يتم تشجيع نماذج اللغة الصغيرة (SLMs) لتكون الشيء الكبير التالي في الذكاء الاصطناعي

بينما تقوم الشركات بضخ الأموال في نماذج اللغة الكبيرة (LLMs)، يعتقد بعض خبراء الصناعة في قطاع الذكاء الاصطناعي أن نماذج اللغة الصغيرة (SLMs) ستصبح الشيء الكبير التالي.

يأتي هذا مع استمرار النشاط في الصناعة مع قدوم الموسم الاحتفالي وشركات التكنولوجيا تستثمر المزيد من التمويل لتطوير تكنولوجياتها.

المستقبل في نماذج اللغة الصغيرة

تمكن مثل xAI الذي يديره الملياردير Elon Musk من جمع 5 مليارات دولار إضافية من Andreessen Horowitz و Qatar Investment Authority و Sequoia و Valor Equity Partners، بينما استثمرت Amazon 4 مليارات دولار إضافية في Anthropic، وهي منافسة لشركة OpenAI.

في حين يستثمر هذه التكنولوجيات الكبيرة وغيرها مليارات الدولارات في تطوير نماذج لغة طويلة الذاكرة كبيرة للتعامل مع العديد من المهام المختلفة، فإن واقع الذكاء الاصطناعي هو أنه ليس هناك حل واحد يناسب الجميع حيث يوجد حاجة إلى نماذج محددة للمهمة للأعمال التجارية.

وفقًا للرئيس التنفيذي لشركة AWS مات جارمان في بيانهم عن توسيع شراكتهم واستثماراتهم، هناك بالفعل استجابة ساحقة من عملاء AWS الذين يقومون بتطوير الذكاء الاصطناعي التوليدي المدعوم بواسطة Anthropic.

ما زالت LLMs هي الخيار الأول لمعظم الشركات في بعض المشاريع ، ولكن بالنسبة للبعض الآخر ، يمكن أن يكون هذا الاختيار مكلفًا من حيث التكلفة والطاقة وموارد الحوسبة.

ستيفن ماكميلان الرئيس التنفيذي لشركة تيراداتا الذي قدم طريقًا بديلًا لبعض الشركات لديه وجهات نظر أخرى. إنه إيجابي بأن المستقبل في SLMs.

عندما ننظر إلى المستقبل، نعتقد أن النماذج اللغوية الصغيرة والمتوسطة والبيئات المضبوطة مثل نماذج اللغة المحددة لمجال ما ستوفر حلولًا أفضل بكثير.

~ ماكميلان

تنتج SLMs مخرجات مخصصة على أنواع محددة من البيانات حيث يتم تدريب نماذج اللغة على إجراء ذلك بشكل خاص. نظرًا لأن البيانات التي تنتجها SLM تُحفظ داخليًا ، فإن نماذج اللغة يتم تدريبها بالتالي على بيانات حساسة بشكل محتمل.

مع كون LLMs مستهلكة للطاقة، يتم تدريب الإصدارات الصغيرة للغة لتكبير كل من الحوسبة واستخدام الطاقة وفقًا لاحتياجات المشروع الفعلية. من خلال مثل هذه التعديلات، يعني أن الإصدارات الصغيرة فعالة بتكلفة أقل من النماذج الكبيرة الحالية.

للمستخدمين الذين يرغبون في استخدام الذكاء الاصطناعي للحصول على معرفة محددة، هناك خيار تخصيص نماذج اللغة الطويلة المدى لمجال معين حيث لا تقدم معرفة واسعة. يتم تدريبها لفهم تفاصيل إحدى فئات المعلومات فقط والرد بدقة أكبر، على سبيل المثال مدير التسويق مقابل المدير المالي، في ذلك المجال.

لماذا تعتبر SLMs خيارًا مفضلًا

وفقًا لجمعية علماء البيانات (ADaSci)، يتطلب تطوير SLM بـ 7 مليار معلم لمليون مستخدم فقط 55.1 مليون واط/ساعة (MWh).

اكتشفت ADaSci أن تدريب GPT-3 بـ 175 مليار معلمة استهلك حوالي 1,287 ميجاواط ساعة من الكهرباء ولا يشمل الطاقة عندما يتم استخدامه بشكل رسمي من قبل الجمهور. لذلك ، يستخدم SLM تقريبًا 5٪ من الطاقة المستهلكة في تدريب LLM.

يتم تشغيل النماذج الكبيرة عادةً على أجهزة الكمبيوتر السحابية لأنها تستخدم قوة حسابية أكبر مما هو متاح في جهاز فردي. يؤدي ذلك إلى تعقيدات للشركات حيث يفقدون السيطرة على معلوماتهم عندما تنتقل إلى السحابة ويتأخر الاستجابة عندما تسافر عبر الإنترنت.

في المستقبل، لن يكون تبني الذكاء الاصطناعي من قبل الشركات بحجم واحد يناسب الجميع، حيث ستكون الكفاءة واختيار أفضل وأقل تكلفة أداة لإكمال المهام في التركيز، وهذا يعني اختيار النموذج المناسب لكل مشروع.

سيتم ذلك لجميع النماذج سواء كان ذلك نموذجًا LLM عامًا، أو LLM صغيرة ومتخصصة حسب النموذج الذي سيحقق نتائج أفضل، ويتطلب موارد أقل، ويقلل من الحاجة إلى نقل البيانات إلى السحابة.

للمرحلة التالية، ستكون الذكاء الاصطناعي أمراً حيوياً لاتخاذ القرارات التجارية نظراً لثقة الجمهور العالية في الإجابات التي تولدها الذكاء الاصطناعي.

عند التفكير في تدريب نماذج الذكاء الاصطناعي، يجب بناؤها على أساس بيانات كبيرة وممتازة.

~ ماكميلان

وأضاف ماكميلان: “هذا هو ما نحن بصدده ، توفير مجموعة البيانات الموثوقة هذه ثم توفير القدرات والقدرات التحليلية حتى يتمكن العملاء وعملائهم من الوثوق بالمخرجات”.

مع الكفاءة والدقة التي تحظى بطلب كبير في العالم، تقدم نماذج اللغة الطويلة الذكاء الصناعي ذات الحجم الصغير والمحددة المجال خياراً آخر لتقديم النتائج التي يمكن للشركات والجمهور الأوسع الاعتماد عليها.

دليل خطوة بخطوة لبدء مسيرتك في Web3 والحصول على وظائف عالية الأجر في مجال العملات الرقمية خلال 90 يومًا.