نموذج ذكاء اصطناعي جديد من مخترع ChatGPT يُبهر المطورين بمناهج غير تقليدية

خرج ديوغو ألميدا، أحد مطوري ChatGPT والمساهم الرئيسي في ابتكار تقنية التعلم المعزز من تغذية راجعة بشرية التي تُعدّ ركيزة نماذج الذكاء الاصطناعي الحديثة، خرج من أبواب OpenAI قبل عامين بسؤال عالق: لماذا يُخفق الذكاء الاصطناعي على الرغم من قدراته الاستثنائية؟

يقول ألميدا: «لدينا البرق في قنينة، ومع ذلك فهو غير مفيد. أمضيت وقتاً طويلاً أبحث في هذه المعضلة وتوصلت أخيراً إلى نتيجة: المشكلة أننا نُحسّن اللغة البشرية. لقد أتقنّا اللغة البشرية جيداً على مدى أربع سنوات، لكنها غير مفيدة للأتمتة لأن الحواسيب تتحدث لغة مختلفة.»

انطلاقاً من هذه القناعة، أسس ألميدا شركة TypeSafe AI، وأصدر هذا الأسبوع نموذجاً يُدعى Jev يقوم على بنية نموذج المحوّل، غير أنه ليس نموذجاً لغوياً كبيراً بالمعنى المتعارف عليه. فبدلاً من توليد النصوص، يُنتج النموذج احتمالات رقمية أطلق عليها الفريق اسم «القرارات المعايَرة».

يُحقق هذا التحول جملةً من المزايا: فالنموذج أسرع بكثير وأقل تكلفة، ولأن المستخدمين يُحددون مخرجاته مسبقاً، فلا مجال فيه لظاهرة الهلوسة. وتُحسب رموز الإدخال بالمليار لا بالمليون، فيما رموز الإخراج مجانية.

صدى واسع في وادي السيليكون

حظي Jev باهتمام متسارع في مجتمع المطورين؛ إذ أفادت الشركة بأنها فقدت مؤقتاً قدرتها على خدمة جميع المستخدمين عبر واجهة برمجة التطبيقات (API) بسبب الطلب الضخم.

يُحكي المهندس براناييت شارما من شركة Vercel أن فريقه استبدل نموذج OpenAI Luna المستخدم في مصنّف الأوامر الأمنية بنموذج Jev، فحصل على نتائج أسرع من خمسة إلى ثمانية عشر مرة وبدقة أعلى.

وأجرى نيخيل مودهولكار، المدير التقني لشركة Bryo AI، اختباراً مقارناً بين Jev ونموذج Gemini في تصنيف رسائل البريد الإلكتروني التجارية. كانت دقة Gemini أعلى بفارق طفيف، لكن تكلفته كانت أعلى بعشرة إلى عشرين مرة. وقد لفت انتباهه بشكل خاص أسلوب Jev في إعطاء درجات الثقة: «إنه الوحيد الذي يُعيد احتمالاً حقيقياً، مما يجعله مثالياً لأتمتة سير العمل».

توجيه النموذج ومكافحة الهلوسة

يرى المطورون أن Jev مفيد بوجه خاص في سيناريوهين: الأول هو توجيه النموذج، أي التنبؤ بأي نموذج ذكاء اصطناعي يناسب مهمة معينة؛ والسرعة المنخفضة والتكلفة المنخفضة لـ Jev تُجعل عمليات الفرز الفوري ممكنة اقتصادياً. أما الثاني فهو مراقبة وكلاء النماذج اللغوية الكبيرة واكتشاف محاولات التحايل، مما يوفر طبقة أمان اقتصادية فعالة.

يُفسّر أرمين رونّاشر، المدير التقني لشركة Earendil، الأمر بقوله: «في نهاية المطاف، يُحوّل النموذج مشكلة الهلوسة جزئياً نحو المستخدم. المستخدم يقول: إن عاد النموذج بنسبة احتمال 50%، فربما هذه رمية حظ وأتجاهلها. أما إذا كانت 95%، فبإمكاني الاعتماد عليها.»

تنفتح أمام المطورين العرب آفاق واسعة مع نماذج كـ Jev؛ إذ تُعاني تطبيقات تصنيف النصوص العربية وتحليل المشاعر تقليدياً من هلوسة النماذج اللغوية الكبيرة، وهو ما تُعالجه بنية القرارات الاحتمالية بشكل جذري. وتُشير تجارب فرق الذكاء الاصطناعي في شركات الخدمات التقنية الإقليمية كـ Careem وstc إلى أن نماذج التصنيف الاقتصادية والدقيقة هي الأكثر طلباً في تطبيقات الأتمتة وتوجيه المحادثات باللغة العربية.

سُمّي النموذج تيمناً بالاقتصادي ويليام ستانلي جيفونز صاحب المفارقة الشهيرة التي تقول إن انخفاض تكلفة السلعة يؤدي إلى تصاعد استهلاكها. وقد دُرّب Jev حصراً على بيانات اصطناعية باستخدام تقنية أطلق عليها مبتكرها «التعلم المعزز من قرارات معايَرة».