كيفية إنشاء ثقة الذكاء الاصطناعي التوليدية لنجاح المؤسسة

خلال TED Talk لعام 2023 ، أدلت عالمة الكمبيوتر Yejin Choi ببيان يبدو متناقضًا عندما قالت ، “الذكاء الاصطناعي اليوم ذكي بشكل لا يصدق ومن ثم غبي بشكل صادم.” كيف يمكن لشيء ذكي كن غبيا؟

لا يتم تصميم الذكاء الاصطناعي من تلقاء نفسه – بما في ذلك الذكاء الاصطناعي التوليفي – لتقديم معلومات دقيقة ومحددة السياق وموجهة لمهمة معينة. في الواقع ، قياس نموذج بهذه الطريقة هو مهمة أحمق. فكر في هذه النماذج على أنها موجهة نحو الملاءمة بناءً على ما شهدته ومن ثم توليد ردود على هذه النظريات المحتملة.

لهذا السبب ، بينما يستمر الذكاء الاصطناعي التوليدي في إبهارنا بالإبداع ، فإنه غالبًا ما يكون قاصرًا عندما يتعلق الأمر بمتطلبات B2B. بالتأكيد ، من الذكاء أن تقوم ChatGPT بنسخ نسخة من وسائل التواصل الاجتماعي كراب ، ولكن إذا لم يتم الاحتفاظ بها في سلسلة قصيرة ، يمكن للذكاء الاصطناعي التوليدي هلوسة. يحدث هذا عندما ينتج النموذج معلومات خاطئة متنكرا في شكل الحقيقة. بغض النظر عن الصناعة التي تعمل بها الشركة ، فإن هذه العيوب الدراماتيكية ليست جيدة بالتأكيد للأعمال.

يكمن مفتاح الذكاء الاصطناعي التوليدي الجاهز للمؤسسات في هيكلة البيانات بشكل صارم بحيث توفر سياقًا مناسبًا ، والذي يمكن الاستفادة منه بعد ذلك لتدريب نماذج لغة كبيرة عالية الدقة (LLM). يشكل التوازن المصمم جيدًا بين LLMs المصقولة والأتمتة القابلة للتنفيذ ونقاط التفتيش البشرية المحددة أطرًا قوية لمكافحة الهلوسة تسمح للذكاء الاصطناعي بتقديم نتائج صحيحة تخلق قيمة حقيقية لمؤسسة B2B.

بالنسبة لأي شركة ترغب في الاستفادة من الإمكانات غير المحدودة للذكاء الاصطناعي التوليدي ، إليك ثلاثة أطر عمل حيوية لدمجها في مجموعة التكنولوجيا الخاصة بك.

بناء أطر قوية لمكافحة الهلوسة

أجرت شركة Got It AI ، وهي شركة يمكنها تحديد الأكاذيب التوليدية ، اختبارًا وقررت أن LLM من ChatGPT أنتجت ردودًا غير صحيحة تقريبًا بنسبة 20 ٪ من الوقت. معدل الفشل المرتفع لا يخدم أهداف الشركة. لذا ، لحل هذه المشكلة والحفاظ على الذكاء الاصطناعي التوليدي من الهلوسة ، لا يمكنك تركه يعمل في فراغ. من الضروري أن يتم تدريب النظام على بيانات عالية الجودة لدفع المخرجات ، وأن يتم مراقبتها بانتظام من قبل البشر. بمرور الوقت ، يمكن أن تساعد حلقات الملاحظات هذه في تصحيح الأخطاء وتحسين دقة النموذج.

من الضروري أن تكون الكتابة الجميلة للذكاء الاصطناعي التوليدية مرتبطة بنظام موجه نحو السياق ، مدفوع بالنتائج. المرحلة الأولى من نظام أي شركة هي اللوح الفارغ الذي يستوعب المعلومات المصممة خصيصًا للشركة وأهدافها المحددة. المرحلة الوسطى هي قلب نظام جيد التصميم ، والذي يتضمن ضبطًا صارمًا لـ LLM. تصف OpenAI نماذج الضبط الدقيق بأنها “تقنية قوية لإنشاء نموذج جديد خاص بحالة الاستخدام الخاصة بك.” يحدث هذا من خلال اتباع النهج العادي للذكاء الاصطناعي التوليدي ونماذج التدريب على العديد من الأمثلة الخاصة بكل حالة ، وبالتالي تحقيق نتائج أفضل.

