كما هو الحال بالنسبة لمعظمنا في صناعة خدمات التكنولوجيا، لقد بحثنا في كيفية استغلال الذكاء الصناعي لعملائنا الحاليين والجدد.

قبل الغوص في الفرص، دعونا نقوم بملخص قصير لحالة الأمور.

الذكاء الصناعي، أو كما نفضل أن نطلق عليه، النماذج اللغوية الكبيرة (LLMs) تركز بشكل أساسي على المجالات التالية: النصوص، الصور وفي مرحلة لاحقة الفيديو والصوت. ومع ذلك، في وقت كتابة هذا المقال، الفيديو والصوت ليسا بعد عامة بالكامل.

عندما نتحدث عن الذكاء الصناعي، نفضل الإشارة إليهم بوصفهم LLMs لأننا في الواقع لدينا مجالات أخرى أيضا. في العقد الماضي، تم الإشارة إلى الذكاء الصناعي بما في ذلك التعلم الآلي، وتنقيب البيانات، والشبكات العصبية، وحتى بعض مجالات الذكاء التجاري. الـ LLMs هي مجرد الإضافات الأحدث للمجال ومن يعلم، ما الذي ستظهره التكنولوجيات الجديدة في المستقبل القريب.

لأغراض هذا المقال، عندما نتحدث عن الذكاء الصناعي، نشير في الواقع إلى LLMs.

إذاً، كيف يمكن أن تساعد الـ LLMs في عملك؟

لقد حددنا المجالات الرئيسية التالية.

التطبيقات

معالجة النصوص

ثبت أن الـ LLMs ناجحة في معالجة النصوص، سواء في شكل تلخيص النصوص، أو استخراج البيانات ومعالجتها. يمكن أن تكون كل هذه الأنشطة أو المهام للذكاء الصناعي، أو الـ LLM، على شكل نتائج عبر قنوات مختلفة. الأكثر وضوحاً، هو على شكل روبوت محادثة، ولكن يمكن أيضاً تنفيذ قنوات أخرى: صفحات ويب تعتمد على النماذج أو تطبيقات واجهة المستخدم.

يمكن للشركات التي لديها مجموعة كبيرة من البيانات الخاصة بها مثل العملاء المحتملين، والوثائق الداخلية، وأوصاف المنتجات استخدام LLMs بالطرق التالية:

تلخيص النصوص

من الذاتي التوضيح، ولكن للتوضيح، نشير إلى هذه المهمة بأنها القدرة على ضغط النصوص المختلفة (وربما الصور في المستقبل) في عدد أقل من الكلمات التي تبرز النقاط الرئيسية.

استخراج البيانات

يمكنك استخدام LLMs لاستخراج البيانات مباشرة إلى تنسيق CSV، JSON أو Excel من مصادر بيانات مختلفة مثل السير الذاتية، العملاء المحتملين، صفحات الويب، إلخ. بشكل أساسي، يمكن الآن استبدال جميع المهام التي كانت تتم في الماضي بواسطة الزاحفين على الويب، والروبوتات الواجهة، وبرامج Python، إلخ، بمهام تتم عبر LLMs.

معالجة البيانات

أشير إلى معالجة البيانات بالقدرة على "فهم" النص وتقديم إجابة جديدة لم تكن (بالضرورة) مفصلة في بيانات الإدخال ("النص"). هنا، يتم تحديد الفرق الرئيسي في الجودة بواسطة الـ LLM المستخدم. كلما كان النموذج أكبر، كان أكثر ذكاءً في شكل فهم البيانات. سأشرح في منشور مختلف، كيف تختلف هذه النماذج.

التحقق من صحة البيانات

يمكنك دمج LLMs في أي عملية تحقق من صحة البيانات الحالية (أو الجديدة). لذا، بدلاً من الاعتماد فقط على المدققين الكلاسيكيين: هل هو رقمي؟ هل هو رقم هاتف؟ هل هو رقم الضمان الاجتماعي؟ يمكنك الآن استخدام LLMs للاستفسار عن محتوى إدخال معين (مثلاً، هل يصف هذا النص حادثة؟ - إذا كان تطبيقك يعالج المطالبات، أو مثلاً، هل يتضمن النص المقدم معلومات قد تكون أعراضاً لمرض؟ - إذا كان تطبيقك متعلق بالصحة).

يمكن دمج جميع المهام المذكورة أعلاه بسهولة في أي تطبيقات تجارية أو يمكنك اختيار فتح قناة توصيل جديدة لإنشاء روبوت محادثة سيقدم هذه المعلومات لأصحاب المصلحة المستهدفين (العملاء، الموظفين، إلخ).

منطقة أخرى قد تثبت فيها LLMs أنها مفيدة هي توليد النصوص.

