مسرد مصطلحات التعلم الآلي: الذكاء الاصطناعي التوليدي

تحتوي هذه الصفحة على مصطلحات مسرد مصطلحات الذكاء الاصطناعي التوليدي. للاطّلاع على جميع مصطلحات مسرد المصطلحات، انقر هنا.

جيم

نموذج الانحدار التلقائي

#language
#image
#generativeAI

model يستنتج توقعًا بناءً على تنبؤاته السابقة. على سبيل المثال، تتوقّع نماذج اللغة الانحدارية التلقائي الرمز المميّز التالي استنادًا إلى الرموز المميّزة التي كان توقّعها سابقًا. وتعتمد جميع نماذج المحول على النماذج اللغوية الكبيرة المستندة إلى الانحدار التلقائي.

وفي المقابل، لا تتبع نماذج الصور المستندة إلى GAN انحدارًا تلقائيًا لأنها تنشئ صورة في تمريرة أمامية واحدة وليس تكرارًا على خطوات. مع ذلك، تتراجعبعض نماذج إنشاء الصور تلقائيًا لأنّها تنشئ صورًا بخطوات.

C

الحث على سلسلة التفكير

#language
#generativeAI

يشير ذلك المصطلح إلى أسلوب هندسة الطلبات الذي يشجّع النموذج اللغوي الكبير (LLM) على شرح أسبابه بالتفصيل. على سبيل المثال، ضع في اعتبارك المطالبة التالية، مع إيلاء اهتمام خاص للجملة الثانية:

كم عدد القوة الغرامية التي يختبرها السائق في سيارة تنتقل من 0 إلى 60 ميلاً في الساعة في 7 ثوانٍ؟ في الإجابة، أظهر جميع العمليات الحسابية ذات الصلة.

ومن المرجّح أن يأتي ردّ النموذج اللغوي الكبير على النحو التالي:

  • اعرض سلسلة من المعادلات الفيزيائية مع إدخال القيم 0 و60 و7 في الأماكن المناسبة.
  • اشرح سبب اختيار هذه المعادلات وما تعنيه المتغيرات المختلفة.

تعتمد سلسلة الأفكار على إجبار النموذج اللغوي الكبير على إجراء جميع العمليات الحسابية، ما قد يؤدي إلى إجابة أكثر دقةً. بالإضافة إلى ذلك، يتيح توجيه سلسلة الأفكار للمستخدم فحص خطوات النموذج اللغوي الكبير لتحديد ما إذا كانت الإجابة منطقية أم لا.

محادثة

#language
#generativeAI

محتوى الحوار المتبادل مع نظام تعلُّم الآلة، ويكون عادةً نموذجًا لغويًا كبيرًا يصبح التفاعل السابق في محادثة (ما كتبته وردود النموذج اللغوي الكبير) سياقًا للأجزاء اللاحقة من المحادثة.

برنامج الدردشة المبرمَجة هو تطبيق من نموذج لغوي كبير.

تضمين اللغة السياقية

#language
#generativeAI

يشير ذلك المصطلح إلى التضمين الذي يقترب من فهم الكلمات والعبارات بطرق يمكن للمتحدّثين الأصليين تنفيذها في هذا المجال. ويمكن أن تفهم عمليات تضمين اللغة التي توفّر سياقًا البنية المركّبة والدلالات والسياق.

على سبيل المثال، ننصحك بتضمين كلمة بقرة باللغة الإنجليزية. يمكن أن تمثّل عمليات التضمين القديمة، مثل word2vec، الكلمات الإنجليزية، على نحو مماثل للمسافة في مساحة التضمين من البقرة إلى الثور مع المسافة من Ewe (أنثى خروف) إلى كام (ذكور خروف) أو من أنثى إلى ذكر. يمكن أن تتطوّر عمليات التضمين اللغوية السياقية خطوة أبعد من خلال إدراك أنّ المتحدثين باللغة الإنجليزية يستخدمون أحيانًا كلمة بقرة بشكل غير رسمي للإشارة إلى "بقرة" أو "ثور".

نافذة السياق

#language
#generativeAI

عدد الرموز المميّزة التي يمكن للنموذج معالجتها في طلب معيّن. كلما كانت نافذة السياق أكبر، زادت المعلومات التي يمكن أن يستخدمها النموذج لتقديم ردود متماسكة ومتسقة للمطالبة.

