المسار الحرج لتحسين تطوير النماذج

المرحلة التالية المهمة في أبحاث الذكاء الاصطناعي هي تحسين تطوير النماذج. كل تقدم في التفكير واللغة والتصور هو، في بعض المعاني، خطوة نحو هذا الهدف. ومع ذلك، فإن المسار نحو تلقين النماذج يتطلب حل مجموعة من التحديات الأساسية التي يجب كسرها أولاً.

الجسر إلى هذا الهدف يمر مباشرة عبر هندسة التعلم الآلي. هناك مفهوم خاطئ يعتقد أن التعلم الآلي هو تقنية سابقة للذكاء الاصطناعي الحديث وأن نماذج الأساس قد استبدلتها. هذا يسيء فهم العلاقة. كمنهج أكاديمي، يشمل التعلم الآلي جميع جوانب تدريب النماذج، بما في ذلك تدريب نماذج الأساس في مركز لحظة الذكاء الاصطناعي الحالية. ومع ذلك، هناك فرق معنوي في القياس و複잡ية البيانات.

نماذج التعلم الآلي التقليدية عادة ما يتم تدريبها على مجموعات بيانات محددة بعناية، ومحددة النطاق، تحتوي على آلاف أو ملايين الأمثلة. نماذج الأساس، من ناحية أخرى، يتم تدريبها على آلاف مجموعات بيانات في وقت واحد، مستمدة من مصادر مختلفة بشكل كبير مع تنسيقات وتناسخ و جودة غير متسقة. هذا الفرق في قياس البيانات وتنوعها هو سبب أساسي لماذا يصبح إدارة البيانات أكثر صعوبة وأهمية مع نمو النماذج قوة.

هذا يجعل فهم البيانات حجر الزاوية في تحسين تطوير النماذج. نظام ذكاء اصطناعي يمكن تفسير البيانات غير المتجانسة وتحسين الأنابيب المبنية حولها يمكن، في المبدأ، تحسين عملية تدريبه الخاصة ومساعدة بناء نماذج أفضل. بمجرد أن يتمكن الذكاء الاصطناعي من تحسين العملية التي يتم من خلالها تدريبه، تتدفق التحسينات إلى أسفل إلى كل مجال يتم تطبيقه فيه.

ثلاثة عوائق تقف في الطريق

العائق الأول هو تجزئة السياق. في几乎 كل المنظمة، الإشارات والتحريات و تعريفات الميزات و المعرفة المؤسسية المتعلقة بأي مشكلة نمذجة معينة تنتشر عبر مستودعات البيانات و المذكرات و الأنابيب التي لم يتم تصميمها أبداً للتواصل مع بعضها البعض. افكر في نظام صحي يبني نموذج للكشف عن السهال. المعايير السريرية المهمة لهذه المشكلة، مثل عتبات الحيوية و قيم المختبر و معايير التوثيق، قد تعيش في وحدات منفصلة تماماً من نظام السجل الصحي الإلكتروني.

العائق الثاني هو الغموض الدلالي. المعنى ليس متأصلاً في البيانات ولكن هو سياقي و مؤسسي. نفس اسم الحقل في قواعد بيانات مختلفتين قد يشير إلى أشياء مختلفة بشكل دقيق. مفاهيم مثل الإيراد و المستخدم النشط و الانحراف تملك عادة تعريفات متعددة صالحة داخل شركة واحدة. حتى مفهوم يبدو واضحاً مثل “الإيراد” يمكن أن يسبب مشاكل. فريق المبيعات قد يعرّف الإيراد على أنه القيمة الإجمالية للعقود الموقعة هذا الربع، بينما يعرّف فريق المالية الإيراد على أنه النقود الفعلية المستلمة. فريق المنتج لديه فهم آخر، حيث يعرف الإيراد على أنه إيراد معترف به موزع على مدة الاشتراك. كل هذه الفرق تسحب من حقول حرفياً تسمى “الإيراد” في أنظمتها، ولكن تقرير بين الفريقين يخلو من ثلاثة أرقام غير متوافقة.

العائق الثالث والأكثر شمولاً هو غياب الذاكرة المؤسسية الموثقة. تتبع التناسخ و حل التناقضات و الحفاظ على إشارات الجودة عبر تلك المصادر هو مشكلة لم تحل بعد حتى للفرق البشرية. بدون ذاكرة مؤسسية لما تم تجربته و كيف نجح هذه النهج، أي آلية تلقينية لنمذجة سوف تكتشف نفس النقاط العمياء، و تهدد الوقت و الموارد.