توليد النصوص

ربما كانت الخاصية الأكثر شهرة لـ LLMs الحالية هي القدرة على توليد النصوص، أو بشكل أفضل، المحتوى. يتم تحقيق هذا من خلال المجموعة الكبيرة من البيانات التي تم تغذيتها في النموذج الذي يستند على "الموجه" لإنشاء الإجابات.

لقد وجدت بعض التطبيقات بالفعل طريقها إلى عالم الأعمال.

مساعدي البرمجة

اعتنقت الشركات التقنية (والمطورين على أساس فردي) LLMs لمساعدتهم في إنشاء قوالب الكود، والعثور على الأخطاء أو تحسين الكود الحالي بنتائج رائعة. هذا التطبيق هنا للبقاء ومن المرجح أن يكون جزءًا إلزاميًا من أي مكدس تطوير كود ومعظم الأنظمة الموجودة هناك (مفتوحة المصدر أو مملوكة).

كتابة النصوص

يستخدم الأشخاص المشروعين والأشخاص "الخبيثين" LLMs لتوليد محتوى على مواضيع مختلفة. المعلومات والتضليل على نفس المستوى، نتائج هذه الـ LLMs. من ناحية الأعمال، بدأت LLMs في الاستخدام لتوليد الإعلانات، والوثائق، والتقارير، إلخ. إذا كان تطبيق الأعمال الخاص بك مليئًا بحقول النص التي تتطلب إدخالات نصية، فمن المرجح أن يكون هناك في المستقبل زر سيساعدك في ملء المعلومات في تلك الحقل.

الإيجابيات والسلبيات

أريد أيضاً تلخيص الإيجابيات والسلبيات لتقديم LLMs في عملك.

التكاليف

في الوقت الحالي، نعتقد أن التكلفة هي العامل الأكثر أهمية للنظر فيه. بينما "العملة" لإدخال LLM رخيصة نسبياً الآن (السعر لكل رمز)، عندما نتحدث عن التطبيقات التجارية التي يستخدمها الأعمال، يمكن أن تتراكم التكاليف بسهولة إلى آلاف الدولارات عندما يقوم عدة أشخاص بالاستعلامات في LLM. تكلفة أخرى يجب النظر فيها، هي التكاليف لخدمات الاستشارات المرتبطة بتنفيذ LLMs. في الوقت الحالي، فإن مجموعة الأشخاص الذين يفهمون ويمكنهم تقديم النتائج مع تطبيقات LLMs صغيرة نسبياً وبالتالي، مكلفة.

LLMs الخاصة مقابل LLMs العامة

ليست هناك العديد من المنظمات التي ترغب في السماح لبياناتها الخاصة بأن تتغذى في LLMs، حتى لو كانت كإدخال. بينما معظم مزودي LLMs يقدمون ضمانات بأنهم لا يستخدمون هذه البيانات كإدخال لتعزيز نماذجهم أكثر، لا يمكن أن يكون المرء متأكداً من ذلك بسبب (الواضح) غموض الكود الذي يقف وراء تشغيل LLMs. ونتيجة لذلك، ستكون المزيد من الشركات على استعداد لنشر LLMs الخاصة بها تعمل على أجهزتها الخاصة. وهذا سيزيد بالمزيد من التكلفة في نشر LLMs لتطبيقك.

الهلوسات

موثق جيداً أن LLMs لديها هلوسات. عندما نتحدث عن الهلوسات داخل LLMs، نشير إلى "عجزهم" عن توليد مرجع غير صحيح/مزيف. حقيقة أنهم يعبرون عن نتائجهم بدرجة عالية من الثقة أو بدون مراجع مناسبة لدعم المعلومات. وهذا يعود في الغالب إلى حقيقة أن LLMs في الأساس تراكم الأرقام وأي "خطأ" صغير يحدث في مرحلة واحدة من عملية التوليد، يتم ضربه بواسطة الخطوات التالية داخل النموذج. ومع ذلك، هناك طرق للحد من تأثير الهلوسة.

نأمل أن يقدم هذا المقال معلومات كافية لمساعدتك على توليد أفكار حول كيفية استخدام LLMs بشكل مفيد لمنظمتك.

هل أنت مستعد لتحويل عملك بواسطة حلول الذكاء الصناعي المخصصة؟

في Softescu، نحن متخصصون في تطوير تطبيقات الذكاء الصناعي الذكية التي تفهم احتياجات عملك الفريدة. يمكن لفريقنا من مهندسي الذكاء الصناعي وخبراء التعلم الآلي مساعدتك في استغلال قوة النماذج اللغوية الكبيرة والذكاء الصناعي المحادث مع ضمان التكامل السلس مع أنظمتك الحالية. سواء كنت تبحث عن تشغيل العمليات، أو تحسين تجارب العملاء، أو الحصول على رؤى أعمق للأعمال، فاتصل بنا للحصول على استشارة حل الذكاء الصناعي المخصص.