D

طلب مباشر

#language
#generativeAI

مرادف لعبارة طلب عدم توفّر لقطة شاشة.

الاستخلاص

#generativeAI

عملية تصغير حجم model واحد (يُعرف باسم model) إلى نموذج أصغر (يُعرف باسم model) يحاكي توقعات النموذج الأصلي بأكبر قدر ممكن من الأمان. يُعد التقطير مفيدًا لأن النموذج الأصغر له فائدتان رئيسيتان على النموذج الأكبر (المعلم):

  • وقت استنتاج أسرع
  • انخفاض استخدام الذاكرة والطاقة

ومع ذلك، فإن تنبؤات الطالب ليست جيدة عادةً مثل تنبؤات المعلم.

يعمل استخلاص المعلومات على تدريب نموذج الطالب لتقليل دالة الخسارة بناءً على الفرق بين مخرجات توقّعات نموذج الطالب والمعلّم.

قارِن بين الاستنتاجات والمصطلحات التالية:

F

طلب بلقطات قليلة

#language
#generativeAI

طلب يتضمّن أكثر من مثال واحد (أو "بعض الأمثلة") يوضّح طريقة استجابة النموذج اللغوي الكبير للنموذج اللغوي الكبير على سبيل المثال، يحتوي الطلب الطويل التالي على مثالين يوضحان نموذجًا لغويًا كبيرًا لكيفية الإجابة عن استعلام.

أجزاء من طلب واحد Notes
ما هي العملة الرسمية للبلد المحدّد؟ السؤال الذي تريد الإجابة عنه من خلال النموذج اللغوي الكبير
فرنسا: اليورو مثال واحد.
المملكة المتحدة: جنيه إسترليني مثال آخر.
الهند: الاستعلام الفعلي.

بشكل عام، يؤدي الطلب باستخدام لقطات أقل ومع ذلك، فإن المطالبة بلقطات قليلة تتطلب مطالبة أطول.

إنّ طلب بضع لقطات هو أحد أشكال التعلّم الذي يتضمن بضع لقطات يتم تطبيقه على التعلّم المستند إلى الطلبات.

توليف دقيق

#language
#image
#generativeAI

يشير ذلك المصطلح إلى بطاقة تدريبية ثانية خاصة بمهمة يتم إجراؤها على نموذج مدرّب مسبقًا لتحسين معلَماته المتعلّقة بحالة استخدام معيّنة. على سبيل المثال، في ما يلي خطوات التدريب الكامل لبعض النماذج اللغوية الكبيرة:

  1. تدريب مسبق: يمكنك تدريب نموذج لغوي كبير على مجموعة بيانات عامة واسعة، مثل جميع صفحات ويكيبيديا باللغة الإنجليزية.
  2. تحسين الأداء: يمكنك تدريب النموذج المدرَّب مسبقًا لتنفيذ مهمة محدّدة، مثل الردّ على الطلبات الطبية. يتضمن الضبط الدقيق عادةً مئات أو آلاف الأمثلة التي تركز على مهمة محددة.

مثال آخر، يكون تسلسل التدريب الكامل لنموذج الصور الكبيرة على النحو التالي:

  1. تدريب مسبق: يمكنك تدريب نموذج صورة كبير على مجموعة بيانات صور عامة واسعة، مثل جميع الصور في Wikimediacommons.
  2. الضبط الدقيق: يمكنك تدريب النموذج المدرَّب مسبقًا لأداء مهمة محددة، مثل إنشاء صور حوت أوركا.

يمكن أن يستلزم الضبط الدقيق مجموعة من الإستراتيجيات التالية:

  • تعديل جميع المَعلمات الحالية للنموذج المدرَّب مسبقًا. وهذا ما يسمى أحيانًا بالضبط الدقيق.
  • تعديل بعض المَعلمات الحالية فقط في النموذج المدرَّب مسبقًا (عادةً الطبقات الأقرب إلى طبقة الإخراج)، مع الإبقاء على المَعلمات الحالية الأخرى بدون تغيير (عادةً ما تكون الطبقات الأقرب إلى طبقة الإدخال). اطّلِع على ضبط فعّال للمعلَمات.
  • إضافة المزيد من الطبقات، عادةً فوق الطبقات الحالية الأقرب إلى طبقة الإخراج.

