يقوم برنامج AutoScientist من Adaption بأتمتة ضبط النموذج بدقة من خلال التدريب ذي الحلقة المغلقة، متفوقًا بذلك على التكوينات المصممة يدويًا.
في سطور
يكشف التكيف عن نظام AutoScientist، وهو نظام يقوم بتخصيص نماذج الذكاء الاصطناعي تلقائيًا من خلال تحسين كل من بيانات التدريب وعمليات التعلم لمهام محددة.
التكيفأطلقت شركة ناشئة في مجال الذكاء الاصطناعي، أسستها سارة هوكر، نائبة الرئيس السابقة للأبحاث في شركة كوهير، نظامًا جديدًا يُدعى "أوتوساينتيست"، مصممًا لأتمتة عملية تخصيص نماذج الذكاء الاصطناعي لمهام محددة من خلال التحسين المشترك لبيانات التدريب وإعدادات التعلم. ويُعتبر هذا النظام خطوةً نحو أتمتة عمليات البحث والتطوير في مجال الذكاء الاصطناعي، بهدف تقليل الجهد اليدوي المطلوب عادةً في ضبط النماذج وتجريبها.
يُوصَف برنامج AutoScientist بأنه إطار عمل شامل يعمل على تحسين مجموعات البيانات ووصفات التدريب في آنٍ واحد، وذلك من خلال حلقة مغلقة يتم فيها تعديل كل من اختيار البيانات ومعلمات تدريب النموذج باستمرار. وتهدف هذه العملية إلى الاستمرار حتى يستقر الأداء عند قيمة معينة. defiالهدف المحدد، مما يسمح للنظام بشكل فعال بتحسين كل من ما يتعلمه النموذج وكيفية تعلمه دون تدخل بشري مستمر.
بحسب الشركة، تهدف هذه الأداة إلى تقليل الوقت اللازم للانتقال من الفكرة الأولية إلى نموذج مُخصّص وجاهز للتطبيق، ما قد يُقلّص دورات التطوير من أسابيع إلى ساعات. كما تُقدّم الأداة كآلية تُوسّع نطاق الوصول إلى تخصيص النماذج ليشمل فئات أوسع من المتخصصين في التعلّم الآلي، ما يُمكّن المستخدمين غير ذوي الخبرة التقنية المُعمّقة من التأثير ليس فقط على التعليمات، بل أيضًا على السلوك الأساسي للأنظمة المُدرّبة. ويُقدّم هذا النهج على أنه ذو أهمية خاصة للمؤسسات التي تسعى إلى ضبط النماذج بدقة لتناسب لغة مُحدّدة في مجال مُعيّن، أو مُخرجات مُهيكلة، أو قيود الكفاءة مثل زمن الاستجابة والتكلفة، مع الاستفادة بشكل أكثر فعالية من مجموعات البيانات الخاصة ضمن أنظمة الذكاء الاصطناعي.
تشير التقييمات الداخلية التي استندت إليها الشركة إلى أن برنامج AutoScientist يُظهر أداءً مُحسّنًا مقارنةً بالنماذج الأساسية عبر نطاق واسع من أحجام مجموعات البيانات يتراوح بين 5,000 و100,000 مثال، بالإضافة إلى تعدد بنى النماذج المتاحة للضبط الدقيق. وتُشير النتائج المُعلنة إلى مكاسب ثابتة بغض النظر عن المجال، حيث تم قياس الأداء باستخدام تقييمات داخلية مُصممة خصيصًا لتطبيقات رأسية مُحددة.
تُشير مقارنات إضافية مُقدمة في إطار التقييم إلى أن برنامج AutoScientist حقق أداءً متوسطًا أعلى من التكوينات التي صممها باحثون بشريون، بمن فيهم مهندسو الذكاء الاصطناعي ذوو الخبرة. في هذه الاختبارات، اختار الخبراء البشريون إعدادات التدريب بناءً على معرفتهم ببنية النموذج وخصائص مجموعة البيانات ومتطلبات المجال، بينما مُنح برنامج AutoScientist نفس المدخلات إلى جانب القدرة على تحسين تكويناته بشكل متكرر باستخدام بيانات التشغيل السابقة. في ظل هذه الظروف، تحسنت النتائج الإجمالية من 48% إلى 64% عند استخدام النظام الآلي، مع زيادة متوسطة في الأداء تُقارب 35% عبر التجارب.
يُظهر برنامج AutoScientist استقرارًا عبر المجالات مع السعي إلى إتاحة ضبط نماذج الحدود للجميع.
