يعمل الذكاء الاصطناعي التوليدي من خلال تدريب نموذج على كمية كبيرة جداً من البيانات، حيث يتعلم النموذج العلاقات والأنماط الموجودة فيها. بعد انتهاء عملية التدريب، يصبح النموذج قادراً على استقبال دخل جديد، وتوليد خرج جديد من خلال ما تعلمه في مرحلة التدريب.
لكن ما العلاقة بين النموذج والبيانات والمخرجات؟
البيانات هي المادة الخام التي يتعلم من خلالها النموذج، أما النموذج فهو النظام الذي يتعلم العلاقات والأنماط بين البيانات المدخلة، وبعد انتهاء التدريب، يستخدم النموذج المعرفة التي اكتسبها لمعالجة مدخلات جديدة وتوليد مخرجات.
ما هي المفاهيم الأساسية للذكاء الاصطناعي التوليدي؟
المفاهيم الأساسية للذكاء الاصطناعي التوليدي هي: نموذج الذكاء الاصطناعي التوليدي، وتدريب النموذج، والشبكة العصبونية، والاستدلال (Inference)، والتوكنز (Tokens)، والمحولات (Transformers).
سنشرح كل مصطلح من المصطلحات السابقة على حدة في الفقرات التالية.

ما المقصود بنموذج الذكاء الاصطناعي التوليدي؟
نموذج الذكاء الاصطناعي التوليدي هو نظام حاسوبي يتعلم من البيانات التي يزود بها خلال عملية التدريب. بعد التدريب، يستطيع استخدام ما تعلمه من أنماط وعلاقات إحصائية لمعالجة مدخلات جديدة وتوليد مخرجات.
ما المقصود بتدريب نموذج الذكاء الاصطناعي التوليدي؟
تدريب نموذج الذكاء الاصطناعي التوليدي هو العملية التي نعرّض فيها النظام الحاسوبي (نموذج الذكاء الاصطناعي التوليدي) لكمية كبيرة من البيانات، ونعدّل ما بداخله تدريجياً حتى يصبح قادراً على اكتشاف الأنماط والعلاقات الموجودة داخل هذه البيانات.
لكن، ماذا يوجد داخل نموذج الذكاء الاصطناعي التوليدي؟ هنا نصل إلى المصطلح الثالث، وهو الشبكة العصبونية.
ما المقصود بالشبكة العصبونية؟
الشبكة العصبونية هي نظام رياضي داخل الحاسوب يتكون من مجموعة كبيرة من الوحدات المترابطة، وتعمل هذه الوحدات على معالجة المعلومات ونقلها من وحدة لأخرى.
لكن، ما هي الوحدات المترابطة الموجودة داخل الشبكة العصبونية؟
هي وحدات حسابية بسيطة (تسمى العصبونات)، كل وحدة منها تستقبل أرقاماً، وتجري عليها عمليات حسابية، ثم ترسل النتيجة إلى الوحدات التالية.
ما المقصود بالتعلم داخل الشبكة العصبونية؟
تتعلم الشبكة العصبونية من خلال تعديل المعاملات (Parameters) الموجودة داخلها، وهي أرقام تحدد كيفية تأثير المعلومات التي تمر داخل الشبكة العصبونية على بعضها.
أثناء التدريب، يقوم النظام بتعديل تلك الأرقام (Parameters) حتى تصبح الشبكة العصبونية أفضل في الوصول للخرج المطلوب.
ما المقصود بالاستدلال (Inference) في مجال الذكاء الاصطناعي التوليدي؟
الاستدلال (Inference) في مجال الذكاء الاصطناعي التوليدي يعني استخدام النموذج المدرب لمعالجة دخل جديد، وإنتاج خرج.
يجب أن نميز بين التدريب، والاستدلال. كلاهما يتضمن تقديم دخل للنموذج، والنموذج سيولد خرجاً في الحالتين.
لكن في حالة التدريب، نحن نراقب قرب إجابة النموذج (الذي لم ينتهِ من مرحلة التدريب بعد) من الإجابة المطلوبة، ثم تُعدَّل المعاملات (Parameters) داخل الشبكة العصبونية، لتحسين خرج النموذج.
أما في حالة الاستدلال، فالنموذج المدرب يعطي خرجاً للدخل المقدم له، ولا توجد عملية تدريب إضافية هنا.
ما المقصود بالتوكنز (Tokens) في مجال الذكاء الاصطناعي التوليدي؟
التوكنز (Tokens) هي الأجزاء التي يقوم نموذج الذكاء الاصطناعي التوليدي بتقسيم النص إليها، لكي يتمكن من التعامل معه.