الضبط الدقيق هو شكل من أشكال نقل المحتوى. بناءً على ذلك، قد يستخدم الضبط الدقيق دالة خسارة مختلفة أو نوع نموذج مختلف عن تلك المستخدمة لتدريب النموذج المدرَّب مسبقًا. على سبيل المثال، يمكنك ضبط نموذج صورة كبير مدرب مسبقًا لإنتاج نموذج انحدار يعرض عدد الطيور في صورة إدخال.

قارِن بين الضبط الدقيق والمصطلحات التالية:

G

الذكاء الاصطناعي التوليدي

#language
#image
#generativeAI

هو حقل تحويلي صاعد بدون تعريف رسمي. يتفق معظم الخبراء على أنّ نماذج الذكاء الاصطناعي التوليدي يمكنها إنشاء ("إنشاء") محتوى ينطبق عليه كل ما يلي:

  • معقد
  • متماسك
  • الصورة الأصلية

على سبيل المثال، يمكن لنموذج الذكاء الاصطناعي التوليدي إنشاء مقالات أو صور معقدة.

يمكن أيضًا لبعض التكنولوجيات السابقة، بما في ذلك LSTMs وRNN، إنشاء محتوى أصلي ومتّسق. ينظر بعض الخبراء إلى هذه التكنولوجيات السابقة على أنّها الذكاء الاصطناعي التوليدي، بينما يشعر البعض الآخر أنّ الذكاء الاصطناعي التوليدي الحقيقي يتطلب نتائج أكثر تعقيدًا من تلك التي يمكن أن تنتجها التكنولوجيات السابقة.

تتعارض مع تعلُّم الآلة القائم على التوقّعات.

I

التعلُّم ضمن السياق

#language
#generativeAI

مرادف لعبارة طلب لقطات قليلة.

ضبط التعليمات

#generativeAI

يشير ذلك إلى شكل من أشكال التحسين الدقيق لتحسين قدرة نموذج الذكاء الاصطناعي التوليدي على اتّباع التعليمات. يتضمن ضبط التعليمات تدريب نموذج على سلسلة من مطالبات التعليمات، والتي تغطي عادةً مجموعة متنوعة واسعة من المهام. بعد ذلك، يميل النموذج الناتج الذي تمّ ضبط التعليمات إليه إلى إنشاء ردود مفيدة على الطلبات التي يتم إرسالها بدون إذن الوصول إلى البيانات في مجموعة متنوّعة من المهام.

المقارنة والتباين مع:

L

LoRA

#language
#generativeAI

اختصار يشير إلى قابلية التكيّف ذات الترتيب المنخفض.

القدرة على التكيف للترتيب المنخفض (LoRA)

#language
#generativeAI

خوارزمية لتنفيذ ضبط فعّال للمعلَمات بهدف ضبط الصوت بدقة لمجموعة فرعية فقط من معلَمات نموذج لغوي كبير. توفر LoRA المزايا التالية:

  • التوليف الدقيق بشكل أسرع من الأساليب التي تتطلب ضبط جميع معلَمات النموذج.
  • يقلل من التكلفة الحسابية للاستنتاج في النموذج الدقيق.

يحافظ النموذج الذي تم ضبطه باستخدام LoRA على جودة التوقعات أو يحسنها.

تتيح LoRA عدة إصدارات متخصصة من النموذج.

ن

نموذج متتابع

#generativeAI

نظام يختار model المثالي لطلب بحث استنتاج معيّن

تخيّل مجموعة من النماذج تتراوح بين كبيرة جدًا (الكثير من المَعلمات) إلى أصغر بكثير (معلَمات أقل بكثير). تستهلك النماذج الكبيرة جدًا موارد حسابية أكثر في وقت الاستنتاج مقارنةً بالنماذج الأصغر حجمًا. ومع ذلك، يمكن للنماذج الكبيرة جدًا أن تستنتج عادةً طلبات أكثر تعقيدًا من النماذج الأصغر. يحدد تتالي النموذج مدى تعقيد استعلام الاستنتاج، ثم يختار النموذج المناسب لتنفيذ الاستنتاج. يتمثل الدافع الرئيسي لتتابع النموذج في تقليل تكاليف الاستنتاج من خلال اختيار نماذج أصغر بشكل عام، واختيار نموذج أكبر فقط لطلبات البحث الأكثر تعقيدًا.

