ما هو الذكاء الاصطناعي المولِّد؟
الذكاء الاصطناعي المولّد (الذي يُعرف اختصارًا أيضًا بـ generative AI أو gen AI) هو أحد أنواع الذكاء الاصطناعي الذي يمكنه إنشاء محتوى جديد وأفكار مبتكرة، ويدخل في ذلك المحادثات والقصص والصور ومقاطع الفيديو والموسيقى. يمكنه تعلُّم لغة البشر أو لغات البرمجة أو الفن أو الكيمياء أو علم الأحياء أو أي موضوع معقد. كما إنه يُعيد استخدام ما يعرفه لحل المشكلات الجديدة.
على سبيل المثال، يمكنه تعلم مفردات اللغة الإنجليزية وإنشاء قصيدة من الكلمات التي يعالجها.
يمكن لمؤسستك استخدام الذكاء الاصطناعي المولّد لأغراض مختلفة، مثل روبوتات المحادثة وإنشاء الوسائط وتطوير المنتجات وتصميمها.
أمثلة الذكاء الاصطناعي المولّد
يحتوي الذكاء الاصطناعي المولّد على العديد من حالات الاستخدام عبر الصناعات
الخدمات المالية
تستخدم شركات الخدمات المالية أدوات الذكاء الاصطناعي المولّد لخدمة عملائها بشكل أفضل مع تقليل التكاليف:
- تستخدم المؤسسات المالية روبوتات المحادثة لإنشاء توصيات المنتجات والرد على استفسارات العملاء، ما يحسِّن خدمة العملاء بشكل عام.
- تُسرِّع مؤسسات الإقراض الموافقات على القروض للأسواق التي تعاني النقص المالي، خاصةً في الدول النامية.
- تكتشف البنوك محاولات الاحتيال سريعًا في المطالبات وبطاقات الائتمان والقروض.
- تستخدم شركات الاستثمار قوى الذكاء الاصطناعي المولّد في تقديم المشورة المالية المخصصة لعملائها بتكلفة منخفضة.
اقرأ المزيد عن الذكاء الاصطناعي المولّد للخدمات المالية على AWS
الرعاية الصحية وعلوم الحياة
واحدة من أكثر حالات استخدام الذكاء الاصطناعي الواعدة هي تسريع اكتشاف الأدوية والبحث. يستطيع الذكاء الاصطناعي المولّد إنشاء تسلسلات بروتينية جديدة بخصائص محددة لتصميم الأجسام المضادة والإنزيمات واللقاحات والعلاجات الجينية.
تستخدم شركات الرعاية الصحية وعلوم الحياة أدوات الذكاء الاصطناعي المولّد لتصميم تسلسلات الجينات الاصطناعية للبيولوجيا التركيبية وتطبيقات الهندسة الأيضية. على سبيل المثال، يمكنها إنشاء مسارات جديدة للتخليق الحيوي أو تحسين التعبير الجيني لأغراض التصنيع الحيوي.
تعمل أدوات الذكاء الاصطناعي المولّد أيضًا على إنشاء بيانات اصطناعية للمرضى والرعاية الصحية. يمكن أن تكون هذه البيانات مفيدة لتدريب نماذج الذكاء الاصطناعي أو محاكاة التجارب السريرية أو دراسة الأمراض النادرة دون الوصول إلى مجموعات بيانات كبيرة في العالم الحقيقي.
اقرأ المزيد عن الذكاء الاصطناعي المولّد في الرعاية الصحية وعلوم الحياة على AWS
السيارات والتصنيع
يمكن لشركات السيارات استخدام تقنية الذكاء الاصطناعي المولّد في العديد من الأغراض، بدايةً من الهندسة ووصولاً إلى التجارب الداخلية بالمركبات وخدمة العملاء. على سبيل المثال، يمكنها تحسين تصميم الأجزاء الميكانيكية لتقليل السحب في تصميمات المركبات أو تهيئة تصميم المساعدين الشخصيين.
