ما هو النموذج اللغوي الكبير (LLM)؟ شرح مبسّط
✦ أهم النقاط
- النموذج اللغوي الكبير نظام ذكاء اصطناعي يتنبأ بالكلمة (أو الرمز) التالية بناءً على أنماط تعلّمها من كميات هائلة من النصوص.
- يتدرّب على مرحلتين رئيسيتين: التدريب المسبق على نصوص ضخمة، ثم الضبط الدقيق لجعله أكثر فائدة وأماناً.
- نافذة السياق تحدد كم من النص يستطيع النموذج أخذه في الحسبان دفعة واحدة، وتُقاس بالرموز (tokens).
- قد ينتج النموذج معلومات خاطئة بثقة تامة (الهلوسة)، لذا يجب دائماً التحقق من مخرجاته في المهام المهمة.
ما هو النموذج اللغوي الكبير؟
النموذج اللغوي الكبير (Large Language Model, اختصاراً LLM) هو نوع من أنظمة الذكاء الاصطناعي مُصمَّم لفهم اللغة البشرية وتوليدها. في جوهره، النموذج آلة ضخمة للتنبؤ بالكلمة التالية: تُعطيه جزءاً من نص، فيُقدّر ما هو الرمز (token) الأرجح أن يأتي بعده، ثم يكرر ذلك مراراً ليكوّن جُملاً وفقرات كاملة. رغم بساطة هذه الفكرة، فإن تدريب النموذج على كميات هائلة من النصوص يجعله قادراً على الترجمة والتلخيص والإجابة عن الأسئلة وكتابة البرمجيات.
تعتمد هذه النماذج على بنية شبكة عصبية تُسمى «المحوّل» (Transformer)، التي طُرحت عام 2017 وأحدثت نقلة في معالجة اللغة الطبيعية بفضل آلية «الانتباه» (attention) التي تتيح للنموذج تقدير أهمية كل كلمة بالنسبة لبقية الكلمات في النص.
أداة الفواتير وعروض الأسعار
فواتير احترافية تُحسب وتُطبع/PDF في دقيقة.
الرموز والمعاملات: لبنات النموذج
لا يقرأ النموذج الحروف كما نفعل نحن، بل يُقسّم النص إلى وحدات صغيرة تُسمى «الرموز» (tokens). قد يكون الرمز كلمة كاملة أو جزءاً من كلمة أو حتى علامة ترقيم. وكقاعدة تقريبية في اللغة الإنجليزية، يساوي الرمز الواحد نحو أربعة أحرف أو ثلاثة أرباع الكلمة.
أما «المعاملات» (parameters) فهي القيم العددية الداخلية التي يضبطها النموذج أثناء التدريب، وهي التي تخزّن ما «تعلّمه». وكلما زاد عددها زادت قدرة النموذج على التقاط أنماط معقدة. تتراوح النماذج الحديثة بين مليارات قليلة من المعاملات إلى مئات المليارات؛ فعلى سبيل المثال، ضمّ نموذج GPT-3 من OpenAI نحو 175 مليار معامل، بينما تتوافر نماذج مفتوحة أصغر بحجم 7 أو 8 مليارات معامل تعمل على أجهزة أقل قوة.
كيف يُدرَّب النموذج؟
يمر التدريب عادةً بمرحلتين. الأولى هي «التدريب المسبق» (pretraining)، حيث يُعرَض النموذج على كميات ضخمة من النصوص من الكتب والمواقع والمقالات، ويتعلّم التنبؤ بالرمز التالي مراراً وتكراراً. هذه المرحلة مكلفة وتستغرق أسابيع على آلاف المعالجات الرسومية المتخصصة.
المرحلة الثانية هي «الضبط الدقيق» (fine-tuning)، حيث يُصقَل النموذج على بيانات أكثر تحديداً ليصبح أكثر فائدة وأماناً. ومن أشهر تقنياتها «التعلّم المعزَّز من التغذية الراجعة البشرية» (RLHF)، التي يقيّم فيها بشر جودة إجابات النموذج لتوجيهه نحو ردود أكثر دقة وملاءمة.
نافذة السياق والهلوسة
«نافذة السياق» (context window) هي كمية النص التي يستطيع النموذج أخذها في الحسبان في المرة الواحدة، وتُقاس بالرموز. فإذا كانت نافذة السياق 128 ألف رمز، فهذا يعني أن النموذج يستطيع «تذكّر» ما يعادل مئات الصفحات ضمن المحادثة الواحدة. وأي نص يتجاوز هذا الحد يخرج عن انتباه النموذج.
أما «الهلوسة» (hallucination) فهي أن يُنتج النموذج معلومات تبدو معقولة لكنها غير صحيحة أو مُختلَقة تماماً، ويقدّمها بثقة تامة. يحدث ذلك لأن النموذج يولّد نصاً محتملاً إحصائياً لا حقائق مُتحقَّقة، ولهذا يجب دائماً مراجعة المخرجات في المهام الحسّاسة مثل الطب أو القانون أو الأرقام.
| المصطلح | المعنى المبسّط |
|---|---|
| الرمز (Token) | أصغر وحدة نصية يعالجها النموذج؛ قد تكون كلمة أو جزءاً منها. |
| المعامل (Parameter) | قيمة عددية داخلية يضبطها التدريب وتخزّن ما تعلّمه النموذج. |
| نافذة السياق (Context window) | حجم النص الذي يعالجه النموذج دفعة واحدة، مقيساً بالرموز. |
| الضبط الدقيق (Fine-tuning) | صقل نموذج مُدرَّب مسبقاً على بيانات محددة لتحسين أدائه. |
| الهلوسة (Hallucination) | إنتاج النموذج معلومات خاطئة أو مُختلَقة يعرضها بثقة. |
أمثلة على الاستخدامات وحدودها
تُستخدَم النماذج اللغوية الكبيرة في مجالات واسعة: كتابة المسودات وتلخيص المستندات الطويلة، والترجمة بين اللغات، ومساعدة المبرمجين على كتابة الشيفرة وتصحيحها، وتشغيل روبوتات الدردشة لخدمة العملاء، والبحث في قواعد المعرفة. لكن لها حدوداً واضحة: فهي لا «تفهم» العالم كما يفهمه الإنسان، وقد تتضمن انحيازات موجودة في بيانات تدريبها، ومعرفتها متوقفة عند تاريخ آخر تدريب ما لم تُزوَّد بأدوات بحث خارجية، وتكلفة تشغيلها على نطاق واسع قد تكون مرتفعة. القاعدة الذهبية هي معاملتها كمساعد قوي يحتاج إلى إشراف بشري، لا كمصدر نهائي للحقيقة.