تخيل أن هناك طرازًا صغيرًا يعمل على هاتف وإصدار أكبر من هذا الطراز يتم تشغيله على خادم بعيد. يؤدي تتابع النموذج الجيد إلى تقليل التكلفة ووقت الاستجابة من خلال تفعيل النموذج الأصغر حجمًا من معالجة الطلبات البسيطة والاستجابة للطلبات المعقّدة فقط.

يمكنك الاطّلاع أيضًا على نموذج جهاز التوجيه.

جهاز توجيه النماذج

#generativeAI

الخوارزمية التي تحدّد model المثالي model في model. موجه النموذج هو في حد ذاته نموذج من نماذج التعلم الآلي يتعلم تدريجيًا كيفية اختيار أفضل نموذج لمدخل معين. ومع ذلك، يمكن أحيانًا أن يكون موجه النموذج خوارزمية تعلم أكثر بساطة وغير آلية.

O

طلب بنقرة واحدة

#language
#generativeAI

طلب يحتوي على مثال واحد يوضّح كيفية استجابة النموذج اللغوي الكبير على سبيل المثال، يحتوي الطلب التالي على مثال واحد يوضح نموذجًا لغويًا كبيرًا كيف يجب أن يجيب على أحد طلبات البحث.

أجزاء من طلب واحد Notes
ما هي العملة الرسمية للبلد المحدّد؟ السؤال الذي تريد الإجابة عنه من خلال النموذج اللغوي الكبير
فرنسا: اليورو مثال واحد.
الهند: الاستعلام الفعلي.

قارِن بين طلب لقطة واحدة والمصطلحات التالية:

P

ضبط فعّالة من حيث المَعلمات

#language
#generativeAI

هي مجموعة من الأساليب لتحسين نموذج لغوي مدرَّب مسبقًا وكفاءة أعلى من ضبط النموذج اللغوي بالكامل. يؤدّي الضبط الفعّال إلى ضبط معلَمات أقلّ بكثير من الضبط الكامل، ولكن ينتج بشكل عام نموذج لغوي كبير يحقّق أداءً جيدًا (أو شبه تقريبًا) مثل النموذج اللغوي الكبير الذي يتم إنشاؤه من خلال التوليف الدقيق.

تحديد أوجه الاختلاف والتشابه بين الضبط الفعّال للمعلَمات مع:

ويُعرف الضبط الفعّال للمعلَمات أيضًا باسم الضبط الفعّال للمعلَمات.

إدارة موفّر المحتوى (PLM)

#language
#generativeAI

اختصار لنموذج لغوي تم تدريبه مسبقًا.

نموذج مدرَّب مسبقًا

#language
#image
#generativeAI

النماذج أو مكوّنات النماذج (مثل متّجه التضمين) الذي سبق أن تم تدريبه في بعض الأحيان، يتم تغذية متّجهات تضمين مدربة مسبقًا في شبكة عصبية. في أحيان أخرى، سيقوم النموذج الخاص بك بتدريب متجهات التضمين نفسها بدلاً من الاعتماد على التضمينات المدرّبة مسبقًا.

يشير مصطلح نموذج لغوي مدرّب مسبقًا إلى نموذج لغوي كبير خضع لتدريب مسبق.

التدريب المُسبَق

#language
#image
#generativeAI

يشير ذلك المصطلح إلى التدريب الأولي على مجموعة بيانات كبيرة ضِمن نموذج معيّن. بعض النماذج المدرّبة مسبقًا هي نماذج عملاقة أخرق يجب تحسينها عادةً من خلال تدريب إضافي. على سبيل المثال، قد يدرّب خبراء تعلُّم الآلة مسبقًا نموذجًا لغويًا كبيرًا على مجموعة بيانات نصية كبيرة، مثل جميع الصفحات الإنجليزية في ويكيبيديا. وبعد التدريب المسبق، يمكن تحسين النموذج الناتج بشكل أكبر من خلال أي من الأساليب التالية:

