدي
الذكاء الاصطناعي التوليدي يشير إلى أنظمة الذكاء الاصطناعي التي تُنشئ محتوى جديداً — نصوصاً أو صوراً أو شفرة أو موسيقى أو فيديو — بدلاً من مجرد تحليل البيانات أو تصنيفها. تُنشئ نماذج اللغة الكبيرة مثل ChatGPT النصوص، ونماذج الانتشار مثل Midjourney الصور، وأدوات توليد الشفرة مثل GitHub Copilot البرمجيات. يُحدث الذكاء الاصطناعي التوليدي تحولاً في العمل الإبداعي وخدمة العملاء وتطوير البرمجيات والتعليم، رغم أنه يطرح أسئلة مهمة حول الأصالية وحقوق النشر والمعلومات المضللة.
←
نماذج ولغوية كبيرة
GPT
GPT عائلة نماذج لغة كبيرة من OpenAI تستخدم بنية المحول. من GPT-1 عام 2018 إلى GPT-4، أحدث كل جيل تحسينات ملحوظة. تشغّل ChatGPT وهي متاحة عبر API.
←
بنية الذكاء الاصطناعي التحتية
وحدة معالجة الرسومات (GPU)
وحدة معالجة الرسومات معالج متخصص صُمم أصلاً لعرض الرسومات لكنه أصبح ضرورياً للذكاء الاصطناعي لأنه يمكنه تنفيذ آلاف العمليات الحسابية بالتوازي، وهو بالضبط ما تتطلبه تدريب وتشغيل الشبكات العصبية. تدريب نموذج كبير على المعالجات العادية فقط قد يستغرق شهوراً؛ والنموذج نفسه على وحدات المعالجة الرسومية ينتهي في أيام أو ساعات. تهيمن شركة NVIDIA على سوق وحدات المعالجة الرسومية للذكاء الاصطناعي بمنظومة CUDAA، ومزودو السحابة مثل AWS و Google Cloud يستأجرون القدرة بالساعة.
←
التعلم العميق
نزول التدرج (Gradient Descent)
نزول التدرج هو خوارزمية الأمثلة التي تُقلّل دالة خسارة النموذج عن طريق تعديل الأوزان تكرارياً في الاتجاه الذي يُخِفّف الخطأ أكثر. تخيل متسلقاً في جبال ضبابية يحاول الوصول إلى أخفض وادٍ: في كل خطوة، يشعر بالمنحدر تحت قدميه وينزلق للأسفل. معدل التعلم يتحكم في حجم الخطوة. تكيّف المتغيرات مثل SGD وAdam العملية للكفاءة. كل تدريب للشبكات العصبية يعتمد في نهاية المطاف على نزول التدرج.
←
معالجة اللغة الطبيعية
الترسيخ (Grounding)
الترسيخ هو تقنية ترسيخ ردود النموذج اللغوي في بيانات قابلة للتحقق من العالم الحقيقي بدلاً من الاعتماد فقط على معرفته المكتسبة. RAG هو الطريقة الأكثر شيوعاً: يسترجع النموذج وثائق ذات صلة قبل الإجابة. يُقلل الترسيخ الهلوسات، ويُبقي الإجابات محدّثة، ويقدم مراجع. مساعد قانوني مغربي مُرسَخ في الجريدة الرسمية يمكنه الاقتباس من مواد قانونية دقيقة، بينما قد يُخترع مساعد غير مُرسَخ مراجع قانونية تبدو مقنعة لكنها خاطئة.
←
نماذج ولغوية كبيرة
الهلوسة (Hallucination)
الهلوسة هي عندما يُنشئ نموذج لغة نصوصاً سلسة ومقنعة لكنها غير صحيحة من الناحية الواقعية أو مُختلقة — مدّعياً أموراً لم تحدث قط، أو مُقتبساً مصادر غير موجودة، أو مُخلطاً بالتفاصيل. تحدث الهلوسات لأن النماذج تُحسّن للرمز الأكثر ترجيحاً لا للحقيقة. مساعد قانوني يهلوس في السجل القضائي قد يعرّض مكتباً لمخاطر جسيمة. تشمل استراتيجيات التخفيف الترسيخ عبر RAG وطبقات التحقق وخفض درجة الحرارة والمراجعة البشرية للمخرجات الحساسة.
←
التعلم العميق
ضبط المعلمات الفائقة
ضبط المعلمات الفائقة هو عملية اختيار الإعدادات التكوينية المثالية لنموذج تعلم الآلة قبل بدء التدريب — إعدادات مثل معدل التعلم وحجم الدفعات وعدد الطبقات ومعدل الإسقاط. على عكس المعلمات الداخلية التي يتعلمها الخوارزمية تلقائياً، يجب على الممارس تحديد المعلمات الفائقة. البحث الشبكي والبحث العشوائي والتحسين البايزي من الأساليب الشائعة. المعلمات الجيدة تصنع الفارق بين نموذج بالكاد يعمل ونموذج متفوق.
←
الرؤية الحاسوبية
تصنيف الصور
تصنيف الصور هو مهمة إلحاق تسمية أو فئة بصورة كاملة بناءً على محتواها البصري. نموذج مُدرَّب على آلاف الصور المُوسومة يتعلم التمييز بين القطوط والكلاب والمنتجات التالكة والصالحة والأشعة السليمة والمريضة. الشبكات التلافيفية والمحولات البصرية هي المعماريات المعيارية.
←