ما المقصود بالذكاء الاصطناعي المولّد؟

على الرغم من أن الذكاء الاصطناعي المولّد يمكن أن يؤثر في جميع الصناعات بمرور الوقت، فإن بعض الصناعات ذات قابلية للاستفادة بسرعة من هذه التقنية.

الخدمات المالية

يمكن لشركات الخدمات المالية تسخير قوى الذكاء الاصطناعي المولّد لخدمة عملائها بشكل أفضل وفي الوقت نفسه تقليل التكاليف:

• يمكن للمؤسسات المالية استخدام روبوتات المحادثة لإنشاء توصيات المنتجات والرد على استفسارات العملاء، ما يحسِّن خدمة العملاء بشكل عام
• يمكن لمؤسسات الإقراض تسريع الموافقات على القروض للأسواق التي تعاني النقص المالي، خاصةً في الدول النامية
• يمكن للبنوك اكتشاف محاولات الاحتيال سريعًا في المطالبات وبطاقات الائتمان والقروض
• يمكن لشركات الاستثمار تسخير قوى الذكاء الاصطناعي المولّد في تقديم المشورة المالية المخصصة لعملائها بتكلفة منخفضة

الرعاية الصحية وعلوم الحياة

من بين أكثر حالات الاستخدام الواعدة للذكاء الاصطناعي المولّد تسريع اكتشاف الأدوية وبحوثها. يستخدم الذكاء الاصطناعي المولّد نماذج لإنشاء تسلسلات بروتينية جديدة بخصائص محددة لتصميم الأجسام المضادة والإنزيمات واللقاحات والعلاجات الجينية.

يمكن لشركات الرعاية الصحية وعلوم الحياة استخدام النماذج المولّدة لتصميم تسلسلات الجينات الاصطناعية للتطبيقات في مجالَي البيولوجيا التركيبية والهندسة الأيضية. على سبيل المثال، يمكنها إنشاء مسارات جديدة للتخليق الحيوي أو تحسين التعبير الجيني لأغراض التصنيع الحيوي.

وأخيرًا، يمكن استخدام الذكاء الاصطناعي المولّد لإنشاء بيانات اصطناعية للمرضى والرعاية الصحية. يُعد هذا مفيدًا لتدريب نماذج الذكاء الاصطناعي أو محاكاة التجارب السريرية أو دراسة الأمراض النادرة بدون الوصول إلى مجموعات بيانات واقعية كبيرة.

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.

تستخدم شركات السيارات الذكاء الاصطناعي المولّد في تقديم خدمة عملاء أفضل من خلال توفير ردود سريعة على أسئلة العملاء الأكثر شيوعًا. يمكن إنشاء تصميمات تتضمن مواد ورقائق وأجزاء جديدة باستخدام الذكاء الاصطناعي المولّد لتحسين عمليات التصنيع وخفض التكاليف.

يمكن أيضًا استخدام الذكاء الاصطناعي المولّد لإنشاء البيانات الاصطناعية لاختبار التطبيقات. هذا مفيد بشكل خاص للبيانات التي لا تكون متضمنة غالبًا في مجموعات بيانات الاختبار (مثل العيوب أو الأعطال في حالات الاستخدام القصوى).

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.

فيما يلي طرق أخرى يمكنك من خلالها استخدام الذكاء الاصطناعي المولّد في الصناعة:

• 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 بإنشاء صور رمزية

الاتصالات السلكية واللاسلكية

تركز حالات الاستخدام الأولى للذكاء الاصطناعي المولّد في قطاع الاتصالات على إعادة ابتكار تجربة العملاء. تتحدد تجربة العملاء من خلال التفاعلات التراكمية للمشتركين عبر جميع نقاط الاتصال التي تتضمنها رحلة العميل.

