Author: Om Kamath

يشهد مشهد البحوث الحديثة تحولاً جذرياً بفضل ظهور الذكاء الاصطناعي (AI).
تسهل هذه الأنظمة الذكية على الباحثين معالجة كميات هائلة من البيانات واستخراج رؤى قيمة بسرعة.
ومن العناصر الحاسمة في هذا التحول مجموعة الأدوات التي تدعمها المحولات التوليدية المدربة مسبقًا (GPT)، والتي تم تصميمها للتعامل مع المهام المعقدة بكفاءة عالية.
أصبحت أدوات الذكاء الاصطناعي لا غنى عنها بشكل متزايد في البيئات البحثية الأكاديمية والمهنية.
فهي تساعد في تلخيص الأوراق البحثية المعقدة، وإجراء عمليات بحث متقدمة، وتحسين جودة الوثائق.
وبالاستفادة من هذه الأدوات، يمكن للباحثين تبسيط سير عملهم بشكل كبير والتركيز بشكل أكبر على التفكير الابتكاري وحل المشكلات.

إحدى أكثر المهام التي تستغرق وقتاً طويلاً في البحث هي فك رموز الأوراق المعقدة.
لحسن الحظ، أصبحت الأدوات التي تعمل بالذكاء الاصطناعي GPT لا تقدر بثمن في هذا المجال. SummarizePaper.com هي أداة ذكاء اصطناعي مفتوحة المصدر مصممة خصيصًا لتلخيص المقالات من arXiv، مما يجعلها أكثر سهولة في الفهم بالنسبة للباحثين.
بالإضافة إلى ذلك، تعمل أداة Unriddl على تبسيط الموضوعات المعقدة وتوفر ملخصات موجزة، مما يسمح للباحثين بفهم الأفكار المعقدة بسرعة.
ومن الأدوات البارزة الأخرى أداة Wordtune، التي يمكنها تلخيص المستندات الطويلة بسرعة، مما يساعد في فهم المعلومات الهائلة بكفاءة.
تمكّن هذه التطورات الباحثين من توفير الوقت والتركيز على التحليل النقدي والابتكار.
بالنسبة للأشخاص الذين يبحثون عن أداة أكثر تنوعًا مع ميزات بديهية مثل التحليل الانتقائي للوثائق، والطبيعة الانتقائية للنماذج، والقدرة على مشاركة الروبوتات المدربة على أوراقك البحثية – يعد Cody AI خيارًا رائعًا آخر يتضمن كل هذه الميزات.

العثور على المعلومات الدقيقة بسرعة أمر بالغ الأهمية في البحث، وتتفوق أدوات الذكاء الاصطناعي في هذا المجال. Searcholic هو محرك بحث مدعوم بالذكاء الاصطناعي يساعد الباحثين في تحديد موقع مجموعة كبيرة من الكتب الإلكترونية والوثائق دون عناء.
تسهل هذه الأداة الوصول إلى مصادر المعلومات المتنوعة، مما يضمن حصول الباحثين على محتوى شامل في متناول أيديهم.
أداة قوية أخرى هي Semantic Scholar، التي تتيح الوصول إلى أكثر من 211 مليون ورقة علمية.
تُمكِّن أداة الذكاء الاصطناعي هذه المستخدمين من إجراء مراجعات شاملة للأدبيات من خلال توفير وظائف بحث متقدمة مصممة خصيصًا للبحث العلمي.
وأخيراً، يجمع تطبيق Perplexity بين وظائف محرك البحث وروبوت الدردشة، مما يسمح للباحثين بطرح الأسئلة وتلقي إجابات مفصلة بسرعة.
هذا النهج الهجين لا يوفر الوقت فحسب، بل يحسن أيضًا من كفاءة استرجاع المعلومات، مما يجعله أداة لا غنى عنها للباحثين المعاصرين.

التوثيق الفعال أمر بالغ الأهمية لنشر البحوث والتحقق من صحتها. يعد Penelope AI أداة لا تقدر بثمن تسمح للباحثين بالتحقق من مخطوطاتهم الأكاديمية قبل تقديمها إلى المجلات، مما يضمن التزام عملهم بالمعايير والإرشادات العالية.
هناك أداة أخرى لا غنى عنها وهي Grammarly، التي تصحح الأخطاء النحوية والإملائية، وبالتالي تحسين قابلية قراءة المستندات البحثية واحترافيتها.
يساهم ذلك في تحسين جودة البحث ووضوحه بشكل عام، مما يجعله في متناول جمهور أوسع.
وعلاوة على ذلك، تساعد كودوس الباحثين على شرح أعمالهم بلغة بسيطة وإنشاء صفحات جذابة بصريًا.
وتعزز هذه الخدمة من وضوح البحث من خلال ترجمة الموضوعات المعقدة إلى محتوى أكثر قابلية للفهم، وبالتالي توسيع نطاق التأثير المحتمل لنتائج البحث.
تضمن هذه الأدوات مجتمعةً أن يكون توثيق البحوث شاملًا ومعروضًا بشكل جيد ومفهوم، مما يساعد في نهاية المطاف في التواصل الفعال للاكتشافات العلمية.