شركات السيارات تستخدم أدوات الذكاء الاصطناعي المولّد في تقديم خدمة عملاء أفضل من خلال توفير ردود سريعة على أسئلة العملاء الأكثر شيوعًا. يقوم الذكاء الاصطناعي المولّد بإنشاء مواد ورقائق وتصميمات أجزاء جديدة لتحسين عمليات التصنيع وخفض التكاليف.
هناك حالة استخدام أخرى للذكاء الاصطناعي المولّد وهي تجميع البيانات لاختبار التطبيقات. هذا مفيد بشكل خاص للبيانات التي لا تكون متضمنة غالبًا في مجموعات بيانات الاختبار (مثل العيوب أو الأعطال في حالات الاستخدام القصوى).
الاتصالات السلكية واللاسلكية
تركز حالات استخدام الذكاء الاصطناعي المولّد في الاتصالات على إعادة ابتكار تجربة العملاء المحددة من خلال التفاعلات التراكمية للمشتركين عبر جميع نقاط الاتصال في رحلة العميل.
على سبيل المثال، يمكن لمؤسسات الاتصالات السلكية واللاسلكية تطبيق الذكاء الاصطناعي المولّد لتحسين خدمة العملاء من خلال وكلاء محادثة مباشرين شبيهين بالإنسان. يمكنها إعادة ابتكار علاقات العملاء من خلال مساعدي المبيعات الفرديين الشخصيين. ويمكنها أيضًا تحسين أداء الشبكة من خلال تحليل بيانات الشبكة للتوصية بالإصلاحات.
الوسائط الإعلامية والترفيه
بدايةً من الرسوم المتحركة والبرامج النصية إلى الأفلام الكاملة، يمكن لنماذج الذكاء الاصطناعي المولّد إنتاج محتوى جديد بجزء بسيط من التكلفة والوقت للإنتاج التقليدي.
تشمل حالات استخدام الذكاء الاصطناعي المولّد الأخرى في الصناعة ما يلي:
- يمكن للفنانين استكمال ألبوماتهم وتعزيزها بمقطوعات موسيقية منشأة بالذكاء الاصطناعي لابتكار تجارب جديدة تمامًا.
- يمكن للمؤسسات الإعلامية استخدام "الذكاء الاصطناعي المولّد" لتحسين تجارب جمهورها من خلال تقديم محتوى مخصص وإعلانات مخصصة لزيادة الإيرادات.
- يمكن لشركات الألعاب استخدام "الذكاء الاصطناعي المولّد" في ابتكار ألعاب جديدة والسماح للاعبين ببناء صور رمزية (صور أفاتار).
مزايا الذكاء الاصطناعي المولّد
وفقًا لـ Goldman Sachs، يمكن للذكاء الاصطناعي المولّد أن يؤدي إلى زيادة بنسبة 7 في المائة (أو ما يقرب من 7 تريليون USD) في الناتج المحلي الإجمالي العالمي (GDP) ورفع نمو الإنتاجية بنسبة 1.5 نقطة مئوية على مدى عشر سنوات. وفيما يلي، نقدم المزيد من فوائد الذكاء الاصطناعي المولّد.
كيف تطورت تقنية الذكاء الاصطناعي المولّد؟
ما زالت النماذج المولّدة الأولية مستخدمة منذ عقود في الإحصاء للمساعدة في تحليل البيانات العددية. وكانت الشبكات العصبونية والتعليم العميق من السلائف الأخيرة للذكاء الاصطناعي المولّد الحديث. وفي عام 2013، طُورت أدوات التشفير التلقائي المتغيرة (VAE) التي كانت أول نماذج مولّدة عميقة يمكنها إنشاء صور وكلام واقعي.
أجهزة التشفير التلقائي المتغيرة (VAEs)
قدمت VAEs (أجهزة التشفير التلقائي المتغيرة) القدرة على إنشاء أشكال جديدة لأنواع بيانات متعددة. وقد أدى ذلك إلى الظهور السريع لنماذج الذكاء الاصطناعي المولّد الأخرى، مثل الشبكات التنافسية المولّدة ونماذج الانتشار. ركزت هذه الابتكارات على إنشاء البيانات التي يزداد تقاربها من البيانات الحقيقية بمرور الوقت، على الرغم من منشأة بشكل اصطناعي.
