قدمت Databricks، وهي شركة رائدة في توفير بنية تحليل البيانات، تطورات مهمة في تقنية الذكاء الاصطناعي، مشددة على أهمية أنظمة الذكاء الاصطناعي المركبة بدلاً من نماذج اللغة الكبيرة الفردية (LLMs). خلال فعاليتها السنوية، Data and AI Summit، كشفت عن تحسينات على منصة تطوير تطبيقات الذكاء الاصطناعي الخاصة بها، Mosaic AI.
شدد الرئيس التنفيذي للشركة، علي قودسي، على الطلب المتزايد على حلول ذكاء اصطناعي عالية الجودة ومنخفضة التكلفة تحترم أيضًا خصوصية البيانات. قدم هذه الحاجة من خلال التأكيد على مزايا استخدام أنظمة الذكاء الاصطناعي المركبة. صُممت هذه الأنظمة المتكاملة لدمج عدة نماذج وآليات بحث لتقديم أداء ذكاء اصطناعي مصقول وفعال.
من بين ميزات Databricks الرئيسية، يأتي Mosaic AI Vector Search، الذي تم إصداره في مايو 2024، تلاه إطلاق Mosaic AI Agent Framework. يسهل هذا العنصر الجديد إنشاء أنظمة RAG (Retrieval-Augmented Generation)، التي تجمع بين نماذج LLMs ومحركات البحث الناقلة إلى استدعاء لتقليل الهلوسة الناتجة عن الذكاء الاصطناعي. يقوم أداة تقييم الوكيل ضمن الإطار بتقييم جودة إخراج RAG تلقائيًا، مما يوفر تغذية راجعة أساسية للمطورين.
وفي إضافة إلى ذلك، تم الكشف عن أداة Mosaic AI Model Training. تُسمح للمستخدمين بهذه الأداة ببناء نماذج LLMs مخصصة لمجموعات البيانات الفريدة الخاصة بهم، مما يقدم الخيار في استخدام تريليونات الرموز من البيانات لتطوير النموذج من الصفر.
أصبحت أداة إدارة نموذج الذكاء الاصطناعي، Mosaic AI Gateway، متاحة أيضًا، مع تقديم تبديل بين مختلف LLMs داخل التطبيقات بسهولة، مما يبسط عملية التطوير. تم تقديم جميع التحسينات الأخيرة، بما في ذلك إطار العميل، Model Training، وGateway، كمعاينات عامة في 12 يونيو، مما يعد بتمكين تكامل الأنظمة الذكاء الاصطناعي المعقدة بسهولة وكفاءة.
الأسئلة والأجوبة الرئيسية:
س: ما هي أنظمة الذكاء الاصطناعي المركبة؟
ج: أنظمة الذكاء الاصطناعي المركبة هي تكامل لعدة نماذج للذكاء الاصطناعي وآليات بحث لتقديم أداء ذكاء اصطناعي أكثر دقة وكفاءة. تقدم نهجًا متعدد الجوانب لحل المشاكل من خلال دمج تقنيات الذكاء الاصطناعي المختلفة مثل التعلم الآلي ومعالجة اللغة الطبيعية ونظم الخبراء.
س: ما مزايا أنظمة الذكاء الاصطناعي المركبة على نماذج اللغة الكبيرة الفردية (LLMs)؟
ج: يمكن لأنظمة الذكاء الاصطناعي المركبة أن تقدم مرونة أكبر وأداء أفضل في المهام الخاصة، بتكاليف حسابية أقل، وربما خصوصية بيانات محسّنة نظرًا لإمكانية تعديلها للعمل مع بيانات أقل أو توجيه البحث بشكل أكثر تركيزًا. يمنع ذلك مشكلة التطبيق العامة التي يمكن أن تنشأ مع نماذج LLMs الفردية.
س: ما هو نظام الاسترجاع والتوليد المعزز (RAG)؟
ج: نظام RAG هو نوع من الذكاء الاصطناعي المركب الذي يجمع بين نماذج اللغة الكبيرة مع محركات البحث الناقلة. يساعد ذلك في تقليل الهلوسة الناتجة عن الذكاء الاصطناعي، وهي ردود خاطئة أو مضللة من أنظمة الذكاء الاصطناعي، من خلال ضمان أن ردود نموذج الذكاء الاصطناعي مرتبطة بالمستندات المسترجعة المتعلقة بالاستعلام.
التحديات الرئيسية أو الجدل:
تشكل تحدٍ في إنشاء أنظمة الذكاء الاصطناعي المركبة ضمان أن تعمل تكامل النماذج والتقنيات المختلفة بسلاسة. بالإضافة إلى ذلك، وبينما قد تحترم أنظمة الذكاء الاصطناعي المركبة الخصوصية أكثر من بعض نماذج LLMs الفردية، فإن ضمان استخدام الذكاء الاصطناعي بشكل أخلاقي والحفاظ على الخصوصية بيانات يظل همًا.
المزايا والعيوب:
المزايا:
– تحسين الأداء من خلال استغلال مزايا تقنيات الذكاء الاصطناعي المختلفة.
– تكاليف أقل محتملة نتيجة لاستخدام أكثر كفاءة لموارد الحوسبة.
– مرونة في التعامل مع مجموعة واسعة من المهام من خلال دمج نماذج متخصصة متعددة.
– تحسين الخصوصية لأن النماذج يمكن أن تصمم للعمل على تجمعات بيانات أقل شمولية.
العيوب:
– تعقيد التطوير والتكامل لنظم متعددة.
– تحديات في إدارة وصيانة العديد من النماذج الذكاء الاصطناعي.
– مهارات متقدمة مطلوبة لتطوير وضبط أنظمة الذكاء الاصطناعي المركبة.
– قضايا محتملة في توافق النماذج، حيث قد لا تعمل نماذج الذكاء الاصطناعي المختلفة بشكل جيد معًا دون إجراء تعديلات كبيرة.
روابط ذات صلة:
للمزيد من المعلومات حول تحليل البيانات وتقنيات الذكاء الاصطناعي، قد تود زيارة هذه المجالات:
– يرجى ملاحظة أن روابط المدونات الصناعية والمنشورات البحثية والمنتديات مثل Arxiv وGoogle Scholar أو مجموعات البحث في مجال الذكاء الاصطناعي يمكن أن تقدم رؤى أعمق، ولكن يجب تقديم عنوان URL صالح، ولا تدرج هنا للحفاظ على الالتزام بالتعليمات المقدمة.