من النية إلى التنفيذ: كيف تقوم مايكروسوفت بتحويل نماذج اللغة الكبيرة إلى ذكاء اصطناعي ذي اتجاه العمل

لقد غيرت نماذج اللغة الكبيرة (LLMs) طريقة تعاملنا مع معالجة اللغة الطبيعية. يمكنها الإجابة على الأسئلة، وكتابة الشفرة، وإجراء المحادثات. ومع ذلك، فإنها تفتقر إلى القدرة على أداء المهام في العالم الحقيقي. على سبيل المثال، يمكن للنموذج اللغوي الكبير إرشادك خلال شراء سترة، ولكن لا يمكنه وضع الطلب من أجلك. هذا الفجوة بين التفكير والفعل هي محدودية كبيرة. الناس لا يحتاجون فقط إلى المعلومات، بل يريدون النتائج.

لجسر هذه الفجوة، تقوم مايكروسوفت بتحويل نماذج اللغة الكبيرة إلى وكلاء ذكاء اصطناعي ذي اتجاه العمل. من خلال تمكينهم من التخطيط، وتنفيذ المهام، والتفاعل مع البيئات الحقيقية، فإنهم يمنحون نماذج اللغة الكبيرة القدرة على إدارة المهام العملية بشكل فعال. لهذا التحول إمكانية إعادة تعريف ما يمكن أن تفعله نماذج اللغة الكبيرة، مما يجعلهم أدوات تautomate المهام المعقدة وتبسط المهام اليومية. دعونا ننظر إلى ما هو مطلوب لجعل هذا يحدث وكيف تقوم مايكروسوفت بمواجهة هذه المشكلة.

ما تحتاجه نماذج اللغة الكبيرة للعمل

لتنفيذ نماذج اللغة الكبيرة المهام في العالم الحقيقي، يجب أن تتجاوز فهم النص. يجب أن تتفاعل مع البيئات الرقمية والفيزيائية مع التكيف مع الظروف المتغيرة.这里 هي بعض القدرات التي تحتاجها:

1. فهم نية المستخدم

لتنفيذ نماذج اللغة الكبيرة بشكل فعال، يجب أن تفهم طلبات المستخدم. المدخلات مثل النص أو أوامر الصوت غالبًا ما تكون غامضة أو غير كاملة. يجب على النظام ملء الفجوات باستخدام معرفته والسياق الطلب. يمكن للمحادثات متعددة الخطوات أن تساعد في تحسين هذه النوايا، مما يضمن أن الذكاء الاصطناعي يفهم قبل اتخاذ الإجراء.

2. تحويل النوايا إلى إجراءات

بعد فهم المهمة، يجب على نماذج اللغة الكبيرة تحويلها إلى خطوات يمكن تنفيذها. قد يتضمن هذا الضغط على الأزرار، أو استدعاء واجهات برمجة التطبيقات، أو التحكم في الأجهزة الفيزيائية. يجب على نماذج اللغة الكبيرة تعديل إجراءاتها لتناسب المهمة، مع التكيف مع البيئة وحل التحديات التي تطرأ.

3. التكيف مع التغييرات

المهام في العالم الحقيقي لا تنجح دائمًا كما هو مخطط. يجب على نماذج اللغة الكبيرة توقع المشاكل، وضبط الخطوات، وfinding بديل عندما تطرأ مشاكل. على سبيل المثال، إذا لم يكن مورد ضروري متاحًا، يجب على النظام العثور على طريقة أخرى لcompletion المهمة. هذا المرونة يضمن أن العملية لا تتوقف عندما تتغير الأشياء.

4. تخصص في مهام محددة

بينما يتم تصميم نماذج اللغة الكبيرة للاستخدام العام، فإن التخصص يجعلها أكثر كفاءة. من خلال التركيز على مهام محددة، يمكن لهذه الأنظمة تقديم نتائج أفضل باستخدام موارد أقل. هذا مهم بشكل خاص للأجهزة ذات القدرة الحاسوبية المحدودة، مثل الهواتف الذكية أو الأنظمة المدمجة. (MSFT )

من خلال تطوير هذه المهارات، يمكن لنماذج اللغة الكبيرة أن تتجاوز مجرد معالجة المعلومات. يمكنها اتخاذ إجراءات معنوية، مما يفتح الطريق لدمج الذكاء الاصطناعي بشكل متساوٍ في سير العمل اليومي.