يوفر دمج أدوات GPT والذكاء الاصطناعي في عملية البحث العديد من الفوائد، بدءًا من تلخيص الأوراق البحثية المعقدة إلى تعزيز التوثيق.
تعمل أدوات مثل SummarizePaper.com و Unriddl على تبسيط فهم الموضوعات المعقدة من خلال توفير ملخصات موجزة، مما يجعل الوصول إلى المؤلفات الأكاديمية أكثر سهولة.
بالإضافة إلى ذلك، تعمل محركات البحث التي تعمل بالذكاء الاصطناعي مثل Semant Scholar على تسهيل استرجاع المعلومات بكفاءة، مما يعزز بشكل كبير سير العمل البحثي.
أما بالنسبة للتوثيق، فتضمن أدوات مثل Penelope AI و Grammarly أن تستوفي الأوراق البحثية معايير عالية وتتواصل بوضوح.
كما تعمل Kudos على توسيع نطاق البحث من خلال ترجمة النتائج المعقدة إلى لغة بسيطة.
تعمل أدوات الذكاء الاصطناعي هذه مجتمعة على تعزيز دقة الأنشطة البحثية وكفاءتها وتأثيرها.
ومع استمرارنا في تبني الذكاء الاصطناعي في مجال البحث، فإننا لا نحسّن سير العمل الفردي فحسب، بل نساهم أيضًا في المجتمع العلمي الأوسع نطاقًا.
يُعد دمج هذه الأدوات المتقدمة خطوة نحو إجراء بحوث أكثر كفاءة ودقة وسهولة في الوصول إليها، مما يؤدي إلى الابتكار والاكتشافات المستقبلية.  

يتميز برنامج Mistral Large 2 بنافذة سياق مذهلة بسعة 128 ألف، ويدعم عشرات اللغات، بما في ذلك اللغات الرئيسية مثل الإنجليزية والفرنسية والألمانية والصينية، بالإضافة إلى لغات أكثر تحديدًا مثل الهندية والكورية.
بالإضافة إلى ذلك، فهو يدعم أكثر من 80 لغة ترميز، مما يجعله مورداً لا غنى عنه في عالمنا الذي يزداد عولمة .
تم تصميم النموذج أيضًا مع مراعاة الكفاءة من حيث التكلفة، مما يسمح بالاستخدام البحثي والتجاري على حد سواء.
هذا التوازن بين الأداء العالي والقدرة على تحمل التكاليف يضع ميسترال لارج 2 كخيار تنافسي للغاية في مجال الذكاء الاصطناعي .

يتميز ميسترال لارج 2 بنافذة سياق بسعة 128 كيلوبايت، مما يعزز بشكل كبير من قدرته على معالجة مجموعات البيانات الواسعة والمعقدة.
تعمل نافذة السياق الواسعة هذه على توسيع قدرة النموذج على فهم وتوليد الاستجابات ذات الصلة عبر سياقات متنوعة.
يدعم النموذج عشرات اللغات التي تغطي اللغات العالمية الرئيسية مثل الإنجليزية والفرنسية والألمانية والصينية.
بالإضافة إلى ذلك، فهو يشمل لغات أكثر تحديداً مثل الهندية والكورية، مما يجعله لا يُقدّر بثمن للتطبيقات اللغوية المتنوعة.
إلى جانب ذلك، يتفوق ميسترال لارج 2 في البرمجة، حيث يقدم دعمًا لأكثر من 80 لغة برمجة، بما في ذلك بايثون وجافا و C++.
هذه الميزة تجعله خيارًا مثاليًا للمطورين الذين يعملون على مشاريع ترميز معقدة.
مع 123 مليار معلمة، يعزز النموذج قدرات الاستدلال، مما يضمن مخرجات أكثر دقة وموثوقية.
وقد تم التركيز بشكل خاص على تقليل الهلوسات الناتجة عن الذكاء الاصطناعي، وبالتالي تحسين موثوقية النموذج في تقديم معلومات دقيقة.
لمزيد من المعلومات حول فوائد ومخاطر النماذج اللغوية الكبيرة، يمكنك الاطلاع على هذه المقالة حول نماذج اللغة مفتوحة المصدر.