تشير نتائج اختبارات الأداء الإضافية في مجالات تطبيق متعددة إلى أن النظام ليس شديد الحساسية لمجالات محددة، حيث لوحظ تحسن في الأداء عبر ثمانية قطاعات مختلفة. وتفيد الشركة بأن هذا الاتساق جدير بالملاحظة، نظرًا لأن العديد من أساليب الضبط الدقيق التقليدية تميل إلى الأداء الضعيف خارج البيئات الضيقة أو المُنتقاة بعناية، بينما يُقدم نظام AutoScientist تحسينات أكثر استقرارًا عبر مهام ومجموعات بيانات متنوعة.
يُصنَّف هذا النظام ضمن جهد أوسع لأتمتة عمليات تطوير النماذج، لا سيما في المجالات التي تتطلب استدلالًا طويل الأمد، والذي لا يزال يُمثِّل تحديًا مستمرًا في موثوقية الذكاء الاصطناعي. ويشير المطورون إلى أن AutoScientist يُمثِّل خطوةً مبكرةً نحو تقليل الحاجة إلى التدخل اليدوي في مسارات تدريب النماذج، مع تركيز التوجهات البحثية المستقبلية على تمكين أشكال أكثر فوريةً من التكيف قد لا تتطلب دورات تدريب تقليدية.
إلى جانب أهدافها التقنية، يُطرح هذا الإصدار أيضًا كجهدٍ لتوسيع نطاق الوصول إلى تخصيص النماذج، مما يسمح لشريحة أوسع من المستخدمين بتصميم أنظمة الذكاء الاصطناعي لتطبيقات محددة. تُتاح الأداة مجانًا لمدة 30 يومًا مبدئيًا. والهدف الأوسع، وفقًا للإطار المُقدّم، هو تذليل العقبات أمام تطوير نماذج الذكاء الاصطناعي وتوسيع القدرة على إنشاء أنظمة مُخصصة لتشمل فئات أوسع من الباحثين المتخصصين المتمركزين في المختبرات الكبرى.
من أهم الحجج السياقية التي تم تسليط الضوء عليها في الإعلان أن عددًا محدودًا فقط من الأشخاص على مستوى العالم يمتلكون الخبرة اللازمة لتدريب نماذج الذكاء الاصطناعي المتطورة وتحسينها بدقة، وتتركز معظم هذه المعرفة في عدد محدود من مختبرات الأبحاث الكبرى. ويُقترح أنه إذا تمكن نظام مثل AutoScientist من أتمتة جوانب من هذه الخبرة بنجاح، فإن عملية بناء نماذج مخصصة للمؤسسات الفردية وحالات الاستخدام المحددة ستصبح أكثر سهولة وقابلية للتطبيق العملي.
إخلاء مسؤولية
تتماشى مع المبادئ التوجيهية لمشروع الثقةيرجى ملاحظة أن المعلومات المقدمة في هذه الصفحة ليس المقصود منها ولا ينبغي تفسيرها على أنها نصيحة قانونية أو ضريبية أو استثمارية أو مالية أو أي شكل آخر من أشكال المشورة. من المهم أن تستثمر فقط ما يمكنك تحمل خسارته وأن تطلب مشورة مالية مستقلة إذا كانت لديك أي شكوك. لمزيد من المعلومات، نقترح الرجوع إلى الشروط والأحكام بالإضافة إلى صفحات المساعدة والدعم المقدمة من جهة الإصدار أو المعلن. MetaversePost تلتزم بتقارير دقيقة وغير متحيزة، ولكن ظروف السوق عرضة للتغيير دون إشعار.
نبذة عن الكاتب
أليسا، صحفية متخصصة في MPost، متخصص في العملات المشفرة والذكاء الاصطناعي والاستثمارات ومجال واسع من Web3. مع اهتمامها الشديد بالاتجاهات والتقنيات الناشئة، فإنها تقدم تغطية شاملة لإعلام القراء وإشراكهم في المشهد المتطور باستمرار للتمويل الرقمي.
المزيد من المقالات
أليسا، صحفية متخصصة في MPost، متخصص في العملات المشفرة والذكاء الاصطناعي والاستثمارات ومجال واسع من Web3. مع اهتمامها الشديد بالاتجاهات والتقنيات الناشئة، فإنها تقدم تغطية شاملة لإعلام القراء وإشراكهم في المشهد المتطور باستمرار للتمويل الرقمي.