كيف تقوم مايكروسوفت بتحويل نماذج اللغة الكبيرة

تتبع مايكروسوفت نهجًا منظمًا لإنشاء ذكاء اصطناعي ذي اتجاه العمل. الهدف الرئيسي هو تمكين نماذج اللغة الكبيرة من فهم الأوامر، والتخطيط بشكل فعال، وتنفيذ الإجراءات. هنا كيف تقوم مايكروسوفت بذلك:

الخطوة 1: جمع البيانات وتحضيرها

في المرحلة الأولى، جمعت مايكروسوفت البيانات المتعلقة bằng حالات استخدامها المحددة: وكلاء UFO (الموضح أدناه). تشمل البيانات استفسارات المستخدم، و细节 البيئة، وactions المحددة للمهمة. هناك نوعان من البيانات يتم جمعها في هذه المرحلة: أولاً، جمعت بيانات خطة المهمة، مما يساعد نماذج اللغة الكبيرة على رسم الخطوات العالية المستوى المطلوبة لcompletion المهمة. على سبيل المثال، “تغيير حجم الخط في Word” قد يتضمن خطوات مثل تحديد النص وتعديل إعدادات الشريط. ثانيًا، جمعت بيانات الإجراء، مما يسمح لنماذج اللغة الكبيرة بترجمة هذه الخطوات إلى تعليمات دقيقة، مثل الضغط على أزرار معينة أو استخدام اختصارات لوحة المفاتيح.

هذا المزيج من البيانات يعطي النموذج صورة كبيرة وواضحة من الإجراءات التي يحتاجها لتنفيذ المهام بشكل فعال.

الخطوة 2: تدريب النموذج

بعد جمع البيانات، يتم تعديل نماذج اللغة الكبيرة من خلال جلسات تدريب متعددة. في الخطوة الأولى، يتم تدريب نماذج اللغة الكبيرة على تخطيط المهام عن طريق تعليمهم كيفية كسر طلبات المستخدم إلى خطوات يمكن تنفيذها. ثم يتم استخدام بيانات الخبراء المسمى لتعليمهم كيفية ترجمة هذه الخطط إلى إجراءات محددة. لتعزيز قدراتهم على حل المشاكل، يتم إشراك نماذج اللغة الكبيرة في عملية استكشاف ذاتي تعززها، مما يمنحهم القدرة على مواجهة مهام غير محلولة وتوليد أمثلة جديدة للتعلم المستمر. أخيرًا، يتم تطبيق التعلم التعزيزي، باستخدام التغذية الراجعة من النجاحات والفشلات لتحسين اتخاذ القرارات.

الخطوة 3: الاختبار دون اتصال

بعد التدريب، يتم اختبار النموذج في بيئات محكومة لضمان الموثوقية. يتم استخدام مقاييس مثل معدل نجاح المهمة (TSR) ومعدل نجاح الخطوة (SSR) لقياس الأداء. على سبيل المثال، قد يتضمن اختبار وكلاء إدارة التقويم التحقق من قدرته على جدولة الاجتماعات وإرسال الدعوات بدون أخطاء.

الخطوة 4: التكامل مع الأنظمة الحقيقية

بعد التحقق، يتم دمج النموذج في إطار وكلاء. هذا يسمح له بالتفاعل مع البيئات الحقيقية، مثل الضغط على الأزرار أو التنقل في القوائم. أدوات مثل واجهة برمجة تطبيقات التutomatization UI تساعد النظام على تحديد وتنفيذ عناصر واجهة المستخدم بشكل ديناميكي.

على سبيل المثال، إذا تم تكليف الوكيل بتحديد النص في Word، فإنه يحدد زر التحديد، يحدد النص، وينفذ التنسيق. يمكن لمكون الذاكرة أن يساعد نماذج اللغة الكبيرة على تذكر الإجراءات السابقة، مما يسمح لها بالتكيف مع السيناريوهات الجديدة.