يحقق ميسترال لارج 2 دقة مذهلة بنسبة 84.0% في معيار MMLU، مما يضعه في مكانة مميزة مقارنةً بالنماذج الأخرى من حيث الأداء وكفاءة التكلفة.
تؤكد هذه الدقة العالية قدرة النموذج على توفير مخرجات موثوقة ودقيقة، مما يجعله منافسًا قويًا بين نماذج الذكاء الاصطناعي الرائدة.
نسبة الأداء/التكلفة للنموذج جديرة بالملاحظة، مما يضعه في مقدمة النماذج المفتوحة.
يشير هذا إلى أن ميسترال لارج 2 يقدم مزيجًا متوازنًا من الأداء والتكلفة، مما يجعله خيارًا جذابًا لكل من المطورين والشركات.
بالإضافة إلى ذلك، يتوفر ميسترال لارج 2 بموجب خيارين للترخيص: رخصة بحثية تسمح بالاستخدام والتعديل لأغراض بحثية وغير تجارية، ورخصة تجارية للنشر الذاتي في التطبيقات التجارية.
عند مقارنته بالنماذج المنافسة مثل GPT-4 و Llama 3، يُظهر Mistral Large 2 أداءً تنافسيًا، لا سيما في التعامل مع المهام المعقدة وتقديم نتائج دقيقة في مختلف التطبيقات.

تم تصميم نماذج Mistral AI، بما في ذلك Mistral Large 2 و Mistral Nemo، من أجل التكامل السلس وإمكانية الوصول إليها عبر مختلف المنصات.
تتم استضافة هذه النماذج على منصتي “لا بلاتفورم” و”HuggingFace”، مما يجعلها متاحة بسهولة للمطورين والشركات على حد سواء.
بالإضافة إلى ذلك، قامت Mistral AI بتوسيع نطاق وصولها من خلال ضمان إتاحتها على منصات سحابية رائدة مثل Google Cloud وAzure AI Studio وAmazon Bedrock وIBM watsonx.ai.
تدعم إمكانية الوصول الواسعة هذه مجموعة متنوعة من احتياجات التطوير والنشر.
كما يعزز التعاون الملحوظ مع Nvidia لنموذج Mistral Nemo من قدرات تكامل النماذج.
يعد Mistral Nemo، بميزاته المتطورة، بديلاً قوياً يمكن الاستغناء عنه للأنظمة التي تستخدم حالياً Mistral 7B.
يوفر Azure AI طبقة إضافية من الأمان المعزز وخصوصية البيانات، مما يجعله منصة مثالية لنشر نماذج الذكاء الاصطناعي القوية هذه.
ويضمن ذلك حماية البيانات الحساسة بشكل جيد، وتلبية معايير الأمان على مستوى المؤسسات.

يتصدر ميسترال لارج 2 وميسترال نيمو طليعة ابتكارات الذكاء الاصطناعي، حيث يقدمان أداءً لا مثيل له وإتقانًا متعدد اللغات وقدرات ترميز متقدمة.
إن نافذة سياق ميسترال لارج 2 ذات الـ 128 ألف، ودعمها لأكثر من اثنتي عشرة لغة، بالإضافة إلى إمكانات التفكير والترميز الفائقة التي تتمتع بها، تجعلها خياراً متميزاً للمطورين الذين يهدفون إلى بناء تطبيقات ذكاء اصطناعي متطورة.
تضمن إمكانية الوصول الواسع إلى النماذج من خلال منصات مثل la Plateforme وHuggingFace والخدمات السحابية الرائدة مثل Google Cloud وAzure AI وAmazon Bedrock وIBM watsonx.ai إمكانية دمج هذه الأدوات القوية بسلاسة في سير العمل.
كما أن التعاون مع Nvidia يعزز من قدرات التكامل في Mistral Nemo، مما يجعله خيارًا قويًا لترقية الأنظمة التي تستخدم حاليًا Mistral 7B.
في الختام، توفر أحدث عروض ميسترال للذكاء الاصطناعي قفزة كبيرة إلى الأمام في مجال الذكاء الاصطناعي، مما يجعلها أدوات أساسية لتطوير الجيل القادم من الذكاء الاصطناعي.