طلب

#language
#generativeAI

أي نص تم إدخاله كإدخال في نموذج لغوي كبير لضبط النموذج لكي يتصرف بطريقة معيّنة. يمكن أن تكون المطالبات قصيرة مثل عبارة أو طويلة بشكل عشوائي (على سبيل المثال، النص الكامل للرواية). تنقسم المطالبات إلى فئات متعددة، بما في ذلك تلك المعروضة في الجدول التالي:

فئة الطلب مثال Notes
السؤال ما هي سرعة الحمامة التي تطير؟
مدرسة تعليم اكتب قصيدة مضحكة عن المواقع المنشأة بهدف عرض الإعلانات. رسالة تطلب من النموذج اللغوي الكبير تنفيذ إجراء.
مثال ترجمة ترميز Markdown إلى لغة HTML: على سبيل المثال:
Markdown: * عنصر قائمة
HTML: <ul> <li>عنصر القائمة</li> </ul>		 الجملة الأولى في هذا المثال المطالبة هي تعليمات. بقية المطالبة هي المثال.
الدور اشرح سبب استخدام خوارزمية انحدار التدرج في تدريب تعلّم الآلة للحصول على درجة الدكتوراه في الفيزياء. والجزء الأول من الجملة هو تعليمات، والعبارة "إلى درجة الدكتوراه في الفيزياء" هي جزء الدور.
إدخال جزئي لإكمال النموذج يقيم رئيس وزراء المملكة المتحدة في يمكن أن ينتهي طلب الإدخال الجزئي إما بشكل مفاجئ (كما هو الحال في هذا المثال) أو ينتهي بشرطة سفلية.

يمكن أن يستجيب نموذج الذكاء الاصطناعي التوليدي لأي طلب من خلال تضمين نص أو رمز أو صور أو عناصر تضمين أو فيديوهات، وأي شيء آخر تقريبًا.

التعلُّم القائم على الطلبات

#language
#generativeAI

يشير ذلك المصطلح إلى إمكانية لنماذج معيّنة تتيح لهم تعديل سلوكهم استجابةً للإدخال النصي العشوائي (الطلبات). في نموذج التعلُّم المستند إلى الطلبات النموذجية، يتجاوب النموذج اللغوي الكبير مع الطلب من خلال إنشاء نص. على سبيل المثال، لنفترض أنّ أحد المستخدمين أدخل الطلب التالي:

لخّص قانون "نيوتن" الثالث للحركة.

لا يتم تدريب النموذج القادر على التعلم القائم على المطالبة بشكل خاص للإجابة على المطالبة السابقة. بدلاً من ذلك، "يعرف" النموذج الكثير من الحقائق حول الفيزياء، والكثير عن قواعد اللغة العامة، والكثير حول ما يشكل إجابات مفيدة بشكل عام. هذه المعرفة كافية لتقديم إجابة مفيدة (نأمل فيها). تمكن الملاحظات الإضافية البشرية (مثل "كانت هذه الإجابة معقدة للغاية" أو "ما هي رد الفعل؟") لبعض أنظمة التعلم المستندة إلى الطلبات إلى تحسين فائدة إجاباتهم تدريجيًا.

تصميم الطلبات

#language
#generativeAI

مرادف هندسة الطلبات.

هندسة الطلبات

#language
#generativeAI

يشير هذا المصطلح إلى أسلوب إنشاء الطلبات التي تستدعي الردود المطلوبة من خلال نموذج لغوي كبير. يقوم البشر بإجراء هندسة فورية. تعد كتابة مطالبات جيدة التنظيم جزءًا أساسيًا من ضمان ردود مفيدة من نموذج لغوي كبير. تعتمد هندسة المطالبة على العديد من العوامل، بما في ذلك:

  • مجموعة البيانات المستخدَمة للتدريب المسبق وربما تحسين النموذج اللغوي الكبير
  • تمثّل هذه السمة temp ومعلَمات أخرى لفك الترميز التي يستخدمها النموذج لإنشاء استجابات.

راجِع مقدمة عن تصميم الطلب للحصول على مزيد من التفاصيل حول كتابة طلبات مفيدة.

تصميم الطلب هو مرادف لهندسة الطلبات.

توليف الطلبات

#language
#generativeAI

يشير ذلك المصطلح إلى آلية ضبط فعّال للمعلَمات تتعرّف على "بادئة" يضيفها النظام إلى الطلب الفعلي.