افكر في فريق علوم البيانات في شركة تجارية يبني نموذج لتوقعات الطلب. على مدى ثلاث سنوات، اكتشف اثنا عشر محللاً بشكل مستقل أن البيانات الجوية الخام تدهور أداء النموذج خلال أسابيع العطلات، و أن تغذية مخزون مورد معين تحتوي على تأخير منهجي، و أن النهج القياسي لمعالجة الأحداث الترويجية يسبب تسرب الهدف. عندما غادر المحللون الأصليون الفرق أو تركوا الشركة، تركت المعرفة معهم. بدون سجل مؤسسي لما تم تجربته و ما فشل و لماذا، آلية تلقينية لنمذجة لا تستطيع بناء الخبرة المتراكمة. إنها ببساطة تبدأ من الصفر، مرة بعد مرة، و تهدد الوقت بلا داعي.

ما يتطلبه حل حقيقي

تاريخ تلقين التعلم الآلي هو تاريخ حلول جزئية. حل التلقين الآلي للمشكلة الضيقة لضبط المعاملات Hyperparameter Tuning لم يكن قادراً على التعامل مع عدم مطابقة الأهداف أو التفكير في النية المؤسسية. جعلت أدوات MLOps أنابيب الإنتاج أكثر متانة وسهولة في المراقبة، لكن أدوات MLOps تنفذ استراتيجية بدلاً من تعريفها. وكلاء الترميز الأخيرون يمثلون خطوة حقيقية إلى الأمام، لكنهم ورثوا نفس النقطة العمياء. إنهم يولدون الشفرة جيداً بينما يعملون بدون سياق مؤسسي أو ذاكرة مؤسسية.

نظام قادر على هندسة التعلم الآلي المستقلة حقاً سوف يحتاج إلى قدرات لا توفرها أي أداة موجودة بالتركيبة. سوف يحتاج إلى ربط الأهداف التجارية بأهداف النموذج، وهو ترجمة لا يمكن استنتاجها من البيانات وحدها. سوف يحتاج إلى اكتشاف البيانات ذات الصلة عبر الأنظمة المنقسمة ذات السلاسل غير المتسقة، مع الامتثال التلقائي للامتثال والحوكمة والأمان، بدلاً من أن يتطلب من البشر إدارتها كعملية منفصلة. سوف يحتاج إلى ذاكرة مؤسسية لرفع العمل الموجود، و فهم لماذا تم التخلي عن التجارب السابقة، و بناء ما يعرفه الزملاء بالفعل.

سوف تحتاج مسارات التدقيق الصارمة التي تتبع التناسخ عبر إصدارات البيانات و تعريفات الميزات و الالتزامات بالشفرة إلى أن تكون آلية أساسية لتأصيل النظام في ما حدث بالفعل. و سوف يحتاج أي نظام من هذا القبيل إلى تصميم متعامل بشري في الحلقة. ليس اختيار ثنائي بين التلقين الكامل و التحكم اليدوي الكامل، ولكن دعم لمستويات تفاعل مختلفة اعتماداً على المهمة و المخاطر و ثقة النظام عند كل نقطة اتخاذ القرار. التلقين الذي يتجاوز الحكم البشري في اللحظات الحاسمة ليس ميزة من ميزات الذكاء الاصطناعي المصمم جيداً؛ بل هو وضع فشل.

ما لم يحله أي مختبر بعد هو كيفية إنشاء فهم دلالي للبيانات المؤسسية يفهم ما تعنيه البيانات في سياق مؤسسي محدد. MCP يحل مشكلة الاتصال. لا يزال يتعين عليه حل مشكلة المعنى.

ما يصبح ممكناً

الآثار الاقتصادية لحل هذه المشاكل هامة. يتطلب تطوير النماذج المخصصة اليوم ممارسين متخصصين و أسابيع من التكرار، حتى لمشاكل محددة جيداً. نظام يمكنه التنقل في كامل تدفق العمل تلقائياً من تعريف المشكلة إلى اكتشاف البيانات و تطوير النموذج و تقييم النموذج سوف يغير هذه المعادلة بشكل كبير، و يضغط على الجداول الزمنية و يفتح حالات استخدام قيمة عالية التي لا يمكن ملاحقتها حالياً بسبب كونها تستنزف الموارد. المشاريع التي كانت تتطلب فرقاً من خبراء التعلم الآلي يعملون لأسابيع يمكن الآن إكمالها في أيام دون الحاجة إلى استنزاف وقت خبراء التعلم الآلي النادرين.

التحديات المتعلقة بتجزئة السياق و الغموض الدلالي و الذاكرة المؤسسية المفقودة ليست فريدة من نوعها لتطوير النماذج في الشركات. تظهر تحت قيود مختلفة في بناء أنابيب تدريب نماذج الأساس، حيث يجب دمج آلاف مجموعات بيانات غير متجانسة و تصفيتها و تحسينها بشكل متكرر. بينما تختلف الإعدادات في الهيكل و الهدف، كلاهما مقيد بنقطة زائدة أساسية: غياب أنظمة يمكنها استعادة السياق و تتبع التناسخ و البناء على العمل السابق عبر التكرارات. و بالتالي، فإن تلقين تطوير النماذج في الشركات هو خطوة حاسمة على طريق الذكاء الاصطناعي القادر على تحسين نفسه.