في المشهد سريع التطور للذكاء الاصطناعي، يمثل إصدار Meta لنموذج Llama 3.1 علامة فارقة في مجال الذكاء الاصطناعي، حيث لا يُظهر براعة تكنولوجية فحسب، بل يُظهر أيضاً رؤية استراتيجية للذكاء الاصطناعي مفتوح المصدر.
وبفضل حجمه غير المسبوق الذي يبلغ 405 مليار معيار يبرز Llama 3.1 كأكثر نماذج الذكاء الاصطناعي تقدماً التي طورتها Meta حتى الآن.
تهدف هذه المبادرة إلى إضفاء الطابع الديمقراطي على الوصول إلى تقنيات الذكاء الاصطناعي المتطورة، وتحدي الحلول المملوكة الحالية من خلال تعزيز بيئة تعاونية للمطورين.
ستغوص هذه المدونة في المواصفات التقنية وفوائد الذكاء الاصطناعي مفتوح المصدر والشراكات الاستراتيجية والاعتبارات الأخلاقية المحيطة بهذا النموذج الرائد.

كشفت Meta مؤخرًا عن Llama 3.1، وهو نموذج الذكاء الاصطناعي مفتوح المصدر الأكثر تقدمًا حتى الآن.
يبرز هذا النموذج بسبب احتوائه على 405 مليار معيار مذهل، مما يجعله أكبر نموذج ذكاء اصطناعي مفتوح المصدر متاح.
ويمثل إصدار Llama 3.1 لحظة محورية في صناعة نماذج الذكاء الاصطناعي، حيث أنه يضع نفسه كمنافس قوي للنماذج المملوكة مثل OpenAI’s GPT-4 وAnthropic’s Claude 3.5 Sonnet.
تمتد أهمية Llama 3.1 إلى ما هو أبعد من مجرد حجمه.
فهو مصمم للتفوق عبر مختلف المعايير، ويعرض قدرات محسّنة في فهم اللغة الطبيعية وتوليدها.
وهذا يضع Llama 3.1 ليس فقط كقوة تكنولوجية قوية ولكن أيضًا كمحفز للابتكار والتقدم في مجال نماذج الذكاء الاصطناعي.

يوجد في قلب Llama 3.1 حجم لا مثيل له، حيث يضم 405 مليار معلمة.
يُترجم هذا الحجم الهائل إلى قدرة أعلى على فهم اللغة الطبيعية وتوليدها، مما يضع معايير جديدة في أداء نموذج الذكاء الاصطناعي.
وقد استفادت عملية تدريب Llama 3.1 من أكثر من 16,000 وحدة معالجة رسومات Nvidia H100، مما يؤكد على الأساس الحسابي القوي للنموذج.
تضمن هذه البنية التحتية التدريبية الواسعة النطاق قدرة Llama 3 .1 على التعامل مع المهام المعقدة بكفاءة أكبر من العديد من سابقاته. علاوة على ذلك، يتفوق Llama 3 .1 في تعدد الاستخدامات.
وتشمل ميزاته خاصية “تخيلني”، التي تُمكّن المستخدمين من صياغة الصور بناءً على صورهم باستخدام كاميرا الهاتف.
بالإضافة إلى ذلك، فإن دعم هذا النموذج للغات متعددة – الفرنسية والألمانية والهندية والإيطالية والإسبانية – يوسّع نطاق جاذبيته وتطبيقه عبر مختلف الفئات السكانية اللغوية.
وتزيد القدرة على التكامل مع واجهات برمجة التطبيقات الخاصة بمحرك البحث من تنوعه الوظيفي، مما يجعله مورداً قيماً لمختلف المجالات.

تتمثل رؤية Meta وراء Llama 3.1 في إنشاء نظام بيئي قوي مفتوح المصدر لنموذج الذكاء الاصطناعي الذي يعمم الوصول إلى أدوات التعلم الآلي المتقدمة.
تتماشى هذه المبادرة بشكل وثيق مع طموح الرئيس التنفيذي مارك زوكربيرج في تكرار النجاح التحويلي الذي حققه نظام لينكس في مجال أنظمة التشغيل.
ومن خلال تزويد المطورين بالقدرة على تعديل النموذج واستخدامه بحرية، تهدف Meta إلى تعزيز بيئة تعاونية تشجع الابتكار والتقدم التكنولوجي السريع.
إن فوائد نموذج الذكاء الاصطناعي مفتوح المصدر مقنعة بشكل خاص للمطورين.
فهم يحصلون على وصول غير مسبوق إلى نموذج متطور للغاية دون العوائق المرتبطة بالحلول المملوكة.
وهذا يمكّنهم من تخصيص النموذج وتحسينه ليناسب احتياجات محددة، مما يسهل إنشاء تطبيقات وحلول مبتكرة.
ومع ذلك، هناك قيود على الترخيص تنطبق بشكل خاص على الاستخدامات التجارية واسعة النطاق.
وقد صُممت هذه القيود لضمان النشر الأخلاقي ومنع إساءة الاستخدام، وتحقيق التوازن بين روح المصدر المفتوح والضمانات الضرورية.
وبشكل عام، يمثل Llama 3.1 خطوة محورية نحو مستقبل نموذج الذكاء الاصطناعي الشامل والتعاوني.