على سبيل المثال، يمكن لمؤسسات الاتصالات السلكية واللاسلكية تطبيق الذكاء الاصطناعي المولّد لتحسين خدمة العملاء من خلال وكلاء محادثة مباشرين شبيهين بالإنسان. ويمكنها أيضًا تحسين أداء الشبكة من خلال تحليل بيانات الشبكة للتوصية بالإصلاحات. ويمكنها إعادة ابتكار علاقات العملاء من خلال مساعدي المبيعات الفرديين الشخصيين.

الطاقة

يُعد الذكاء الاصطناعي المولّد مناسبًا لمهام قطاع الطاقة التي تتضمن تحليل البيانات الأولية المعقدة، والتعرف على الأنماط، والتنبؤ، والتحسين. يمكن لمؤسسات الطاقة تحسين خدمة العملاء من خلال تحليل بيانات المؤسسة لتحديد أنماط الاستخدام. باستخدام هذه المعلومات، يمكنها تطوير عروض المنتجات المستهدفة أو برامج كفاءة الطاقة أو مبادرات الاستجابة للطلب.

يمكن للذكاء الاصطناعي المولّد المساعدة في إدارة الشبكات وزيادة السلامة التشغيلية بالموقع وتحسين إنتاج الطاقة من خلال محاكاة المخزون.

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 أن يتعامل مع أجزاء مختلفة من تسلسل الإدخال. ويسمح هذا للنموذج بالنظر في الوقت نفسه في جوانب مختلفة من البيانات.

تنقِّح كل طبقة أيضًا التضمينات السياقية. وتعزز الطبقات مدى ثراء التضمينات بالمعلومات وتستخلص كل شيء، بدءًا من القواعد النحوية حتى المعاني الدلالية المعقدة.

إذا كانت مؤسستك ترغب في تنفيذ حلول الذكاء الاصطناعي المولّد، فضع في اعتبارك أفضل الممارسات التالية لتعزيز جهودك.

البدء بالتطبيقات الداخلية

من الأفضل البدء في اعتماد الذكاء الاصطناعي المولّد من خلال تطوير التطبيقات الداخلية، مع التركيز على تحسين العمليات وإنتاجية الموظفين. وبذلك تحصل على بيئة مُتحكَّم بها بشكل أكبر لاختبار النتائج وفي الوقت نفسه بناء المهارات وفهم التكنولوجيا. يمكنك اختبار النماذج على نطاق واسع، بل وتخصيصها على مصادر المعرفة الداخلية.

وبهذه الطريقة، سيتمتع عملاؤك بتجربة أفضل بكثير عندما تستخدم النماذج للتطبيقات الخارجية في نهاية المطاف.

تعزيز الشفافية

راعِ أن تكون عمليات التواصل المتعلقة بجميع تطبيقات الذكاء الاصطناعي المولّد ومخرجاته واضحة، حتى يعرف المستخدمون أنهم يتفاعلون مع ذكاء اصطناعي وليس مع أشخاص. على سبيل المثال، يمكن للذكاء الاصطناعي تقديم نفسه على أنه ذكاء اصطناعي، أو يمكن تمييز نتائج البحث المستندة إلى الذكاء الاصطناعي وتظليلها.

وبهذه الطريقة، يمكن للمستخدمين الاعتماد على تقديرهم الخاص عندما يتفاعلون مع المحتوى. قد يكونون أيضًا أكثر استباقية في التعامل مع أي معلومات غير دقيقة أو تحيزات خفية قد تطرحها النماذج الأساسية بسبب قيود بيانات التدريب الخاصة بها.

تطبيق تدابير الأمان

طبَّق حواجز حماية حتى لا تسمح تطبيقات الذكاء الاصطناعي المولّد بالوصول غير المصرح به وغير المقصود إلى البيانات الحساسة. أشرك فرق الأمان من البداية بحيث يمكن وضع جميع الجوانب في الحسبان من البداية. على سبيل المثال، قد تضطر إلى إخفاء البيانات وإزالة المعلومات المُعرّفة شخصيًا (PII) قبل تدريب أي نماذج على البيانات الداخلية.