المُحولات
في عام 2017، حدث تحوُّل آخر في أبحاث الذكاء الاصطناعي مع ظهور المحولات التي تكاملت بسلاسة مع هيكلة أدوات التشفير وفك التشفير جنبًا إلى جنب مع استخدام إحدى آليات الاهتمام. وقد بسَّطت المحولات عملية تدريب نماذج اللغة مع تحقيق مستوى استثنائي من الكفاءة وتعدد الاستخدامات. ظهرت نماذج بارزة، مثل المحول المولّد المدرَّب مسبقًا (GPT)، باعتبارها نماذج تأسيس يمكن تدريبها مسبقًا على مجموعة واسعة من النصوص الأولية وإجراء عمليات ضبط دقيق لها لأداء مهام متنوعة.
غيّرت المحولات ما كان ممكنًا لمعالجة اللغة الطبيعية، حيث مكَّنت القدرات المولّدة لإنجاز مهام تتراوح بين الترجمة والتلخيص إلى الإجابة عن الأسئلة.
المستقبل
يستمر الكثير من نماذج الذكاء الاصطناعي المولّد في قطع أشواط كبيرة وأصبحت له تطبيقات عبر الصناعات المتعددة. تركز الابتكارات الحديثة على تحسين النماذج للعمل على البيانات مسجلة الملكية (أي البيانات الخاصة). يريد الباحثون أيضًا إنشاء نصوص وصور ومقاطع فيديو وكلام تزداد تقاربًا مما يصنعه الإنسان شيئًا فشيئًا.
كيف يعمل الذكاء الاصطناعي المولّد؟
كما هي الحال مع كل أشكال الذكاء الاصطناعي، يعمل الذكاء الاصطناعي المولّد باستخدام نماذج تعلّم الآلة، إلا أنها تكون نماذج كبيرة للغاية ومدرَّبة مسبقًا على كميات هائلة من البيانات.
نماذج التأسيس
نماذج التأسيس (FMs) هي نماذج تعلّم آلة مدرَّبة على مجموعة واسعة من البيانات المعممة وغير المصنفة. وهي قادرة على أداء مجموعة متنوعة من المهام العامة.
نماذج التأسيس (FMs) هي نتيجة أحدث التطورات في التكنولوجيا التي شهدناها على مرّ عقود. بشكل عام، يستخدم نموذج التأسيس الأنماط والعلاقات المكتسبة للتنبؤ بالعنصر التالي في تسلسل معين.
على سبيل المثال، عند إنشاء الصور، يحلل النموذج الصورة وينشئ نسخة أكثر وضوحًا ودقة منها. وبالمثل، مع النصوص، يتنبأ النموذج بالكلمة التالية في سلسلة نصية استنادًا إلى الكلمات السابقة وسياقها. ثم يختار الكلمة التالية باستخدام تقنيات توزيع الاحتمالات.
نماذج اللغة الكبيرة
نماذج اللغة الكبيرة (LLMs) هي واحدة من فئات نماذج التأسيس (FMs). على سبيل المثال، نماذج المحول المولّد المدرَّب مسبقًا (GPT) من OpenAI هي عبارة عن نماذج لغة كبيرة. تركز نماذج اللغة الكبيرة بشكل خاص على المهام المستندة إلى اللغة، مثل التلخيص وإنشاء النصوص والتصنيف والمحادثة المفتوحة واستخراج المعلومات.
ما يجعل نماذج اللغة الكبيرة مميزة هو قدرتها على أداء مهام متعددة. ويمكنها القيام بذلك لأنها تحتوي على العديد من المعلمات التي تجعلها قادرة على تعلم مفاهيم متقدمة.
