ما هي نماذج اللغة الكبيرة (LLMs)؟

تُعدّ نماذج اللغة الكبيرة (LLMs) فئةً من نماذج التعلّم العميق التي تُدرَّب على كميات هائلة من البيانات، مما يجعلها قادرة على فهم اللغة الطبيعية وأنواع أخرى من المحتوى وتوليدها لأداء مجموعة واسعة من المهام. وتُبنى نماذج اللغة الكبيرة على نوع من بنية الشبكات العصبية يُسمى المحوّل، والذي يتفوق في التعامل مع تسلسلات الكلمات واستخلاص الأنماط من النصوص.

تعمل نماذج اللغة الآلية كآلات تنبؤ إحصائية عملاقة تتنبأ بشكل متكرر بالكلمة التالية في سلسلة من الكلمات. فهي تتعلم الأنماط في نصوصها وتولد لغة تتبع تلك الأنماط.

تمثل نماذج اللغة البشرية (LLMs) نقلة نوعية في تفاعل البشر مع التكنولوجيا، فهي أول نظام ذكاء اصطناعي قادر على التعامل مع اللغة البشرية غير المنظمة على نطاق واسع، مما يتيح التواصل الطبيعي مع الآلات. فبينما كانت محركات البحث التقليدية والأنظمة المبرمجة الأخرى تستخدم خوارزميات لمطابقة الكلمات المفتاحية، تستوعب نماذج اللغة البشرية السياق الأعمق والفروق الدقيقة والمنطق. وبمجرد تدريبها، تستطيع هذه النماذج التكيف مع العديد من التطبيقات التي تتضمن تفسير النصوص، مثل تلخيص المقالات، وتصحيح الأخطاء البرمجية، وصياغة البنود القانونية. وعند منحها قدرات فاعلة، تستطيع نماذج اللغة البشرية أداء مهام متنوعة، بدرجات متفاوتة من الاستقلالية، كانت تُؤدى سابقًا بواسطة البشر.

تُمثل نماذج التعلم الآلي (LLMs) تتويجًا لعقود من التقدم في معالجة اللغات الطبيعية (NLP) وأبحاث التعلم الآلي، ويُعزى الفضل في الطفرة الهائلة في مجال الذكاء الاصطناعي خلال أواخر العقد الأول من الألفية الثانية والعقد الثاني منها إلى حد كبير في تطويرها. وقد أصبحت نماذج التعلم الآلي الشائعة معروفة على نطاق واسع، مما جعل الذكاء الاصطناعي التوليدي محط اهتمام الرأي العام. كما تُستخدم هذه النماذج على نطاق واسع في المؤسسات، حيث تستثمر المنظمات بكثافة في العديد من وظائف الأعمال وحالات الاستخدام.

تُتاح نماذج التعلم الآلي بسهولة للجمهور عبر واجهات مثل Claude من Anthropic، وChatGPT من Open AI، و Copilot من Microsoft، ونماذج Llama من Meta، ومساعد Gemini من Google، بالإضافة إلى نماذج BERT وPaLM. وتُدير IBM سلسلة نماذج Granite على watsonx.ai، والتي أصبحت الركيزة الأساسية للذكاء الاصطناعي التوليدي لمنتجات IBM الأخرى مثل watsonx Assistant وwatsonx Orchestrate.

 الاهتمام بالذات:

يمرر النموذج الرموز عبر شبكة محولات. تتميز نماذج المحولات، التي طُرحت عام ٢٠١٧، بآلية الانتباه الذاتي التي تتيح لها التركيز على رموز مختلفة في أوقات مختلفة. تُعد هذه التقنية جوهر المحول وابتكاره الرئيسي. يُفيد الانتباه الذاتي جزئيًا لأنه يسمح لنموذج الذكاء الاصطناعي بحساب العلاقات والترابطات بين الرموز، لا سيما تلك المتباعدة في النص. كما تُتيح بنية المحولات المعالجة المتوازية، مما يجعل العملية أكثر كفاءة من الطرق السابقة. وقد مكّنت هذه الخصائص نماذج التعلم الموجه باللغات من التعامل مع مجموعات بيانات ضخمة غير مسبوقة.