ما هو لانج تشين؟

LangChain هو إطار عمل مفتوح المصدر لتنسيق تطوير التطبيقات باستخدام نماذج اللغة الكبيرة (LLMs). تتوفر أدوات LangChain و واجهات برمجة التطبيقات الخاصة بها في مكتبات مبنية على لغتي Python و Javascript، مما يُسهّل عملية بناء التطبيقات التي تعتمد على نماذج اللغة الكبيرة، مثل روبوتات المحادثة ووكلاء الذكاء الاصطناعي.

تُعدّ LangChain واجهةً عامةً لأي نموذج لغة منطقية (LLM) تقريبًا، موفرةً بيئة تطوير مركزية لبناء تطبيقات LLM ودمجها مع مصادر البيانات الخارجية وسير العمل البرمجي. يُمكّن نهج LangChain القائم على الوحدات المطورين وعلماء البيانات من المقارنة الديناميكية بين مختلف المطالبات، وحتى نماذج الأساس المختلفة، بأقل قدر من الحاجة إلى إعادة كتابة التعليمات البرمجية. كما تتيح هذه البيئة المعيارية للبرامج استخدام نماذج LLM متعددة: على سبيل المثال، تطبيق يستخدم نموذج LLM لتفسير استفسارات المستخدم، وآخر لكتابة الرد.

أطلق هاريسون تشيس LangChain في أكتوبر 2022، وحقق نجاحًا باهرًا: ففي يونيو 2023، كان أسرع مشاريع المصادر المفتوحة نموًا على GitHub.1 وبالتزامن مع الإطلاق التاريخي لـ ChatGPT من OpenAI في الشهر التالي، لعبت LangChain دورًا هامًا في جعل الذكاء الاصطناعي التوليدي (genAI) في متناول المتحمسين والشركات الناشئة، في أعقاب انتشاره الواسع. تُساهم التطورات في إمكانية الوصول إلى الذكاء الاصطناعي الوكيل حاليًا في إحداث ثورة في مجال الأتمتة.

تُسهّل LangChain معظم حالات استخدام أنظمة إدارة اللغة (LLMs) ومعالجة اللغة الطبيعية (NLP)، مثل روبوتات المحادثة، والبحث الذكي، والإجابة على الأسئلة، وخدمات التلخيص، أو حتى وكلاء الذكاء الاصطناعي القادرين على أتمتة العمليات الروبوتية.

التكامل مع أنظمة إدارة اللغة

نماذج التعلم اللغوي ليست تطبيقات مستقلة، بل هي نماذج إحصائية مُدرَّبة مسبقًا، يجب ربطها بتطبيق (وفي بعض الحالات، بمصادر بيانات محددة) لتحقيق الغرض منها.

على سبيل المثال، Chat-GPT ليس نموذج تعلم لغوي، بل هو تطبيق دردشة آلية يستخدم، بحسب الإصدار المُختار، نموذج اللغة GPT-3.5 أو GPT-4. بينما يقوم نموذج GPT بتفسير مدخلات المستخدم وتكوين استجابة بلغة طبيعية، فإن التطبيق هو الذي يوفر (من بين أمور أخرى) واجهةً للكتابة والقراءة، وتصميم تجربة المستخدم الذي يُحدد تجربة الدردشة الآلية. حتى على مستوى المؤسسات، Chat-GPT ليس التطبيق الوحيد الذي يستخدم نموذج GPT، فشركة مايكروسوفت تستخدم GPT-4 لتشغيل Bing Chat.

علاوة على ذلك، ورغم أن النماذج الأساسية (كتلك التي تُشغِّل نماذج التعلم اللغوي) مُدرَّبة مسبقًا على مجموعات بيانات ضخمة، إلا أنها ليست شاملة المعرفة. إذا تطلّبت مهمةٌ ما الوصول إلى معلومات سياقية محددة، كالوثائق الداخلية أو الخبرة المتخصصة، فيجب ربط نماذج التعلم المحدود (LLMs) بمصادر البيانات الخارجية هذه. حتى لو كنت ترغب فقط في أن يعكس نموذجك الوعي بالأحداث الجارية في الوقت الفعلي، فإنه يحتاج إلى معلومات خارجية: إذ لا تكون بيانات النموذج الداخلية محدّثة إلا خلال الفترة الزمنية التي تم تدريبه خلالها مسبقًا.

وبالمثل، إذا تطلّبت مهمةٌ معينةٌ في مجال الذكاء الاصطناعي التوليدي الوصول إلى سير عمل برمجي خارجي - على سبيل المثال، إذا كنت ترغب في دمج وكيلك الافتراضي مع Slack - فستحتاج إلى طريقة لدمج نموذج التعلم المحدود مع واجهة برمجة التطبيقات (API) الخاصة بذلك البرنامج.

مع أن عمليات الدمج هذه يُمكن إنجازها عمومًا باستخدام التعليمات البرمجية اليدوية بالكامل، فإن أطر التنسيق مثل LangChain ومجموعة منتجات الذكاء الاصطناعي IBM Watsonx تُبسّط العملية بشكل كبير. كما أنها تُسهّل تجربة نماذج التعلم المحدود المختلفة لمقارنة النتائج، حيث يُمكن استبدال النماذج المختلفة بأقل قدر من التغييرات في التعليمات البرمجية.