على الرغم من حجمه الهائل، فقد صُمم Llama 3. 1 ليكون أكثر فعالية من حيث التكلفة مقارنةً بمنافسيه، مثل GPT-4 من OpenAI.
تدّعي Meta أن تشغيل Llama 3.1 يكلف نصف التكلفة تقريباً، وذلك بفضل عمليات التدريب المحسّنة والنشر الاستراتيجي لأكثر من 16,000 وحدة معالجة رسومات Nvidia H100.
هذه الكفاءة من حيث التكلفة مفيدة بشكل خاص للشركات والمطورين، مما يجعل الذكاء الاصطناعي عالي الأداء أكثر سهولة وقابلية للتطبيق اقتصادياً.
على المدى الطويل، يمكن أن يؤدي انخفاض تكاليف تشغيل Llama 3.1 إلى تحقيق وفورات كبيرة، مما يشجع على تبنيها على نطاق أوسع في مختلف الصناعات.
ومن خلال خفض الحواجز المالية، تهدف Meta إلى تعزيز الابتكار وتمكين المطورين من الاستفادة من نموذج الذكاء الاصطناعي المتقدم دون النفقات الباهظة التي عادةً ما ترتبط عادةً بمثل هذه النماذج.

نظرًا لأن Llama 3.1 يضع معيارًا جديدًا في مجال الذكاء الاصطناعي مفتوح المصدر، فإنه يلخص طموح Meta في إعادة تشكيل كيفية فهمنا للذكاء الاصطناعي وتفاعلنا معه.
من خلال إعطاء الأولوية لإمكانية الوصول والتعاون المجتمعي، لا تتحدى Meta الوضع الراهن فحسب، بل تشجع المطورين على الابتكار متحررين من قيود النماذج المملوكة.
ومع ذلك، مع القوة الكبيرة تأتي المسؤولية الكبيرة، ويسلط النقاش الدائر حول الضمانات الأخلاقية الضوء على التوازن الدقيق بين الابتكار والنشر الآمن.
مما لا شك فيه أن رحلة لاما 3.1 ستؤثر بلا شك على مستقبل الذكاء الاصطناعي، مما يدفعنا (بقصد التورية) إلى النظر ليس فقط في قدرات هذه النماذج ولكن أيضًا في الآثار المجتمعية التي تحملها.
أطلق العنان للإمكانات الكاملة لأعمالك مع كودي للذكاء الاصطناعي، مساعد الذكاء الاصطناعي الذكي الخاص بك.
تم تصميم Cody المدعوم بأحدث النماذج اللغوية الرائدة في المجال مثل Claude 3.5 من Anthropic وGPT-4o من OpenAI، وهو مصمم لتعزيز إنتاجية فريقك وكفاءته.
سواء كنت بحاجة إلى الدعم في الإجابة عن الأسئلة، أو العصف الذهني الإبداعي، أو استكشاف الأخطاء وإصلاحها، أو استرجاع البيانات، فإن كودي هنا لمساعدتك. اكتشف كودي للذكاء الاصطناعي اليوم وارتقِ بعملياتك التجارية إلى المستوى التالي!

ما هو أداء Claude 3.5 Sonnet LLM؟

يُظهر كلود 3.5 سونيت أداءً فائقًا في مهام الاستدلال البصري، مما يميزه عن النماذج اللغوية الكبيرة الأخرى (LLMs). تسمح هذه القدرة المتقدمة للنموذج بتفسير البيانات المرئية وتحليلها بدقة ملحوظة. سواء أكان الأمر يتعلق بفك رموز المخططات المعقدة أو الرسوم البيانية أو غيرها من التمثيلات المرئية الأخرى، فإن Claude 3.5 Sonnet يتفوق في استخلاص رؤى ذات مغزى يمكن أن تقود عمليات اتخاذ القرار. تُعد هذه الكفاءة مفيدة بشكل خاص في السيناريوهات التي تكون فيها المعلومات المرئية ضرورية لفهم الاتجاهات أو الأنماط أو الحالات الشاذة. تُعد قدرة النموذج على التفسير الدقيق للمخططات والرسوم البيانية تغييراً جذرياً في الصناعات التي تعتمد بشكل كبير على تصور البيانات. على سبيل المثال، في القطاع المالي، يمكن للمحللين الاستفادة من Claude 3.5 Sonnet لتفسير اتجاهات السوق والتقارير المالية بسرعة ودقة. وبالمثل، في مجال الخدمات اللوجستية، يمكن أن يساعد النموذج في تحسين عمليات سلسلة التوريد من خلال تحليل وتفسير البيانات اللوجستية المعقدة المقدمة في أشكال مرئية.