نموذج الذكاء الاصطناعي التوليدي لا يستطيع التعامل مع النص مثلنا نحن البشر، لذا يقسمه لأجزاء (Tokens)، وتختلف طريقة التقسيم حسب نظام التقطيع المستخدم (Tokenizer). مثلاً: جملة "أنا أحب القهوة" يمكن أن تقسم إلى الأجزاء التالية:
أنا
أحب
القهوة
والجزء (Token) يمكن أن يكون:
كلمة كاملة
جزءاً من كلمة
علامة ترقيم
رمزاً آخر
لكن لماذا نحتاج إلى Tokens؟
لأن الـ Tokens تُحوَّل إلى تمثيلات رياضية كي يستطيع نموذج الذكاء الاصطناعي التوليدي التعامل معها.
ولكن كيف يستطيع نموذج الذكاء الاصطناعي التوليدي معالجة الـ Tokens والتعامل معها؟ هنا نكون قد وصلنا للمصطلح الأخير، وهو المحولات (Transformers).
ما المقصود بالمحولات (Transformers) في مجال الذكاء الاصطناعي التوليدي؟
المحولات (Transformers) هي معمارية (طريقة بناء) من معماريات الشبكات العصبونية، صُممت لمعالجة البيانات المتسلسلة، وهي اليوم أساس للكثير من نماذج الذكاء الاصطناعي التوليدي الحديثة مثل GPT.
المحول (Transformer) يساعد نموذج الذكاء الاصطناعي على فهم العلاقة بين أجزاء المدخل، ولا سيما الـ Tokens، باستخدام آلية تُدعى Attention.
Attention هي آلية تساعد نموذج الذكاء الاصطناعي على فهم أي أجزاء من المدخل مهمة بالنسبة للجزء الذي يعالجه.
مثلاً: "ذهب عبد الله إلى البنك لأنه كان بحاجة إلى المال."
من المهم أن يعرف النموذج أن الجزء (Token) "البنك" مرتبط بالجزء (Token) "المال"، وليس فقط بالكلمة أو الجزء من الجملة الذي سبقه.
أمثلة على طريقة عمل نموذج الذكاء الاصطناعي التوليدي
المثال 1: نموذج توليد النصوص
لنفترض أن لدينا نموذج ذكاء اصطناعي توليدي لغوي، وكتبنا الدخل التالي:
"عاصمة فرنسا هي"
العمليات التي سيقوم بها نموذج الذكاء الاصطناعي بشكل تقريبي ستكون:
النموذج يقسم النص إلى أجزاء (Tokens) مثل: عاصمة | فرنسا | هي.
النموذج يعالج الأجزاء: يستخدم بنية (Transformer) وآلية (Attention) ليفهم العلاقة بين أجزاء الدخل. يربط النموذج بين "فرنسا" و"عاصمة".
النموذج يتنبأ بما يمكن أن يأتي بعد "عاصمة فرنسا هي" ويعطي احتمالات. مثل (باريس: 95% - لندن: 1% - روما: 1%).
يختار النموذج الجزء (Token) المناسب وهو في حالتنا، باريس.
المثال 2: نموذج توليد الصور
نموذج توليد الصور يتعامل مع الدخل المقدم له بشكل مختلف عن نموذج توليد النصوص، حيث يتعلم أثناء تدريبه العلاقات بين الكلمات والمفاهيم، والخصائص البصرية. أغلب نماذج توليد الصور الحديثة تعتمد على طريقة تسمى الانتشار (Diffusion).
لنفترض أننا كتبنا الدخل التالي:
"قطة تجلس على كرسي أحمر"
العمليات التي سيقوم بها النموذج بشكل تقريبي ستكون:
النموذج يحوّل النص إلى تمثيل رياضي يعبر عن معناه (قطة، كرسي، أحمر، والعلاقة بينها).
يبدأ النموذج من صورة عشوائية تماماً تشبه التشويش (Noise).
يزيل النموذج التشويش على خطوات متتالية، وفي كل خطوة يقرّب الصورة أكثر من الوصف المكتوب، لأنه تعلم أثناء التدريب كيف يعيد الصور المشوشة إلى صور واضحة.
بعد عدد من الخطوات، يكون الخرج الناتج صورة جديدة تطابق الوصف.
الفرق عن المثال الأول أن نموذج النصوص يولد الخرج جزءاً بعد جزء (Token بعد Token)، أما نموذج الصور فيحسّن الصورة كلها تدريجياً.
إذا كنت مهتماً بتعلم استخدام أدوات الذكاء الاصطناعي التوليدي بشكل فعال، تفضل بالاطلاع على كورس الذكاء الاصطناعي التوليدي مع المدرب محمود مصري، حيث ستجد كل ما تحتاجه للانتقال من مبتدئ في استخدام أدوات الذكاء الاصطناعي التوليدي إلى محترف يبيع خدماته. وإذا أردت أن تبدأ بالقراءة أولاً، فهذا دليل تعلم الذكاء الاصطناعي للمبتدئين.