يمكن لنموذج لغة كبير، مثل GPT-3، النظر في مليارات المعلمات ولديه القدرة على إنشاء محتوى من مدخلات قليلة للغاية. بما أن نماذج اللغة الكبيرة تتعرّض قبل التدريب للبيانات على نطاق الإنترنت بجميع أشكالها المختلفة وبأنماطها التي لا تُعد ولا تُحصى، فإنّها تتعلم تطبيق معرفتها في مجموعة واسعة من السياقات.
كيف تعمل نماذج الذكاء الاصطناعي المولّد؟
كانت نماذج تعلم الآلة التقليدية تمييزية أو ركزت على تصنيف نقاط البيانات. وكانت تحاول تحديد العلاقة بين العوامل المعروفة وغير المعروفة. على سبيل المثال، تنظر النماذج إلى الصور (البيانات المعروفة مثل ترتيب البكسل والخط واللون والشكل) وتعيِّنها إلى الكلمات (العامل غير المعروف). من الناحية الرياضية، كانت تعمل النماذج من خلال تحديد المعادلات التي يمكنها تعيين عوامل غير معروفة ومعروفة عدديًا مثل المتغيرَين x وy. تنفذ النماذج المولّدة خطوة إضافية أخرى. بدلاً من التنبؤ بتصنيف أو تسمية استنادًا إلى بعض الميزات المعطاة، تحاول التنبؤ بالميزات استنادًا إلى تصنيف أو تسمية معينة معطاة. من الناحية الرياضية، تحسب النماذج المولّدة احتمال حدوث x وy معًا. وتتعلم توزيع ميزات البيانات المختلفة والعلاقات فيما بينها. على سبيل المثال، تحلل النماذج المولّدة صور الحيوانات لتسجيل متغيرات مثل مختلف أشكال الأذن وأشكال العين وملامح الذيل وأنماط الجلد. وتتعلم الميزات والعلاقات فيما بينها لفهم كيف تبدو الحيوانات المختلفة بشكل عام. ويمكنها بعد ذلك إعادة إنشاء صور حيوانات جديدة لم تكن في مجموعة التدريب. بعد ذلك، نقدم بعض الفئات الواسعة لنماذج الذكاء الاصطناعي المولّد.
نماذج الانتشار
تنشئ نماذج الانتشار بيانات جديدة عن طريق إجراء تغييرات عشوائية خاضعة للتحكم بشكل متكرر على عينة بيانات أولية. فهي تبدأ بالبيانات الأصلية وتضيف تغييرات طفيفة (يُطلق عليها تشويه)، ما يجعلها تدريجيًا أقل تشابهًا مع الأصل. يُتحكم في هذا التشويه بعناية لضمان بقاء البيانات المنشأة متماسكة وواقعية.
بعد إضافة التشويه عبر العديد من التكرارات، يعكس نموذج الانتشار العملية، حيث يُزال التشويه تدريجيًا من خلال عملية إلغاء التشويه العكسي لإنتاج عينة بيانات جديدة تشبه العينة الأصلية.
الشبكات التنافسية المولّدة
تُعد الشبكة التنافسية المولّدة (GAN) نموذجًا آخر للذكاء الاصطناعي المولّد يعتمد على مفهوم نموذج الانتشار.
تعمل الشبكات التنافسية المولّدة من خلال تدريب شبكتين عصبونيتين بطريقة تنافسية. تنشئ الشبكة الأولى، المعروفة باسم المولّد، عينات بيانات مزيفة عن طريق إضافة تشويه عشوائي. وتحاول الشبكة الثانية، التي تُسمى المميِّز، التمييز بين البيانات الحقيقية والبيانات المزيفة التي ينتجها المولّد.
في أثناء التدريب، يحسِّن المولّد باستمرار قدرته على إنشاء بيانات واقعية، في حين يصبح المميِّز أفضل في التمييز بين البيانات الحقيقية والمزيفة. تستمر هذه العملية التنافسية حتى ينتج المولّد بيانات مقنعة للغاية بحيث لا يمكن للمميِّز تمييزها عن البيانات الحقيقية.
تُستخدم الشبكات التنافسية المولّدة على نطاق واسع في إنشاء صور واقعية ونقل الأنماط ومهام زيادة حجم البيانات.