من أشكال توليف الطلبات، التي يُطلق عليها أحيانًا ضبط البادئة، إضافة البادئة إلى كل طبقة. وفي المقابل، يؤدي ضبط المطالبة فقط إلى إضافة بادئة إلى طبقة الإدخال.

R

التعلّم المعزّز من الملاحظات البشرية (RLHF)

#generativeAI
#rl

استخدام الملاحظات الواردة من المصنِّفين لتحسين جودة ردود النموذج. على سبيل المثال، يمكن لآلية RLHF أن تطلب من المستخدمين تقييم جودة استجابة نموذج من خلال إضافة رمز تعبيري 👍 أو 👎. يمكن للنظام بعد ذلك تعديل ردوده المستقبلية بناءً على تلك الملاحظات.

المطالبة بالدور

#language
#generativeAI

هي جزء اختياري من طلب يحدّد الجمهور المستهدف من ردّ الذكاء الاصطناعي التوليدي. بدون طلب دور، يقدّم النموذج اللغوي الكبير إجابة قد تكون أو لا تكون مفيدة للشخص الذي يطرح الأسئلة. من خلال طلب دور معيّن، يمكن لنموذج لغوي كبير أن يجيب بطريقة أكثر ملاءمة وفائدة لجمهور مستهدف محدّد. على سبيل المثال، يظهر الجزء مطالبة الدور في الطلبات التالية بخط غامق:

  • لخص هذه المقالة للحصول على درجة الدكتوراه في الاقتصاد.
  • صِف كيفية عمل المد والجزر لطفل في سن العاشرة.
  • شرح الأزمة المالية 2008. تحدث من باب التحدث مع طفل صغير أو كلب غولدن ريتريفر.

S

توليف بسيط

#language
#generativeAI

يشير ذلك المصطلح إلى أسلوب لضبط نموذج لغوي كبير لمهمة معيّنة بدون الحاجة إلى ضبط الموارد الدقيقة. بدلاً من إعادة تدريب كل القيم التقديرية في النموذج، يؤدي الضبط البسيط للإشعار إلى تعديل الطلب تلقائيًا لتحقيق الهدف نفسه.

عند تقديم طلب نصي، يؤدي الضبط الأولي للطلب عادةً إلى إلحاق المزيد من عمليات تضمين الرموز المميّزة في الطلب واستخدام الانتشار العكسي لتحسين الإدخال.

تحتوي المطالبة "الصعبة" على رموز مميزة فعلية بدلاً من تضمينات الرموز المميزة.

T

درجة الحرارة

#language
#image
#generativeAI

معلَمة فائقة تتحكّم في درجة العشوائية لناتج النموذج. تؤدي درجات الحرارة الأعلى إلى ناتج عشوائي أكثر، بينما تؤدي درجات الحرارة المنخفضة إلى ناتج عشوائي أقل.

يعتمد اختيار أفضل درجة حرارة على التطبيق المحدد والخصائص المفضلة لناتج النموذج. على سبيل المثال، من المحتمل أن ترفع درجة الحرارة عند إنشاء تطبيق ينشئ مخرجات إبداعية. والعكس صحيح، من المحتمل أن تقلل درجة الحرارة عند إنشاء نموذج يصنف الصور أو النصوص من أجل تحسين دقة النموذج واتساقه.

غالبًا ما تُستخدَم درجة الحرارة مع softmax.

Z

إرسال طلب بلقطة شاشة

#language
#generativeAI

طلب لا يقدّم مثالاً حول طريقة استجابة النموذج اللغوي الكبير مثال:

أجزاء من طلب واحد Notes
ما هي العملة الرسمية للبلد المحدّد؟ السؤال الذي تريد الإجابة عنه من خلال النموذج اللغوي الكبير
الهند: الاستعلام الفعلي.

قد يتجاوب النموذج اللغوي الكبير مع أيٍّ مما يلي:

  • روبية
  • INR
  • ₹
  • الروبية الهندية
  • الروبية
  • الروبية الهندية

جميع الإجابات صحيحة، على الرغم من أنك قد تفضل تنسيقًا معينًا.

قارِن بين المطالبة باللقطة صفرية والمصطلحات التالية: