صعود البيانات الاصطناعية، ولماذا سوف تعزز البيانات الحقيقية بدلاً من استبدالها

أعلن إيلون ماسك مؤخرًا أننا استنفدنا البيانات البشرية المتاحة لتدريب نماذج الذكاء الاصطناعي. إن تحذيره هو أحدث تعليق على الحاجة إلى مصادر بيانات جديدة إذا كان الذكاء الاصطناعي سيستمر في تقدمه السريع. في صناعات مثل الرعاية الصحية والمالية، فإن اللوائح المتعلقة بالخصوصية تجعل نقص البيانات أكثر حدة.

في حين أن البيانات الاصطناعية – وهي حل محتمل لنقص البيانات – ليست جديدة، فإن أهميتها لا تزال تتزايد، كما يتضح من موجة الاستحواذات والاستثمارات الأخيرة في هذا المجال. ومع ذلك، هناك بعض الشكوك العمياء حول استخدام البيانات الاصطناعية، لا سيما خطر انهيار النموذج، حيث يتراجع جودة إخراج نموذج اللغة الكبيرة متعددة الوظائف (LLM) دون بيانات العالم الحقيقي لتدريبه. سواء كان هذا المشكلة يثبت أنه غير قابل للحل أو قابلاً للتحسين، فقد يكون له تأثير كبير على مستقبل الذكاء الاصطناعي التوليدي (Gen AI).

ما هي البيانات الاصطناعية وكيف يتم إنشاؤها؟

البيانات الاصطناعية هي بيانات تم إنشاؤها بشكل اصطناعي بدلاً من جمعها من أحداث حقيقية. البيانات الاصطناعية التي تم إنشاؤها بواسطة الذكاء الاصطناعي هي الشكل الأكثر شيوعًا الآن، والتي تتضمن تدريب النماذج على بيانات العالم الحقيقي لاكتشاف الأنماط والارتباطات، ثم إنشاء بيانات جديدة تقلد هذه الخصائص الإحصائية.

تستخدم نماذج LLMs لإنشاء أنواع مختلفة من البيانات الاصطناعية، بما في ذلك البيانات المهيكلة، مثل البيانات الجدولية، والبيانات غير المهيكلة، مثل النصوص الحرة والصور والفيديوهات. يتم استخدام مجموعة من الطرق، اعتمادًا على نوع البيانات التي يتم إنتاجها.

على سبيل المثال، هناك طريقتان شائعتان مستخدمتان لإنشاء بيانات الصور الاصطناعية هما GANs ونموذج الانتشار. تستخدم GANs شبكتين عصبويتين: شبكة توليدية تُنشئ نسخًا اصطناعية من البيانات الحقيقية، وشبكة تمييزية تحدد أيها حقيقي مقابل ما تم توليده. تعمل الشبكتان معًا بشكل مستمر، حيث تحاول الشبكة التوليدية “خداع” الشبكة التمييزية، مما يحسن باستمرار واقعية وتنوع البيانات الاصطناعية. يتبع نموذج الانتشار نهجًا مختلفًا، حيث يتعلم تشويه البيانات الحقيقية ثم عكس هذه العملية لتنقيةها. بمجرد تدريبهم بشكل فعال، يمكنهم إنتاج بيانات صوتية ومرئية اصطناعية عالية الجودة.

أهمية البيانات الاصطناعية المتزايدة

هناك اهتمام دائم بالبيانات الاصطناعية. ومع ذلك، في السنوات الخمس الماضية، زادت التطورات السريعة لنماذج LLMs من الطلب على البيانات الاصطناعية وأوجدت وسيلة أكثر فعالية لإنشائها على نطاق واسع. ونتيجة لذلك، ارتفعت استخدامات البيانات الاصطناعية بشكل كبير.

توقعت شركة جارتنر أن تشكل البيانات الاصطناعية 60% من جميع البيانات المستخدمة لتدريب نماذج LLMs بحلول عام 2024، مقارنة بـ 1% فقط في عام 2021. هناك كل理由 للاعتقاد بأن هذه التقدير دقيق بشكل عام. على سبيل المثال، تم تدريب نموذج Microsoft Phi-4، الذي يتفوق على نماذج LLMs الأخرى尽管 حجمه أصغر، بنجاح على بيانات اصطناعية في الغالب. في غضون ذلك، يبحث مهندسو Amazon’s Alexa في استخدام نموذج “معلم/طالب” حيث يولد نموذج “المعلم” بيانات اصطناعية يتم استخدامها بعد ذلك لتعدين نموذج “الطالب” الأصغر.

تتمثل هذه الاستخدامات الشائعة أيضًا في تحركات كبيرة في السوق. شهد قطاع البيانات الاصطناعية طفرة استثمارية في عام 2021-2022. حصلت Gretel AI و Tonic.ai على جولات استثمارية من الفئة ب بقيمة 50 مليون دولار و 35 مليون دولار على التوالي. تمت متابعتها bằng إغلاق MOSTLY AI لجولة استثمارية من الفئة ب بقيمة 25 مليون دولار و حصول Synthesis AI على تمويل من الفئة أ بقيمة 17 مليون دولار.

في الآونة الأخيرة، اتجه الاتجاه نحو عمليات استحواذ كبيرة. استحواذ NVIDIA على Gretel في هذا الربيع سيدعم عملاق التكنولوجيا في عمله الخاص في هذا المجال. وبالمثل، استحوذت شركة SAS على شركة Hazy، وهي شركة ناشئة لبيانات اصطناعية، في نوفمبر 2024.

قدرت شركة Cognilytica أن سوق إنشاء البيانات الاصطناعية كان بقيمة حوالي 110 مليون دولار في عام 2021. تتوقع الشركة أن تصل إلى 1.15 مليار دولار بحلول عام 2027. وتتوقع توقعات أخرى نموًا سنويًا مرکبًا بنسبة 31% للقطاع، حيث ينمو إلى 2.33 مليار دولار في القيمة بحلول عام 2030.

انهيار النموذج

ومع ذلك، فإن الإمكانات المثيرة للاهتمام للبيانات الاصطناعية تأتي مع جانب سلبي كبير: انهيار النموذج. هذا هو ظاهرة حيث تبدأ نماذج LLMs التي تم تدريبها فقط على بيانات اصطناعية في إنتاج مخرجات أقل دقة أو أقل تنوعًا.

بينما تميل البيانات الحقيقية إلى أن تكون عالية التعقيد، غالبًا ما يتم تبسيط البيانات الاصطناعية وتكثيفها بواسطة النماذج. على سبيل المثال، وجد الباحثون أن دقة نموذج تم تدريبه لاكتشاف الثآليل السرطانية من الصور كانت متناسبة عكسياً مع كمية بيانات التدريب الاصطناعية. وجدت دراسة حديثة من قبل أكاديميين من أوكسفورد وكامبريدج وكلية الإمبريالية وجامعة تورونتو أن استخدام بيانات النموذج التي تم إنشاؤها بشكل غير تمييزي أدى إلى “عوائق لا يمكن إصلاحها في النموذج الناتج”.

أشد من ذلك، معظم نماذج LLMs هي “صندوق أسود”، مما يجعل من الصعب فهم كيف ستستجيب للبيانات الاصطناعية. خلصت الباحثون من جامعة رايس وستانفورد إلى أن بدون بعض البيانات الحقيقية الجديدة، “النماذج التوليدية المستقبلية محكومة على أن تتراجع جودتها (الدقة) أو تنوعها بشكل متزايد”.

الحاجة المستمرة إلى بيانات العالم الحقيقي

من الواضح أن حتى مع زيادة الطلب على البيانات الاصطناعية، لا تزال هناك حاجة إلى بيانات العالم الحقيقي. في الواقع، قد تزداد الحاجة إلى بيانات العالم الحقيقي عالية الجودة. السبب في ذلك هو ثنائي. أولاً، سوف تكون هناك دائمًا حاجة إلى بيانات العالم الحقيقي لتدريب نماذج الذكاء الاصطناعي التي تُنشئ البيانات الاصطناعية. ثانيًا، من أجل تجنب انهيار النموذج، من الضروري مزامنة البيانات الاصطناعية مع بيانات العالم الحقيقي بشكل مستمر.