يقدّم Claude 3.5 Sonnet LLM ميزة رائدة تسمى Artifacts، مصممة لإحداث ثورة في إدارة البيانات. تسمح القطع الأثرية للمستخدمين بتخزين البيانات وإدارتها واسترجاعها بفعالية أكبر، مما يعزز بيئة من التعاون المعزز ومركزية المعرفة داخل الفرق والمؤسسات. هذه الميزة مفيدة بشكل خاص للمشروعات واسعة النطاق حيث يكون تكامل البيانات وإمكانية الوصول إليها أمرًا بالغ الأهمية. من خلال الاستفادة من Artifacts، يمكن للفرق ضمان توفر المعلومات المهمة باستمرار وسهولة الوصول إليها، مما يسهل تكامل كلود بشكل أكثر سلاسة في سير العمل.

Claude 3.5 تم تصميم Sonnet LLM بتركيز قوي على الأمان والخصوصية، مع الالتزام بمعايير ASL-2. يضمن هذا الامتثال تلبية النموذج للمبادئ التوجيهية الصارمة لحماية بيانات المستخدم، مما يجعله خيارًا موثوقًا به للقطاعات التي يكون فيها أمن البيانات أمرًا بالغ الأهمية، مثل قطاعات التمويل والرعاية الصحية والقطاعات الحكومية. إن الالتزام بهذه المعايير لا يحمي المعلومات الحساسة فحسب، بل يبني أيضًا الثقة بين المستخدمين وأصحاب المصلحة من خلال إظهار الالتزام بالحفاظ على بروتوكولات أمنية عالية. مع تزايد تعقيد التهديدات السيبرانية، لا يمكن المبالغة في أهمية هذا الامتثال الصارم. واستشرافاً للمستقبل، لدى أنثروبيك خطط طموحة لتوسيع عائلة Claude 3.5 بطرازات جديدة، بما في ذلك Haiku و Opus. من المتوقع أن تجلب هذه النماذج القادمة تحسينات كبيرة، لا سيما في سعة الذاكرة ودمج طرائق جديدة. ستسمح الذاكرة المعززة لهذه النماذج بمعالجة المزيد من المعلومات والاحتفاظ بها، مما يحسن قدرتها على التعامل مع المهام المعقدة وسير العمل متعدد الخطوات. وهذا مفيد بشكل خاص للتطبيقات التي تتطلب تحليلاً مكثفًا للبيانات وفهمًا سياقيًا طويل الأمد.

مع ظهور النماذج اللغوية الكبيرة (LLMs) واتجاهات الذكاء الاصطناعي التوليدي، يمكن أن يؤدي دمج حلول الذكاء الاصطناعي التوليدي في أعمالك إلى زيادة كفاءة سير العمل. إذا كنت حديث العهد بالذكاء الاصطناعي التوليدي، فإن كثرة المصطلحات قد تكون مخيفة. ستعمل هذه المدونة على إزالة الغموض عن المصطلحات الأساسية للذكاء الاصطناعي التوليدي وإرشادك إلى كيفية البدء في استخدام حل ذكاء اصطناعي مخصص لأعمالك باستخدام RAG كخدمة.

ما هو التوليد المعزز للاسترجاع (RAG)؟

يُعد التوليد المعزز للاسترجاع (RAG) مفهومًا أساسيًا في تطبيق الآليات المحلية أو الذكاء الاصطناعي التوليدي في سير العمل التجاري. تستفيد RAG من نماذج المحولات المدربة مسبقاً للإجابة على الاستفسارات المتعلقة بالأعمال من خلال إدخال البيانات ذات الصلة من قاعدة المعرفة الخاصة بك في عملية الاستعلام. تُستخدم هذه البيانات، التي ربما لم يتم تدريب الآلات القابلة للتشغيل الآلي على استخدامها، لتوليد استجابات دقيقة وذات صلة.

يتميز RAG بالفعالية من حيث التكلفة والكفاءة، مما يجعل الذكاء الاصطناعي التوليدي أكثر سهولة. دعنا نستكشف بعض المصطلحات الرئيسية المتعلقة بـ RAG.

المصطلحات الرئيسية في RAG

التقطيع

تتطلّب الآليات ذات المستوى المنخفض كثيفة الاستخدام للموارد ويتم تدريبها على أطوال بيانات يمكن التحكم فيها تُعرف باسم “نافذة السياق”. تختلف “نافذة السياق” بناءً على آلية التعلم الآلي المستخدمة. ولمعالجة محدوديتها، يتم تجزئة بيانات الأعمال المقدمة كوثائق أو مؤلفات نصية إلى أجزاء أصغر. يتم استخدام هذه الأجزاء أثناء عملية استرجاع الاستعلام.

