يجب علينا إتقان النماذج التنبؤية للذكاء الاصطناعي التوليدي لتحقيق ثورة الذكاء الاصطناعي

طوال عام 2022 ، استحوذ الذكاء الاصطناعي التوليدي على مخيلة الجمهور.

مع إصدار Stable Diffusion و Dall-E2 و ChatGPT-3 ، يمكن للناس التفاعل مع الذكاء الاصطناعي بشكل مباشر ، ومشاهدة الرهبة لأن الأنظمة التي تبدو ذكية تخلق الفن ، وتؤلف الأغاني ، وتكتب الشعر وتكتب مقالات جامعية مقبولة.

بعد بضعة أشهر فقط ، بدأ بعض المستثمرين في تضييق نطاق تركيزهم. إنهم مهتمون فقط ببناء الشركات للذكاء الاصطناعي التوليدي ، وإبعاد أولئك الذين يعملون على نماذج تنبؤية إلى عالم الذكاء الاصطناعي “المدرسة القديمة”.

ومع ذلك ، فإن الذكاء الاصطناعي التوليدي وحده لن يفي بوعد ثورة الذكاء الاصطناعي. يعتمد مستقبل الخيال العلمي الذي يتوقعه الكثير من الناس المصاحب للتبني الواسع للذكاء الاصطناعي على نجاح النماذج التنبؤية. تتوقف السيارات ذاتية القيادة ، والمرافقون الآليون ، والرعاية الصحية الشخصية والعديد من الابتكارات الأخرى على إتقان الذكاء الاصطناعي “للمدرسة القديمة”.

قفزة كبيرة للذكاء الاصطناعي التوليدي إلى الأمام؟

تم تصميم الذكاء الاصطناعي التنبئي والتوليدي لأداء مهام مختلفة.

تستنتج النماذج التنبؤية المعلومات حول نقاط البيانات المختلفة حتى يتمكنوا من اتخاذ القرارات. هل هذه صورة لكلب أم قطة؟ هل هذا الورم حميد أم خبيث؟ يشرف الإنسان على تدريب النموذج ، ويخبره ما إذا كانت مخرجاته صحيحة. بناءً على بيانات التدريب التي يواجهها ، يتعلم النموذج كيفية الاستجابة للسيناريوهات المختلفة بطرق مختلفة.

تنتج النماذج التوليدية نقاط بيانات جديدة بناءً على ما تعلموه من بيانات التدريب الخاصة بهم. عادة ما تتدرب هذه النماذج بطريقة غير خاضعة للرقابة ، حيث تقوم بتحليل البيانات دون مدخلات بشرية واستخلاص استنتاجاتهم الخاصة.

لسنوات ، واجهت النماذج التوليدية المهام الأكثر صعوبة ، مثل محاولة تعلم إنشاء صور واقعية أو إنشاء معلومات نصية تجيب على الأسئلة بدقة ، وكان التقدم بطيئًا.

بعد ذلك ، هناك زيادة في توفر فرق التعلم الآلي (ML) التي تمكّن قوة الحوسبة لبناء نماذج أساسية: نماذج ضخمة غير خاضعة للإشراف تدرب كميات هائلة من البيانات (أحيانًا جميع البيانات المتاحة على الإنترنت). على مدار العامين الماضيين ، قام مهندسو ML بمعايرة نماذج الأساس التوليدية هذه – بإطعامهم مجموعات فرعية من البيانات المشروحة لاستهداف المخرجات لأهداف محددة – بحيث يمكن استخدامها في التطبيقات العملية.

صقل الذكاء الاصطناعي

يعد ChatGPT-3 مثالاً جيدًا. إنها نسخة من Chat GPT ، نموذج أساسي تم تدريبه على كميات هائلة من البيانات غير المسماة. لإنشاء ChatGPT ، استأجرت OpenAI 6000 من المعلقين التوضيحيين لتسمية مجموعة فرعية مناسبة من البيانات ، ثم استخدم مهندسو ML تلك البيانات لضبط النموذج لتعليمه إنشاء معلومات محددة.