بيانات حقيقية لتدريب نماذج الذكاء الاصطناعي التي تنتج بيانات اصطناعية

كما ذكرنا سابقًا، يتم إنشاء معظم البيانات الاصطناعية اليوم باستخدام Gen AI. ويجب تدريب هذه نماذج Gen AI على بيانات العالم الحقيقي لإنشاء بيانات اصطناعية قابلة للاستخدام. ذلك لأنها لا تستطيع إنشاء بيانات اصطناعية إلا من خلال تكرار الأنماط والخصائص الإحصائية لمجموعة بيانات العالم الحقيقي.

فكر في المثال الحديث لشركة تأمين التي استخدمت البيانات الاصطناعية لاختبار موردين مختلفين دون المساس ببيانات العملاء الحساسة. لإنشاء هذا مجموعة بيانات اصطناعية التي تقلد الواقع بدقة، كان عليهم استخدام بياناتهم الحقيقية الخاصة لتدريب نموذج الذكاء الاصطناعي الذي أنشأ بعد ذلك البيانات الاصطناعية.

بيانات حقيقية لتخفيف انهيار النموذج

هناك استراتيجيات متعددة لتخفيف خطر انهيار النموذج. وتشمل هذه التحقق من صحة مجموعات البيانات الاصطناعية ثم مراجعتها بانتظام، واختبار جودة البيانات الاصطناعية قبل استخدامها في النماذج التوليدية. ومع ذلك، النهج الأكثر شيوعًا هو تنويع البيانات المستخدمة من خلال دمج البيانات الاصطناعية مع بيانات الإنسان. وجدت دراسة أجرتها شركة جارتنر أن 63% من المستجيبين يفضلون استخدام مجموعة بيانات جزئيًا اصطناعية، مع 13% فقط يقولون إنهم يستخدمون بياناتًا اصطناعية بالكامل.

حتى إضافة كميات متواضعة من البيانات الحقيقية يمكن أن تحسن أداء النموذج بشكل كبير. وجد الباحثون من جامعة جنوب كاليفورنيا أن الشركات يمكن أن استبدلوا ما يصل إلى 90% من بياناتهم الحقيقية بالبيانات الاصطناعية دون ملاحظة انخفاض كبير في الأداء. ومع ذلك، فإن استبدال ذلك النسبة المئوية الأخيرة البالغة 10% من بيانات الإنسان يؤدي إلى انخفاض كبير.

تعتمد الجودة أيضًا، كما هو موضح في حالة نجاح Microsoft مع Phi-4. تم تدريب هذا النموذج LLM على بيانات اصطناعية في الغالب التي تم إنشاؤها بواسطة GPT-4o. ومع ذلك، كانت معظم بيانات التدريب المسبق – مجموعة بيانات عامة تستخدم في المرحلة الأولى من التدريب قبل تعدين النموذج – بيانات حقيقيةعالية الجودة تم تحضيرها بعناية، بما في ذلك الكتب والأوراق البحثية.

الفوائد المحتملة التي يمكن أن تbringها البيانات الاصطناعية

عندما يتم استخدام البيانات الاصطناعية بذكاء، ودمجها بشكل فعال مع البيانات الحقيقية، فإنها تتمتع بال潜عة لتحقيق ستة قضايا محددة عند يتعلق الأمر ببيانات تدريب الذكاء الاصطناعي: النقص، والوصول، والتناسق، والتحيز، ومسائل الخصوصية، والتكلفة.

نقص البيانات

كما يتنافس شركات الذكاء الاصطناعي على الحصول على حصة السوق وتحقيق إنجازات جديدة، يزيد الطلب على البيانات لتدريب نماذج LLMs. تتمتع البيانات الاصطناعية بال潜عة لملء هذا الفجوة، على الأقل وفقًا لأبحاث شركة جارتنر. ومع ذلك، يجب ملاحظة أن استخدام كميات كبيرة من البيانات الحقيقية في مجموعات بيانات التدريب المسبق، وللمزامنة لتجنب انهيار النموذج، سيظل مطلوبًا.

دоступ إلى البيانات

يتزايد عدد الشركات الكبيرة التي تعمل كحارسين عند يتعلق الأمر بالبيانات، مما يخلق حاجزًا للENTRY للاعبين الأصغر. تتمتع البيانات الاصطناعية بال潜عة لتحرير الذكاء الاصطناعي التوليدي عن طريق جعل كميات كبيرة من بيانات التدريب متاحة وبأسعار معقولة.

