قادة الفكر
كيف ستقوم نماذج اللغة الكبيرة (LLM) بتشغيل تطبيقات المستقبل
تعمل الذكاء الاصطناعي التوليدي و特别 النكهة اللغوية منه – ChatGPT في كل مكان. ستلعب تقنية نموذج اللغة الكبيرة (LLM) دورًا مهمًا في تطوير التطبيقات المستقبلية. تعتبر LLMs جيدة جدًا في فهم اللغة بسبب التدريب المسبق الشامل الذي تم إجراؤه على نماذج الأساس على تريليونات الأسطر من النصوص في المجال العام ، بما في ذلك الشفرة. تجعل طرق مثل التعلم الموجه الخفيف والتعلم المعزز بالتعليقات البشرية (RLHF) هذه LLMs أكثر كفاءة في الإجابة على أسئلة محددة والتحادث مع المستخدمين. عندما ندخل المرحلة التالية من تطبيقات الذكاء الاصطناعي التي تعمل بالطاقة LLMs – المكونات الرئيسية التالية سوف تكون حاسمة لتطبيقات الجيل التالي. يظهر الشكل أدناه هذا التقدم ، وعندما تتحرك لأعلى السلسلة ، تبني المزيد من الذكاء والاستقلالية في تطبيقاتك. دعونا ننظر إلى هذه المستويات المختلفة.
مكالمات LLM:
هذه هي المكالمات المباشرة إلى أنماط الإكمال أو النماذج المحادثة بواسطة مزود LLM مثل Azure OpenAI أو Google PaLM أو Amazon Bedrock. هذه المكالمات لها تحفيز أساسي جدًا وغالبًا ما تستخدم الذاكرة الداخلية ل LLM لإنتاج الإخراج.
مثال: سؤال نموذج أساسي مثل “text-davinci” “روي نكتة”. تقدم القليل من السياق والنموذج يعتمد على ذاكرةه المسبقة المدربة لإنتاج إجابة (محدد باللون الأخضر في الشكل أدناه – باستخدام Azure OpenAI).
التحفيزات:
المستوى التالي من الذكاء هو إضافة المزيد والمزيد من السياق إلى التحفيزات. هناك تقنيات للهندسة التحفيزية يمكن تطبيقها على LLMs التي يمكن أن تجعلها تعطي استجابات مخصصة. على سبيل المثال ، عند إنشاء بريد إلكتروني إلى مستخدم ، يمكن أن يخدم بعض السياق حول المستخدم والشراء السابق وأنماط السلوك كتحفيز لتحسين البريد الإلكتروني. المستخدمون الذين يعرفون ChatGPT سيعرفون طرقًا مختلفة لتحفيز مثل تقديم أمثلة التي تستخدمها LLM لإنشاء استجابة. التحفيزات تعزز الذاكرة الداخلية ل LLM بالسياق الإضافي. مثال أدناه.
التضمين:
يأخذ التضمين التحفيزات إلى المستوى التالي عن طريق البحث في مخزن المعرفة عن السياق والحصول على ذلك السياق وإضافته إلى التحفيز. هنا ، الخطوة الأولى هي إنشاء مخزن وثائق كبير مع نص غير منظم قابل للبحث عن طريق فهرسة النص وتعبئة قاعدة بيانات متجهة. لذلك ، يتم استخدام نموذج تضمين مثل “ada” من OpenAI الذي يأخذ جزءًا من النص ويحوله إلى متجه ن-الأبعاد. هذه التضمين تحوز السياق من النص ، لذلك الجمل المماثلة سوف يكون لها تضمين قريب من بعضها البعض في فضاء المتجه. عندما يقوم المستخدم بإدخال استعلام ، يتم تحويل الاستعلام أيضًا إلى تضمين ويتم مطابقة المتجه هذا ضد المتجهات في قاعدة البيانات. وبالتالي ، نحصل على أفضل 5 أو 10 شظايا نصية مطابقة للاستعلام التي تشكل السياق. يتم تمرير الاستعلام والسياق إلى LLM للإجابة على السؤال بطريقة تشبه الإنسان.
السلاسل:
اليوم السلاسل هي التقنية الأكثر تطورًا ونضجًا المتاحة والتي يتم استخدامها على نطاق واسع لإنشاء تطبيقات LLM. السلاسل هي محددة حيث يتم ربط تسلسل من مكالمات LLM معًا مع إخراج من واحد إلى واحد أو أكثر من LLMs. على سبيل المثال ، يمكننا أن يكون لدينا مكالمة LLM استفسار قاعدة بيانات SQL والحصول على قائمة بريد إلكتروني للعملاء وإرسال هذه القائمة إلى LLM آخر سيولد بريدًا إلكترونيًا مخصصًا للعملاء. يمكن دمج سلاسل LLM هذه في تدفقات التطبيقات الحالية لإنشاء نتائج أكثر قيمة. باستخدام السلاسل ، يمكننا تعزيز مكالمات LLM بالمدخلات الخارجية مثل مكالمات API وتكامل مع رسومات المعرفة لتوفير السياق. وعلاوة على ذلك ، اليوم مع توفر العديد من مزودي LLM مثل OpenAI و AWS Bedrock و Google PaLM و MosaicML وغيرها ، يمكننا مزج مكالمات LLM وتشكيلها في سلاسل. بالنسبة لمكونات السلسلة ذات الذكاء المحدود ، يمكن استخدام LLM أقل مثل “gpt3.5-turbo” ، بينما يمكن استخدام “gpt4” للمهام الأكثر تقدمًا. السلاسل توفر تجريدًا للبيانات والتطبيقات ومكالمات LLM.
الوكلاء:
الوكلاء هو موضوع العديد من المناقشات عبر الإنترنت特别 فيما يتعلق بالذكاء الاصطناعي العام (AGI). يستخدم الوكلاء LLM متقدمًا مثل “gpt4” أو “PaLM2” لتخطيط المهام بدلاً من وجود سلاسل محددة مسبقًا. لذلك ، الآن عندما توجد طلبات المستخدم ، يقرر الوكيل بناءً على الاستعلام ما المجموعة من المهام التي يجب استدعاؤها وينشئ سلسلة ديناميكية. على سبيل المثال ، عندما نكون لدينا تكوين وكيل مع أمر مثل “إعلام العملاء عند تغيير سعر الفائدة القروض بسبب تحديث التنظيم الحكومي”. إطار الوكيل يقوم بمكالمة LLM لتحديد الخطوات التي يجب اتخاذها أو السلاسل التي يجب بناؤها. هنا سوف يتضمن استدعاء تطبيق يقرص مواقع الويب التنظيمية وينقح أحدث سعر الفائدة ، ثم مكالمة LLM تبحث قاعدة البيانات وتنقح بريد إلكتروني العملاء الذين تتأثرهم وأخيرًا يتم إنشاء بريد إلكتروني لإعلام الجميع.
أفكار نهائية
LLM هي تقنية متطورة للغاية وتتم إطلاق نماذج وأفضل تطبيقات كل أسبوع. LLM إلى الوكلاء هو سلم الذكاء وعندما نتحرك لأعلى ، نبني تطبيقات معقدة ومستقلة. سوف تعني النماذج الأفضل وكلاء أكثر فعالية ، وتطبيقات الجيل التالي سوف يتم تشغيلها بواسطة هذه. الوقت سوف يخبرنا كيف سيكون تطور تطبيقات الجيل التالي وما هي الأنماط التي سوف يتم تشغيلها بها.