مع هذه الأنواع من طرق الضبط الدقيق ، بدأت النماذج التوليدية في إنشاء مخرجات لم تكن قادرة عليها سابقًا ، وكانت النتيجة انتشارًا سريعًا للنماذج التوليدية الوظيفية. يوضح هذا التوسع المفاجئ أن الذكاء الاصطناعي التوليدي قد تجاوز أداء أنظمة الذكاء الاصطناعي التنبؤية الحالية.

ومع ذلك ، يمكن أن تكون المظاهر خادعة.

حالات الاستخدام الواقعية للذكاء الاصطناعي التنبئي والتوليدي

عندما يتعلق الأمر بحالات الاستخدام الواقعية الحالية لهذه النماذج ، يستخدم الناس الذكاء الاصطناعي التوليدي والتنبئي بطرق مختلفة جدًا.

تم استخدام الذكاء الاصطناعي التنبئي إلى حد كبير لتوفير وقت الأشخاص من خلال أتمتة العمليات البشرية لأداء مستويات عالية جدًا من الدقة وبأقل قدر من الإشراف البشري.

في المقابل ، يتم استخدام التكرار الحالي للذكاء الاصطناعي التوليدي في الغالب لزيادة أعباء العمل البشرية بدلاً من استبدالها. لا تزال معظم حالات الاستخدام الحالية للذكاء الاصطناعي التوليدي تتطلب إشرافًا بشريًا. على سبيل المثال ، تم استخدام هذه النماذج لصياغة المستندات والتعليمات البرمجية المشتركة ، لكن البشر لا يزالون “في الحلقة” لمراجعة المخرجات وتحريرها.

في الوقت الحالي ، لم يتم تطبيق النماذج التوليدية حتى الآن على حالات الاستخدام عالية المخاطر ، لذلك لا يهم كثيرًا إذا كان لديها معدلات خطأ كبيرة. تطبيقاتهم الحالية ، مثل إنشاء الفن أو كتابة المقالات ، لا تنطوي على مخاطر كبيرة. إذا كان النموذج التوليدي ينتج صورة لامرأة ذات عيون زرقاء لدرجة يصعب معها أن تكون واقعية ، فما الضرر الذي يحدث حقًا؟

للذكاء الاصطناعي التنبئي تأثير في العالم الحقيقي

من ناحية أخرى ، تحمل العديد من حالات استخدام الذكاء الاصطناعي التنبئي مخاطر يمكن أن يكون لها تأثير حقيقي للغاية على حياة الناس. نتيجة لذلك ، يجب أن تحقق هذه النماذج معايير أداء عالية قبل إطلاقها في البرية. في حين أن المسوق قد يستخدم نموذجًا توليديًا لصياغة منشور مدونة يكون جيدًا بنسبة 80 ٪ مثل الذي كتبوه بأنفسهم ، فلن يستخدم أي مستشفى نظام تشخيص طبي يتنبأ بدقة 80 ٪ فقط.

أثناء التواجد على السطح ، قد يبدو أن النماذج التوليدية قد اتخذت قفزة هائلة إلى الأمام من حيث الأداء عند مقارنتها بنظيراتها التنبؤية ، كل الأشياء متساوية ، معظم النماذج التنبؤية مطلوبة بالفعل للأداء بمستوى أعلى من الدقة بسبب حالات استخدامها أطلب ذلك.

حتى نماذج الذكاء الاصطناعي التنبؤية ذات المخاطر المنخفضة ، مثل تصفية البريد الإلكتروني ، تحتاج إلى تلبية عتبات الأداء العالي. إذا وصلت رسالة بريد إلكتروني غير مرغوب فيها إلى صندوق الوارد الخاص بالمستخدم ، فهذه ليست نهاية العالم ، ولكن إذا تمت تصفية بريد إلكتروني مهم مباشرةً إلى البريد العشوائي ، فقد تكون النتائج خطيرة.

إن السعة التي يمكن أن يؤدي بها الذكاء الاصطناعي التوليدي حاليًا بعيدة عن الحد المطلوب لتحقيق قفزة في الإنتاج للتطبيقات عالية المخاطر. قد يكون استخدام نموذج تحويل النص إلى صورة مع معدلات الخطأ المحتملة لعمل الفن قد أذهل عامة الناس ، ولكن لن تستخدم أي شركة نشر طبية نفس النموذج لتوليد صور للأورام الحميدة والخبيثة لتعليم طلاب الطب. إن المخاطر ببساطة كبيرة للغاية.