أدوات التشفير التلقائي المتغيرة
تدرك أدوات التشفير التلقائي المتغيرة (VAE) وجود تمثيل مضغوط للبيانات يُسمى المساحة الكامنة. وهذه المساحة الكامنة عبارة عن تمثيل رياضي للبيانات. يمكنك التفكير في الأمر على أنه رمز فريد يمثل البيانات بناءً على جميع سماتها. على سبيل المثال، عند دراسة الوجوه، تحتوي المساحة الكامنة على أرقام تمثل شكل العين وشكل الأنف وعظام الخدين والأذنين.
تستخدم أدوات التشفير التلقائي المتغيرة شبكتين عصبونيتين: أداة التشفير وأداة فك التشفير. تعيِّن الشبكة العصبونية لأداة التشفير بيانات الإدخال إلى متوسط ومتغير لكل بُعد من أبعاد المساحة الكامنة. وتنشئ عينة عشوائية من توزيع غاوس (التوزيع الطبيعي). وتظهر هذه العينة كنقطة في المساحة الكامنة، وتمثل نسخة مضغوطة ومبسَّطة من بيانات الإدخال.
تأخذ الشبكة العصبونية لأداة فك التشفير نقطة العينة هذه من المساحة الكامنة وتعيد بناءها مرة أخرى إلى بيانات تشبه بيانات الإدخال الأصلية. وتُستخدم الدوال الرياضية لقياس مدى تطابق البيانات المعاد بناؤها مع البيانات الأصلية.
النماذج المستندة إلى المحولات
يعتمد نموذج الذكاء الاصطناعي المولّد المستند إلى المحولات على مفهومَي أداتَي التشفير وفك التشفير في سياق أدوات التشفير التلقائي المتغيرة (VAE). تضيف النماذج المستندة إلى المحولات المزيد من الطبقات إلى أداة التشفير لتحسين الأداء في المهام المستندة إلى النص، مثل الفهم والترجمة والكتابة الإبداعية.
تستخدم النماذج المستندة إلى المحولات آلية اهتمام ذاتي. وهي تقيِّم أهمية الأجزاء المختلفة من تسلسل الإدخال عند معالجة كل عنصر في التسلسل.
وتتمثل ميزة رئيسة أخرى في أن نماذج الذكاء الاصطناعي هذه تنفذ تضمينات سياقية. لا يعتمد تشفير عنصر التسلسل على العنصر نفسه فحسب، بل يعتمد أيضًا على سياقه داخل التسلسل.
كيفية عمل النماذج المستندة إلى المحولات
لفهم كيفية عمل النماذج المستندة إلى المحولات، تخيل الجملة كسلسلة من الكلمات.
تساعد آلية الاهتمام الذاتي النموذج على التركيز على الكلمات ذات الصلة في أثناء معالجة كل كلمة. لاكتشاف أنواع مختلفة من العلاقات بين الكلمات، يستخدم النموذج المولّد المستند إلى المحول طبقات تشفير متعددة تُسمى رؤوس الاهتمام. يتعلم كل رأس من رؤوس الاهتمام بأجزاء مختلفة من تسلسل الإدخال، مما يسمح للنموذج بالنظر في جوانب مختلفة من البيانات في وقت واحد.
تعمل كل طبقة أيضًا على تحسين عمليات التضمين السياقية، مما يجعلها أكثر إفادة وتلتقط كل شيء بدءًا من بناء الجملة النحوية وحتى المعاني الدلالية المعقدة.
تدريب الذكاء الاصطناعي المولّد للمبتدئين
يبدأ تدريب الذكاء الاصطناعي المولّد بفهم مفاهيم تعلّم الآلة التأسيسية. يجب على المتعلمين أيضًا استكشاف الشبكات العصبية وبنية الذكاء الاصطناعي. تعتبر الخبرة العملية مع مكتبات Python مثل TensorFlow أو PyTorch ضرورية لتنفيذ نماذج مختلفة وتجربتها. يجب عليك أيضًا تعلم تقييم النماذج والضبط الدقيق ومهارات هندسة الأوامر (هندسة التلقين).