في هذه المرحلة ، يمكن للشركات الاختيار بين استخدام مزيج من الأتمتة ذات الترميز الثابت و LLMs المضبوطة بدقة. في حين أن تصميم الرقصات قد يختلف من شركة إلى أخرى ، فإن الاستفادة من كل تقنية في قوتها يضمن المخرجات الأكثر توجهاً نحو السياق.

بعد ذلك ، بعد إعداد كل شيء في النهاية الخلفية ، حان الوقت للسماح للذكاء الاصطناعي التوليدي بالتألق حقًا في الاتصالات الخارجية. لا يتم إنشاء الإجابات بسرعة ودقة عالية فحسب ، بل إنها توفر أيضًا نغمة شخصية دون المعاناة من إجهاد التعاطف.

نسق التكنولوجيا مع نقاط التفتيش البشرية

من خلال تنظيم مختلف الروافع التقنية ، يمكن لأي شركة تقديم الحقائق المنظمة والسياق اللازم للسماح لـ LLM بالقيام بما يفعلونه بشكل أفضل. أولاً ، يجب على القادة تحديد المهام التي تكون مكثفة من الناحية الحسابية للبشر ولكنها سهلة الأتمتة – والعكس صحيح. بعد ذلك ، ضع في اعتبارك المكان الذي يكون فيه الذكاء الاصطناعي أفضل من كليهما. بشكل أساسي ، لا تستخدم الذكاء الاصطناعي عندما يكون الحل الأبسط ، مثل الأتمتة أو حتى الجهد البشري ، كافياً.

في محادثة مع الرئيس التنفيذي لشركة OpenAI Sam Altman في Stripe Sessions في سان فرانسيسكو ، قال مؤسس Stripe John Collison أن Stripe يستخدم OpenAI’s GPT-4 “في أي مكان يقوم فيه شخص ما بعمل يدوي أو يعمل على سلسلة من المهام.” يجب أن تستخدم الشركات الأتمتة لإجراء أعمال شاقة ، مثل تجميع المعلومات والتمشيط من خلال المستندات الخاصة بالشركة. يمكنهم أيضًا ترميز التفويضات النهائية بالأبيض والأسود ، مثل سياسات الإرجاع.

فقط بعد إنشاء هذه القاعدة القوية تصبح جاهزة للذكاء الاصطناعي. نظرًا لأن المدخلات يتم تنسيقها بشكل كبير قبل أن يلامس الذكاء الاصطناعي التوليفي المعلومات ، يتم إعداد الأنظمة لمعالجة التعقيد الأكثر دقة. لا يزال إبقاء البشر في الحلقة أمرًا بالغ الأهمية للتحقق من دقة إخراج النموذج ، فضلاً عن تقديم ملاحظات النموذج والنتائج الصحيحة إذا لزم الأمر.

قياس النتائج من خلال الشفافية

في الوقت الحاضر ، LLM هي صناديق سوداء. عند إصدار GPT-4 ، ذكرت شركة OpenAI أنه “نظرًا لكل من المشهد التنافسي والآثار المتعلقة بالسلامة للنماذج واسعة النطاق مثل GPT-4 ، لا يحتوي هذا التقرير على مزيد من التفاصيل حول البنية (بما في ذلك حجم النموذج) والأجهزة وحساب التدريب ومجموعة البيانات . البناء أو طريقة التدريب أو ما شابه ذلك. ” في حين كانت هناك بعض الخطوات نحو جعل النماذج أقل غموضًا ، فإن كيفية عمل النموذج لا تزال غامضة إلى حد ما. لا يقتصر الأمر على عدم وضوح ما هو موجود تحت الغطاء فحسب ، بل إنه غامض أيضًا الفرق بين النماذج – بخلاف التكلفة وكيفية تفاعلك معها – لأن الصناعة ككل ليس لديها قياسات فعالية موحدة.

هناك الآن شركات تقوم بتغيير هذا الأمر وإضفاء الوضوح عبر نماذج الذكاء الاصطناعي التوليدية. إن قياسات الفعالية المعيارية هذه لها فوائد للمشاريع النهائية. تقوم شركات مثل Gentrace بربط البيانات مرة أخرى بتعليقات العملاء بحيث يمكن لأي شخص معرفة مدى جودة أداء LLM لمخرجات الذكاء الاصطناعي التوليدية. تخطو شركات أخرى مثل Paperplane.ai خطوة إلى الأمام من خلال التقاط بيانات الذكاء الاصطناعي التوليدية وربطها بتعليقات المستخدمين حتى يتمكن القادة من تقييم جودة النشر والسرعة والتكلفة بمرور الوقت.

ليز تساي هي المؤسس والرئيس التنفيذي لشركة HiOperator.