القيمة التجارية للذكاء الاصطناعي

في حين أن الذكاء الاصطناعي التنبئي قد يكون مؤخرًا قد احتل المقعد الخلفي من حيث التغطية الإعلامية ، على المدى القريب إلى المتوسط ​​، لا تزال هذه الأنظمة هي التي من المرجح أن تقدم أكبر قيمة للأعمال والمجتمع.

على الرغم من أن الذكاء الاصطناعي التوليدي ينشئ بيانات جديدة عن العالم ، إلا أنه أقل فائدة في حل المشكلات المتعلقة بالبيانات الموجودة. تتطلب معظم المشكلات الملحة واسعة النطاق التي يحتاج البشر إلى حلها إجراء استنتاجات وقرارات تستند إلى بيانات العالم الحقيقي.

يمكن لأنظمة الذكاء الاصطناعي التنبؤية بالفعل قراءة المستندات والتحكم في درجة الحرارة وتحليل أنماط الطقس وتقييم الصور الطبية وتقييم الأضرار التي تلحق بالممتلكات والمزيد. يمكنهم توليد قيمة تجارية هائلة من خلال أتمتة كميات هائلة من البيانات ومعالجة المستندات. المؤسسات المالية ، على سبيل المثال ، تستخدم الذكاء الاصطناعي التنبئي لمراجعة وتصنيف ملايين المعاملات كل يوم ، مما يوفر للموظفين من هذا الوقت والمهام كثيفة العمالة.

ومع ذلك ، فإن العديد من تطبيقات العالم الحقيقي للذكاء الاصطناعي التنبئي التي لديها القدرة على تغيير حياتنا اليومية تعتمد على إتقان النماذج الحالية بحيث تحقق معايير الأداء المطلوبة لدخول الإنتاج. يعد سد فجوة أداء إنتاج النموذج الأولي هو الجزء الأكثر تحديًا في تطوير النموذج ، ولكن من الضروري أن تحقق أنظمة الذكاء الاصطناعي إمكاناتها.

مستقبل الذكاء الاصطناعي التوليدي والتنبئي

إذن ، هل تم المبالغة في تقدير الذكاء الاصطناعي التوليدي؟

ليس تماما. إن امتلاك نماذج توليدية قادرة على تقديم قيمة هو تطور مثير. لأول مرة ، يمكن للأشخاص التفاعل مع أنظمة الذكاء الاصطناعي التي لا تقوم بالأتمتة فحسب ، بل تبتكر – وهو نشاط كان البشر فقط قادرين عليه سابقًا.

ومع ذلك ، فإن مقاييس الأداء الحالية للذكاء الاصطناعي التوليدي ليست محددة جيدًا مثل تلك الخاصة بالذكاء الاصطناعي التنبئي ، كما أن قياس دقة النموذج التوليدي أمر صعب. إذا كانت التكنولوجيا ستستخدم يومًا ما للتطبيقات العملية – مثل كتابة كتاب مدرسي – فستحتاج في النهاية إلى متطلبات أداء مشابهة لمتطلبات النماذج التوليدية. وبالمثل ، سيتم دمج الذكاء الاصطناعي التنبئي والتوليدي في النهاية.

يتطلب تقليد الذكاء البشري والأداء وجود نظام واحد تنبؤي وتوليدي ، وسيحتاج هذا النظام إلى أداء هاتين الوظيفتين بمستويات عالية من الدقة.

في غضون ذلك ، ومع ذلك ، إذا كنا نريد حقًا تسريع ثورة الذكاء الاصطناعي ، فلا ينبغي لنا التخلي عن “المدرسة القديمة للذكاء الاصطناعي” لابن عمها الأكثر إشراقًا. بدلاً من ذلك ، نحتاج إلى التركيز على إتقان أنظمة الذكاء الاصطناعي التنبؤية ووضع الموارد في سد فجوة إنتاج النموذج الأولي للنماذج التنبؤية.

إذا لم نفعل ذلك ، فبعد عشر سنوات من الآن ، قد نتمكن من إنشاء سيمفونية من نماذج تحويل النص إلى صوت ، لكننا ما زلنا نقود أنفسنا.

أولريك ستيج هانسن هو مؤسس ورئيس إنكورد.