توفر درجة في الذكاء الاصطناعي أو تعلّم الآلة تدريبًا متعمقًا. فكر في الدورات القصيرة عبر الإنترنت والشهادات للتطوير المهني. يتضمن تدريب الذكاء الاصطناعي المولّد على AWS شهادات من خبراء AWS حول موضوعات مثل:
- مقدمة في الذكاء الاصطناعي المولّد
- الذكاء الاصطناعي المولّد للمديرين التنفيذيين
- أساسيات الذكاء الاصطناعي المولّد للشركات
ما هي حدود الذكاء الاصطناعي المولّد؟
على الرغم من التطورات التي حققتها أنظمة الذكاء الاصطناعي المولّد، يمكن أن تنتج أحيانًا معلومات غير دقيقة أو مضللة. إنهم يعتمدون على الأنماط والبيانات التي تم تدريبهم عليها ويمكن أن يعكسوا التحيزات أو عدم الدقة المتأصلة في تلك البيانات. تشمل المخاوف الأخرى المتعلقة ببيانات التدريب
الأمان
تنشأ مخاوف تتعلق بخصوصية البيانات وأمانها إذا تم استخدام بيانات الملكية لتخصيص نماذج الذكاء الاصطناعي المولّد. يجب بذل الجهود لضمان أن أدوات الذكاء الاصطناعي المولّد تولد ردود تحد من الوصول غير المصرح به إلى بيانات الملكية. تنشأ المخاوف الأمنية أيضًا إذا كان هناك نقص في المساءلة والشفافية في كيفية اتخاذ نماذج الذكاء الاصطناعي للقرارات.
تعرف على النهج الآمن للذكاء الاصطناعي المولّد باستخدام AWS
الإبداع
في حين أن الذكاء الاصطناعي المولّد يمكنه إنتاج محتوى إبداعي، إلا أنه غالبًا ما يفتقر إلى الأصالة الحقيقية. إن إبداع الذكاء الاصطناعي مقيد بالبيانات التي تم التدريب عليها، مما يؤدي إلى مخرجات قد تبدو متكررة أو مشتقة. لا يزال الإبداع البشري، الذي يتضمن فهمًا أعمق ورنينًا عاطفيًا، يمثل تحديًا للذكاء الاصطناعي لتكراره بالكامل.
التكلفة
يتطلب تدريب نماذج الذكاء الاصطناعي المولّد وتشغيلها موارد حسابية كبيرة. يمكن الوصول إلى نماذج الذكاء الاصطناعي القائمة على السحابة وبأسعار معقولة أكثر من محاولة بناء نماذج جديدة من الصفر.
القابلية للتفسير
نظرًا لطبيعتها المعقدة وغير الشفافة، غالبًا ما تُعتبر نماذج الذكاء الاصطناعي المولّد كالصناديق السوداء الغامضة. يعد فهم كيفية وصول هذه النماذج إلى مخرجات محددة أمرًا صعبًا. تحسين قابلية التفسير والشفافية أمر ضروري لزيادة الثقة والتبني.
ما أفضل الممارسات المتعلقة باعتماد الذكاء الاصطناعي المولّد؟
إذا كانت مؤسستك ترغب في تنفيذ حلول الذكاء الاصطناعي المولّد، فضع في اعتبارك أفضل الممارسات التالية لتعزيز جهودك.
كيف يمكن لـ AWS مساعدة الذكاء الاصطناعي المولّد؟
تسهِّل Amazon Web Services (AWS) إنشاء تطبيقات الذكاء الاصطناعي المولّد وتوسيع نطاقها لبياناتك وحالات استخدامك وعملائك. من خلال الذكاء الاصطناعي المولّد على AWS، يمكنك الحصول على الأمان والخصوصية بمستوى يليق بالمؤسسات، والوصول إلى نماذج التأسيس الرائدة في الصناعة، والتطبيقات المشغلة بالذكاء الاصطناعي المولّد، ونهج البيانات أولاً.