نماذج ومنصات الذكاء الاصطناعي
إطلاق KumoRFM-2، نموذج أساسي مصمم لتحل محل التعلم الآلي التقليدي في الشركات
أضف Unite.AI إلى مصادرك المفضلة على Google
Kumo قد كشفت عن KumoRFM-2، نموذج أساسي من الجيل التالي مصمم خصيصًا للبيانات الهيكلية للشركات—مما يشير إلى تحول أساسي في كيفية توليد التنبؤات من مستودعات البيانات. على عكس خطوط أنابيب التعلم الآلي التقليدية التي تتطلب أشهر من هندسة الميزات وتطوير النماذج المخصصة، يتيح KumoRFM-2 للفرق توليد التنبؤات على الفور باستخدام اللغة الطبيعية، دون تدريب أو خبرة متخصصة.
في جوهره، يمثل النموذج فئة جديدة من الذكاء الاصطناعي: نموذج أساسي علاقي يعمل مباشرة على هياكل البيانات للشركات بدلاً من تحويلها إلى جداول مبسطة. هذا الفرق يعالج واحدة من أهم القيود المستمرة في الذكاء الاصطناعي للشركات، حيث يتم فقدان العلاقات القيمة بين مجموعات البيانات غالبًا قبل بدء النمذجة حتى.
من الأنابيب الثابتة إلى الأنظمة التنبؤية في الوقت الفعلي
لقد كانت التحليلات التنبؤية للشركات تاريخيًا بطيئة ومكلفة. كل حالة استخدام جديدة—سواء كانت تنبؤ بالهجرة أو كشف الاحتيال أو التنبؤ بالطلب—تتطلب عادةً خط أنابيب منفصل، يتضمن تنظيف البيانات وتصميم الميزات وتدريب النموذج وضبطه.
يستبدل KumoRFM-2 هذا العمل الكامل بنظام مسبق التدريب واحد.
بدلاً من بناء النماذج، يحدد المستخدمون ما يريدون التنبؤ به. يفسر النموذج الطلب، وينشئ السياق اللازم من قاعدة البيانات الأساسية، وينتج التنبؤات في جولة واحدة. يتم ذلك من خلال مزيج من التعلم في السياق وواجهة إعلانية تسمى لغة الاستفسار التنبؤي (PQL)، حيث يعبر المستخدمون عن النتيجة التي يهتمون بها بدلاً من الخطوات المطلوبة لحسابها.
النتيجة هي تحول من “بناء النماذج” إلى “الأسئلة”—تغيير يقلل بشكل كبير من حواجز استخدام الذكاء الاصطناعي التنبؤي عبر المنظمة.
لماذا كانت البيانات العلاقة صعبة?
تضيع معظم أنظمة الذكاء الاصطناعي الحالية في التعامل مع البيانات الهيكلية للشركات لسبب بسيط: أنها تعاملها بشكل غير صحيح.
النماذج التقليدية، بما في ذلك العديد من أنظمة الذكاء الاصطناعي الجدولي والنمذج اللغوية الكبيرة، تعتمد على تحويل البيانات إلى جدول واحد. لكن البيانات الفعلية للشركات موجودة كأنظمة متصلة—عملاء متصليون بالمعاملات، معاملات متصلة بالمنتجات، منتجات متصلة بالمخزون، كل ذلك يتطور مع مرور الوقت.
يؤدي تحويل هذه الهياكل إلى إزالة العلاقات التي غالبًا ما تحتوي على الإشارات التنبؤية الأكثر قيمة. كما يضطر الفرق إلى إعادة إنشاء هذه الإشارات يدويًا من خلال هندسة الميزات، وهو عملية تستغرق وقتًا و容易 الخطأ.
يستخدم KumoRFM-2 نهجًا مختلفًا تمامًا من خلال العمل مباشرة على قواعد البيانات العلاقة، مما يحافظ على الاتصالات عبر الجداول والطوابع الزمنية والكيانات.