نظرًا لأن القطع غير منظمة وقد تختلف الاستعلامات من الناحية النحوية عن بيانات قاعدة المعرفة، يتم استرجاع القطع باستخدام البحث الدلالي.

قواعد بيانات المتجهات

تقوم قواعد البيانات المتجهة مثل Pinecone و Chromadb و FAISS بتخزين تضمينات بيانات الأعمال. تقوم التضمينات بتحويل البيانات النصية إلى شكل رقمي بناءً على معناها ويتم تخزينها في فضاء متجه عالي الأبعاد حيث تكون البيانات المتشابهة دلاليًا أقرب إلى بعضها البعض.

عند إجراء استعلام المستخدم، يتم استخدام تضمينات الاستعلام للعثور على أجزاء متشابهة دلاليًا في قاعدة بيانات المتجهات.

RAG كخدمة

قد يكون تطبيق RAG على شركتك أمرًا شاقًا إذا كنت تفتقر إلى الخبرة التقنية. وهنا يأتي دور RAG كخدمة (RaaS).

نحن في meetcody.ai نقدم لك حلاً للتوصيل والتشغيل لتلبية احتياجات عملك. ما عليك سوى إنشاء حساب معنا والبدء مجاناً. نحن نتعامل مع التقطيع وقواعد البيانات المتجهة وعملية RAG بأكملها، مما يوفر لك راحة البال التامة.

الأسئلة الشائعة

1. ما هو RAG كخدمة (RaaS)؟

RAG-as-a-Service (RaaS) هو حل شامل يتعامل مع عملية توليد الاسترجاع المعزَّز بالكامل لأعمالك. يتضمن ذلك تقطيع البيانات، وتخزين التضمينات في قواعد البيانات المتجهة، وإدارة البحث الدلالي لاسترداد البيانات ذات الصلة للاستعلامات.

2. كيف يساعد التقطيع في عملية RAG؟

يؤدي التجزئة إلى تقسيم مستندات الأعمال الكبيرة إلى أجزاء أصغر حجمًا يمكن إدارتها بحيث تتناسب مع نافذة سياق إدارة اللغات. يسمح هذا التقسيم ل LLM بمعالجة المعلومات ذات الصلة واسترجاعها بكفاءة أكبر باستخدام البحث الدلالي.

3. ما هي قواعد البيانات المتجهة ولماذا هي مهمة؟

تقوم قواعد البيانات المتجهة بتخزين التمثيلات العددية (التضمينات) لبيانات عملك. تسمح هذه التضمينات باسترجاع البيانات المتشابهة دلاليًا بكفاءة عند إجراء استعلام، مما يضمن الحصول على استجابات دقيقة وذات صلة من LLM.

يمكنك دمج RAG في أعمالك بسهولة وكفاءة من خلال الاستفادة من قوة RAG كخدمة. ابدأ مع meetcody.ai اليوم وحوِّل سير عملك باستخدام حلول الذكاء الاصطناعي التوليدي المتقدمة.

الشروع في العمل مع أدوات الأنثروبولوجيا

أكبر فائدة من استخدام LLMs للمهام هي تنوعها. يمكن مطالبة LLMs بطرق محددة لخدمة عدد لا يحصى من الأغراض ، وتعمل كواجهات برمجة تطبيقات لإنشاء النص أو تحويل البيانات غير المهيكلة إلى تنسيقات منظمة. يلجأ الكثير منا إلى ChatGPT لمهامنا اليومية ، سواء كان ذلك في إنشاء رسائل بريد إلكتروني أو الانخراط في مناقشات مرحة مع الذكاء الاصطناعي.

تدور بنية المكونات الإضافية ، والمعروفة أيضا باسم “GPTs” ، حول تحديد الكلمات الرئيسية من الردود والاستعلامات وتنفيذ الوظائف ذات الصلة. تتيح هذه المكونات الإضافية التفاعل مع التطبيقات الخارجية أو تشغيل وظائف مخصصة.

بينما قادت OpenAI الطريق في تمكين استدعاءات الوظائف الخارجية لتنفيذ المهام ، قدمت Anthropic مؤخرا ميزة محسنة تسمى “استخدام الأدوات” ، لتحل محل آلية استدعاء الوظائف السابقة. يبسط هذا الإصدار المحدث التطوير من خلال استخدام JSON بدلا من علامات XML. بالإضافة إلى ذلك ، تفتخر Claude-3 Opus بميزة على طرازات GPT مع نافذة السياق الأكبر التي تبلغ 200 ألف رمز ، وهي قيمة خاصة في سيناريوهات محددة.