الخطوة 5: الاختبار في العالم الحقيقي

الخطوة النهائية هي التقييم عبر الإنترنت. هنا، يتم اختبار النظام في سيناريوهات العالم الحقيقي لضمان قدرته على التعامل مع التغييرات غير المتوقعة والأخطاء. على سبيل المثال، قد يوجه وكلاء الدعم الفني المستخدمين خلال إعادة تعيين كلمة المرور مع التكيف مع المدخلات الخاطئة أو المعلومات المفقودة. هذا الاختبار يضمن أن الذكاء الاصطناعي قوي وجاهز للاستخدام اليومي.

مثال عملي: وكلاء UFO

لإظهار كيف يعمل الذكاء الاصطناعي ذي الاتجاه العمل، طورت مايكروسوفت وكلاء UFO. هذا النظام مصمم لتنفيذ مهام حقيقية في بيئات Windows، مما يتحول من طلبات المستخدم إلى إجراءات مكتملة.

في جوهره، يستخدم وكلاء UFO نموذج اللغة الكبيرة لتحليل الطلبات وتخطيط الإجراءات. على سبيل المثال، إذا قال المستخدم “حدد كلمة ‘مهم’ في هذا المستند”، يتفاعل الوكيل مع Word لcompletion المهمة. يجمع المعلومات السياقية، مثل مواقع عناصر واجهة المستخدم، ويستخدمها لتخطيط وتنفيذ الإجراءات.

يعتمد وكلاء UFO على أدوات مثل واجهة برمجة تطبيقات التautomatization UI (UIA). تفتش هذه الواجهة البرمجية التطبيقات عن عناصر التحكم، مثل الأزرار أو القوائم. لمهمة مثل “احفظ المستند كملف PDF”، يستخدم الوكيل UIA لتحديد زر “ملف”، العثور على خيار “حفظ باسم”، وتنفيذ الخطوات اللازمة. من خلال هيكلة البيانات بشكل متسق، يضمن النظام تشغيلًا سلسًا من التدريب إلى التطبيق في العالم الحقيقي.

التغلب على التحديات

بينما هذا تطور مثير، فإن إنشاء ذكاء اصطناعي ذي اتجاه العمل يأتي مع تحديات. القدرة على التوسع هي مشكلة كبيرة. يتطلب تدريب وتنفيذ هذه النماذج عبر مهام متنوعة موارد كبيرة. كما أن ضمان السلامة والموثوقية مهم للغاية. يجب على النماذج أداء المهام بدون عواقب غير مقصودة، خاصة في البيئات الحساسة. كما أن الحفاظ على المعايير الأخلاقية حول الخصوصية والأمان مهم للغاية مع تفاعل هذه الأنظمة مع البيانات الخاصة.

تركز خارطة طريق مايكروسوفت على تحسين الكفاءة وتوسيع نطاق الحالات الاستخدامية والحفاظ على المعايير الأخلاقية. مع هذه التطورات، يمكن لنماذج اللغة الكبيرة أن تعيد تعريف كيفية تفاعل الذكاء الاصطناعي مع العالم، مما يجعله أكثر عمليًا، قابلًا للتكيف، وذو اتجاه العمل.

مستقبل الذكاء الاصطناعي

يمكن أن يكون تحويل نماذج اللغة الكبيرة إلى وكلاء ذكاء اصطناعي ذي اتجاه العمل مغيرًا للعبة. يمكن لهذه الأنظمة تautomate المهام، وتبسط سير العمل، وجعل التكنولوجيا أكثر سهولة الوصول. عمل مايكروسوفت على الذكاء الاصطناعي ذي الاتجاه العمل وأدوات مثل وكلاء UFO هو مجرد البداية. مع استمرار تطور الذكاء الاصطناعي، يمكننا توقع أنظمة أكثر ذكاء وقدرة على أداء المهام، لا تتفاعل فقط معنا، بل تقوم بالمهام.