داخل الهندسة المعمارية: كيف يعمل KumoRFM-2
الابتكار الرئيسي وراء KumoRFM-2 هو هندسته المعمارية المتدرجة للتحويل العلاقي، والتي تعالج البيانات على مستويات متعددة في نفس الوقت.
على المستوى الأول، يتحليل النموذج الجداول الفردية باستخدام مزيج من انتباه الصف والعمود. هذا يسمح له بفهم كيف تتصل الميزات داخل الجدول أثناء تصفية البيانات غير ذات الصلة أو الضوضاء في وقت مبكر من العملية. ومن المهم أن يتم تقديم هدف التنبؤ في هذه المرحلة، مما يعني أن النموذج مشروط على المهمة من البداية.
على المستوى الثاني، يقوم النموذج بالاستدلال القائم على الرسم البياني عبر الجداول. باستخدام علاقات المفاتيح الخارجية، يربط البيانات من أجزاء مختلفة من قاعدة البيانات—مثل ربط ملف تعريف العميل بتاريخ الشراء أو أنماط السلوك—ويحدد الإشارات عبر الجداول التي قد تفقد في غير ذلك.
على المستوى الثالث، يدمج النموذج انتباه العينة عبرها، مما يسمح له بالتعلم من عدة أمثلة في نفس الوقت. هذا يتيح له تعميم النتائج من عدد صغير نسبيًا من الأمثلة السياقية، بدلاً من الحاجة إلى مجموعات بيانات كاملة للتدريب.
هذا التصميم المتدرج هو أمر بالغ الأهمية. إنه يمنع الانفجار الحسابي الذي قد يحدث من معالجة كل نقطة بيانات في نفس الوقت، بينما يحسن الدقة من خلال تصفية الضوضاء قبل حدوث التفكير الأعمق.
التعلم في السياق يتحل محل التدريب
ميزة محددة لـ KumoRFM-2 هي اعتماده على التعلم في السياق بدلاً من التدريب التقليدي.
بدلاً من تدريب نموذج لكل مهمة، يتم تدريب KumoRFM-2 مرة واحدة على مزيج كبير من البيانات العلاقة الاصطناعية والحقيقية. عند تقديم مستخدم طلب تنبؤ، يولد النظام تلقائيًا مجموعة من الأمثلة السياقية—تعد هذه الأمثلة إرشادات للنموذج، مما يسمح له بالاستدلال الأنماط وإنتاج التنبؤات دون تحديث أوزانه.
تؤدي هذه الأمثلة دور التوجيه للنموذج، مما يسمح له بالاستدلال الأنماط وإنتاج التنبؤات دون تحديث أوزانه. في الممارسة، يعني هذا:
- لا تدريب على المهمة
- لا هندسة ميزات
- لا ضبط نموذج
حتى مع 0.2٪ من البيانات التي تتطلب عادةً للتعلم الإشرافي، يمكن للنموذج تحقيق أداء على مستوى الدولة.
الأداء عبر المعايير العملية
تم تقييم KumoRFM-2 عبر 41 مهمة تنبؤية تشمل صناعات مثل التجارة الإلكترونية والرعاية الصحية والمنصات الاجتماعية والأنظمة الشركية.
يتفوق النموذج باستمرار على نهج التعلم الآلي الإشرافي التقليدي، بما في ذلك التجميع الهندسي والأنظمة العلاقة للتعلم العميق. على معايير الشركات، يتفوق على الحلول الشائعة بفواصل كبيرة، بينما يحسن أيضًا عند التعديل الدقيق.
بeyond الدقة الخام، يظهر النموذج متانة قوية:
- يحافظ على الأداء حتى عند فقدان أجزاء كبيرة من الروابط العلاقة
- يتعامل مع البيانات الضوضاء أو غير الكاملة بتراجع طفيف
- يؤدي أداء جيدًا في سيناريوهات البداية الباردة حيث تكون البيانات التاريخية محدودة
تكون هذه المتانة مهمة بشكل خاص في بيئات الشركات، حيث غالبًا ما تكون جودة البيانات غير متسقة.