في هذه المدونة ، سوف نستكشف مفهوم “استخدام الأدوات” ، ونناقش ميزاته ، ونقدم إرشادات حول البدء.

ما هو “استخدام الأداة”؟

يتمتع كلود بالقدرة على التفاعل مع الأدوات والوظائف الخارجية من جانب العميل، مما يتيح لك تزويد كلود بأدواتك المخصصة لمجموعة واسعة من المهام.

سير العمل لاستخدام أدوات مع كلود هو كما يلي:

1. تزويد كلود بالأدوات وموجه المستخدم (طلب واجهة برمجة التطبيقات)
   • حدد مجموعة من الأدوات ليختار كلود من بينها.
   • قم بتضمينها مع استعلام المستخدم في موجه إنشاء النص.
2. كلود يختار أداة
   • يحلل كلود موجه المستخدم ويقارنه بجميع الأدوات المتاحة لتحديد الأداة الأكثر صلة.
   • باستخدام عملية “التفكير” الخاصة ب LLM ، فإنه يحدد الكلمات الرئيسية المطلوبة للأداة ذات الصلة.
3. توليد الاستجابة (استجابة API)
   • عند الانتهاء من العملية ، يتم إنشاء موجه التفكير ، جنبا إلى جنب مع الأداة والمعلمات المحددة ، كمخرجات.

بعد هذه العملية ، تقوم بتنفيذ الوظيفة / الأداة المحددة واستخدام مخرجاتها لإنشاء استجابة أخرى إذا لزم الأمر.

المخطط العام للأداة

يعمل هذا المخطط كوسيلة لتوصيل متطلبات عملية استدعاء الوظيفة إلى LLM. لا يستدعي مباشرة أي وظيفة أو يؤدي إلى أي إجراء من تلقاء نفسه. لضمان التحديد الدقيق للأدوات ، يجب تقديم وصف مفصل لكل أداة. Properties داخل المخطط يتم استخدامها لتحديد المعلمات التي سيتم تمريرها إلى الوظيفة في مرحلة لاحقة.

مظاهره

دعنا نمضي قدما ونبني أدوات لكشط الويب وإيجاد سعر أي سهم.

مخطط الأدوات

في الأداة scrape_website ، ستجلب عنوان URL لموقع الويب من موجه المستخدم. بالنسبة للأداة stock_price ، ستحدد اسم الشركة من موجه المستخدم وتحوله إلى شريط yfinance.

موجه المستخدم

طرح استعلامين على الروبوت ، واحد لكل أداة ، يعطينا المخرجات التالية:

تسرد عملية التفكير جميع الخطوات التي اتخذتها LLM لتحديد الأداة الصحيحة بدقة لكل استعلام وتنفيذ التحويلات اللازمة كما هو موضح في أوصاف الأداة.

اختيار الأداة ذات الصلة

سيتعين علينا كتابة بعض التعليمات البرمجية الإضافية التي ستؤدي إلى تشغيل الوظائف ذات الصلة بناء على الظروف.

تعمل هذه الوظيفة على تنشيط التعليمات البرمجية المناسبة بناء على اسم الأداة الذي تم استرداده في استجابة LLM. في الحالة الأولى ، نقوم بكشط عنوان URL لموقع الويب الذي تم الحصول عليه من إدخال الأداة ، بينما في الحالة الثانية ، نجلب مؤشر الأسهم ونمرره إلى مكتبة yfinance python.

تنفيذ الوظائف

سنقوم بتمرير الوظيفة بالكامل ToolUseBlock select_tool() لتشغيل الكود ذي الصلة.

النواتج

1. الموجه الأول
2. الموجه الثاني

إذا كنت تريد عرض التعليمات البرمجية المصدر بالكامل لهذا العرض التوضيحي، يمكنك عرض دفتر الملاحظات هذا.

بعض حالات الاستخدام

تعمل ميزة “استخدام الأداة” لكلود على رفع تعدد استخدامات LLM إلى مستوى جديد تماما. في حين أن المثال المقدم أساسي ، إلا أنه بمثابة أساس لتوسيع الوظائف. إليك تطبيق واقعي واحد منه:

أمس أطلقت @AnthropicAI أداة استخدام بيتا!

إليك مثال على شيء قمت بإنشائه به: روبوت خدمة العملاء يمكنه بالفعل حل مشكلتك!

نتطلع إلى رؤية ما يبنيه الناس أيضا! https://t.co/Xmi7pnwouS pic.twitter.com/T5bE4peexR

– إريك شلونتز (@ErikSchluntz) 5 أبريل 2024

للعثور على المزيد من حالات الاستخدام ، يمكنك زيارة المستودع الرسمي ل Anthropic
هنا
.