تناسق البيانات

في بعض الحالات الخاصة، مثل تدريب الذكاء الاصطناعي للقيادة الذاتية، تكون مجموعات البيانات الحقيقية متماثلة للغاية. في حالة القيادة، يمكن للمطورين إنشاء بيانات اصطناعية لملء الفجوات في البيانات للحالات غير العادية. هذا يسمح للنماذج بالتدريب على أحداث نادرة على الطريق.

التحيز

تحتوي بعض مجموعات البيانات الحقيقية على تحيزات متأصلة، لذلك يمكن إنشاء بيانات اصطناعية لضمان حصول نماذج الذكاء الاصطناعي على صورة متوازنة. على سبيل المثال، في مجال المالية، جادلت هيئة السلوك المالي في المملكة المتحدة أن البيانات الاصطناعية تتمتع بال潜عة لمكافحة التحيزات المحتملة التي تسببها مجموعات معينة غير ممثلة في مجموعات البيانات البشرية.

الخصوصية

في قطاعات مثل الرعاية الصحية والمالية، تجعل متطلبات الخصوصية نقص البيانات أكثر حدة. مع البيانات الاصطناعية، يمكن للشركات بناء مجموعات بيانات تدريب لنماذجها التي تحتوي على بيانات محددة دون المساس بخصوصية العملاء. ومع ذلك، كما أشار تقرير مفوض من قبل الجمعية الملكية في المملكة المتحدة إلى ما يتعلق بالبيانات الاصطناعية في البحث الطبي، هناك افتراض أن البيانات الاصطناعية “تتمتع بالخصوصية بشكل固 hữu”. هذا هو “concept خاطئ”. كما يشير الباحثون، يمكن للبيانات الاصطناعية تسريب المعلومات حول البيانات التي تم اشتقاقها منها.

بخاصة، النماذج التي تم تدريبها على بيانات حساسة معرضة ل

هجمات عكسية للنموذج

، حيث يمكن للمهاجمين إعادة بناء أجزاء من مجموعة البيانات الأصلية.

التكلفة

بشكل عام، تتم إنشاء البيانات الاصطناعية بتكلفة أقل من البيانات الحقيقية. كما أنها تأتي مصنفة، مما يوفر الوقت والتكلفة. في بعض مشاريع تدريب الذكاء الاصطناعي، تصل إلى 80% من المشروع يتم استهلاكه في تحضير البيانات، بما في ذلك التصنيف. هذا يفسر لماذا برزت شركات مخصصة لاستخدام العمالة منخفضة التكلفة لتلبية احتياجات معالجة البيانات لعمال وادي السيليكون.

تعزيز البيانات الحقيقية بدلاً من استبدالها

يمكن الاستفادة من فوائد البيانات الاصطناعية، شريطة ألا يتم التعامل معها كبديل للبيانات الحقيقية. بدلاً من ذلك، يجب أن يكون دورها تعزيز مجموعات البيانات الحقيقية، وتوفير وسائل لزيادة حجم النقاط البيانية المتاحة.

للمقارنة، يتم تدريب نموذج Meta LLM القادم، LLAMA Behemoth، على 30 تريليون نقطة بيانات. من الواضح أن العثور على بيانات حقيقية بهذا الحجم هو تحدي، إن لم يكن مستحيلًا. ومع ذلك، كما لوحظ، لا يزال استخدام البيانات الحقيقية ضروريًا، سواء كان ذلك لتدريب النماذج التي تنتج البيانات الاصطناعية أو للمزامنة مع البيانات الاصطناعية لضمان الدقة وتجنب انهيار النموذج. عند مستوى عمل نماذج LLMs الآن، حتى لو كانت البيانات الاصطناعية تشكل نسبة كبيرة من بيانات التدريب المستخدمة، ستظل هناك حاجة كبيرة إلى بيانات العالم الحقيقي. وهذا يعني أن هناك مشاكل معقدة يجب حلها حول الحارسين، والوصول، والتحيز، والتكلفة، والزمن.