الاختبار على نطاق واسع

طوِّر عمليات الاختبار المؤتمتة واليدوية للتحقق من صحة النتائج واختبار جميع أنواع السيناريوهات التي قد يتعرض لها نظام الذكاء الاصطناعي المولّد. كوِّن مجموعات مختلفة من مختبري الإصدارات التجريبية الذين يجربون التطبيقات بطرق مختلفة ويوثقون النتائج. سيتحسن النموذج أيضًا بشكل مستمر من خلال الاختبار، وستحصل على مزيد من التحكم في النتائج والاستجابات المتوقعة.

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.

اختر من بين مجموعة من تقنيات الذكاء الاصطناعي المولّد التي تدعم جميع أنواع المؤسسات في كل مرحلة من مراحل اعتماد الذكاء الاصطناعي المولّد ونضجه:

• يُعد إنشاء التعليمات البرمجية (أي الأكواد والرموز) أحد أكثر التطبيقات الواعدة للذكاء الاصطناعي المولّد. يمكنك الحصول على نتائج رائعة في إنتاجية المطورين باستخدام Amazon CodeWhisperer، مساعد الترميز بالذكاء الاصطناعي. خلال المعاينة، واجهت Amazon تحديًا من حيث الإنتاجية. كان المشاركون الذين استخدموا CodeWhisperer أكثر احتمالية لإكمال المهام بنجاح بنسبة 27 في المائة. وفي المتوسط، أكملوا المهام بشكل أسرع بنسبة 57 في المائة من أولئك الذين لم يستخدموا CodeWhisperer.
• تُعد Amazon Bedrock خدمة أخرى مُدارة بالكامل توفر مجموعة من نماذج التأسيس عالية الأداء ومجموعة واسعة من القدرات. يمكنك بسهولة تجربة العديد من أفضل نماذج التأسيس وتخصيصها بشكل خاص مع بياناتك وإنشاء وكلاء مُدارين ينفذون مهام الأعمال المعقدة.
• يمكنك أيضًا استخدام Amazon SageMaker JumpStart لاكتشاف نماذج التأسيس مفتوحة المصدر واستكشافها ونشرها، بل لإنشاء نماذج التأسيس الخاصة بك. يوفر SageMaker JumpStart بنية تحتية وأدوات مُدارة لتسريع الإنشاء والتدريب والنشر للنماذج القابلة للتوسع والموثوق بها.
• تُعد AWS HealthScribe خدمة مؤهلة لقانون نقل التأمين الصحي والمساءلة (HIPAA) تمكّن موردي برامج الرعاية الصحية من إنشاء تطبيقات سريرية تنشئ تلقائيًا ملاحظات سريرية من خلال تحليل المحادثات بين المريض والطبيب. تجمع AWS HealthScribe بين التعرف على الكلام والذكاء الاصطناعي (AI) المولّد لتقليل عبء التوثيق السريري عن طريق تحويل المحادثات بين المريض والطبيب إلى نصوص وإنشاء ملاحظات سريرية أسهل للمراجعة.
• تساعد Amazon Q في QuickSight محللي الأعمال على إنشاء المرئيات وتخصيصها بسهولة باستخدام أوامر اللغة الطبيعية. توسِّع قدرات تأليف ذكاء الأعمال المولّد الجديدة نطاق الاستعلامات باللغة الطبيعية لـ QuickSight Q إلى ما يتخطى الإجابة عن الأسئلة ذات التراكيب الصحيحة (مثل "ما أفضل 10 منتجات تُباع في كاليفورنيا؟") لمساعدة المحللين على إنشاء صور قابلة للتخصيص بسرعة من أجزاء الأسئلة (مثل "أفضل 10 منتجات")، وتوضيح الغرض من الاستعلام عن طريق طرح أسئلة متابعة، وتحسين المرئيات، وإكمال العمليات الحسابية المعقدة.

ابدأ استخدام الذكاء الاصطناعي المولّد على AWS من خلال إنشاء حساب اليوم.