مصمم للنطاق: حتى 500 مليار صف
KumoRFM-2 مصمم للعمل على نطاق بنية البيانات الحديثة.
يمكن للنظام معالجة مجموعات بيانات تتجاوز 500 مليار صف من خلال الجمع بين التنفيذ الأصلي لقاعدة البيانات ومحرك الرسم البياني المخصص الذي يمكنه الوصول إلى البيانات بسرعة عالية. بدلاً من نقل البيانات إلى نظام تعلم آلي منفصل، يتم دفع الحساب مباشرة إلى حيث تقع البيانات—سواء في قواعد بيانات SQL أو مستودعات البيانات السحابية.
يقلل هذا النهج من التأخير، ويبسط النشر، ويمكّن المنظمات من دمج القدرات التنبؤية مباشرة في سير العمل الحالية.
اللغة الطبيعية كواجهة
ميزة أخرى محددة هي واجهة اللغة الطبيعية للنموذج.
يمكن للمستخدمين طرح أسئلة مثل:
- أي العملاء من المرجح أن يهجروا في الأيام الثلاثين القادمة؟
- أي Leads من المرجح أن تتحول؟
- أي المنتجات سترى زيادة في الطلب؟
يترجم النظام هذه الاستفسارات إلى منطق تنبؤي منظم، وينفذها على البيانات الأساسية، ويعيد التنبؤات والتوضيحات.
هذا لا يجعل فقط التحليلات التنبؤية أكثر سهولة، ولكن أيضًا يتيح دمجها مع وكلاء الذكاء الاصطناعي، حيث يمكن دمج التنبؤات في سير العمل التفاعلية للاتخاذ القرارات.
نحو ذكاء الشركات الموجه بالوكلاء
KumoRFM-2 مصمم مع الوكلاء في الاعتبار.
يمكن تعريض قدرات التنبؤ الخاصة به كمهارات موديارية يمكن لوكلاء الذكاء الاصطناعي استدعائها كجزء من سير العمل الأكبر. هذا يتحول إلى نمذجة تنبؤية كبناء قابل للتجميع—شيء يمكن دمجه مع الاسترجاع والاستدلال والتنفيذ في الأنظمة الذكية.
في هذا السياق، النموذج ليس فقط أداة للمحللين، ولكن طبقة أساسية للآلية التالية للشركات.
إعادة تعريف دور العلوم البيانية
KumoRFM-2 يشير إلى تحول أوسع في كيفية tiếp cận المنظمات للعلوم البيانية.
بدلاً من بناء وصيانة عشرات النماذج المخصصة للمهمة، يمكن للفرق الاعتماد على نظام عام واحد يعتمد على المهمة في الحال. هذا يقلل من الحاجة إلى خبرة متخصصة في هندسة الميزات وضبط النموذج، بينما يتيح تجربة أسرع وتكرار.
للمنظمات الكثيرة، قد يعني هذا الانتقال من وظيفة علوم بيانية مركزية إلى نموذج أكثر توزيعًا، حيث تكون الإشارات التنبؤية متاحة عبر عدة أقسام.
فئة جديدة من النماذج الأساسية
في حين أن النماذج الأساسية قد قامت بالفعل بتحويل المجالات مثل اللغة والرؤية، ظلت البيانات الهيكلية للشركات واحدة من آخر الحدود.
KumoRFM-2 يمثل مثالًا مبكرًا على ما يمكن أن تحققه نماذج أساسية متخصصة للبيانات الهيكلية. من خلال الجمع بين الاستدلال العلاقي والتعلم في السياق والتفاعل باللغة الطبيعية، يطرح نموذجًا جديدًا للذكاء الاصطناعي التنبؤي.
إذا تم تبنيه على نطاق واسع، يمكن لهذا النهج أن يعيد تعريف كيفية تعامل الأعمال مع بياناتها—مما يتحول من عملية معقدة ومؤجلة إلى قدرة في الوقت الفعلي على مستوى المنظمة.
