الذكاء الاصطناعي المولّد (الذي يُعرف اختصارًا أيضًا بـ generative AI أو gen AI هو أحد أنواع الذكاء الاصطناعي (AI) الذي يمكنه إنشاء محتوى جديد وأفكار مبتكرة، ويدخل في ذلك المحادثات والقصص والصور ومقاطع الفيديو والموسيقى. يمكنه تعلُّم لغة البشر أو لغات البرمجة أو الفن أو الكيمياء أو علم الأحياء أو أي موضوع معقد. كما إنه يُعيد استخدام ما يعرفه لحل المشكلات الجديدة.

على سبيل المثال، يمكنه تعلم مفردات اللغة الإنجليزية وإنشاء قصيدة من الكلمات التي يعالجها.

يمكن لمؤسستك استخدام الذكاء الاصطناعي المولّد لأغراض مختلفة، مثل روبوتات المحادثة وإنشاء الوسائط وتطوير المنتجات وتصميمها.

أمثلة الذكاء الاصطناعي المولّد
يحتوي الذكاء الاصطناعي المولّد على العديد من حالات الاستخدام عبر الصناعات

الخدمات المالية
تستخدم شركات الخدمات المالية أدوات الذكاء الاصطناعي المولّد لخدمة عملائها بشكل أفضل مع تقليل التكاليف:
تستخدم المؤسسات المالية روبوتات المحادثة لإنشاء توصيات المنتجات والرد على استفسارات العملاء، ما يحسِّن خدمة العملاء بشكل عام.
تُسرِّع مؤسسات الإقراض الموافقات على القروض للأسواق التي تعاني النقص المالي، خاصةً في الدول النامية.
تكتشف البنوك محاولات الاحتيال سريعًا في المطالبات وبطاقات الائتمان والقروض.
تستخدم شركات الاستثمار قوى الذكاء الاصطناعي المولّد في تقديم المشورة المالية المخصصة لعملائها بتكلفة منخفضة.
اقرأ المزيد عن الذكاء الاصطناعي المولّد للخدمات المالية على AWS

كيف تطورت تقنية الذكاء الاصطناعي المولّد؟
ما زالت النماذج المولّدة الأولية مستخدمة منذ عقود في الإحصاء للمساعدة في تحليل البيانات العددية. وكانت الشبكات العصبونية والتعليم العميق من السلائف الأخيرة للذكاء الاصطناعي المولّد الحديث. وفي عام 2013، طُورت أدوات التشفير التلقائي المتغيرة (VAE) التي كانت أول نماذج مولّدة عميقة يمكنها إنشاء صور وكلام واقعي.

أجهزة التشفير التلقائي المتغيرة (VAEs)
قدمت VAEs (أجهزة التشفير التلقائي المتغيرة) القدرة على إنشاء أشكال جديدة لأنواع بيانات متعددة. وقد أدى ذلك إلى الظهور السريع لنماذج الذكاء الاصطناعي المولّد الأخرى، مثل الشبكات التنافسية المولّدة ونماذج الانتشار. ركزت هذه الابتكارات على إنشاء البيانات التي يزداد تقاربها من البيانات الحقيقية بمرور الوقت، على الرغم من منشأة بشكل اصطناعي.

كيف يعمل الذكاء الاصطناعي المولّد؟
كما هي الحال مع كل أشكال الذكاء الاصطناعي، يعمل الذكاء الاصطناعي المولّد باستخدام نماذج تعلّم الآلة، إلا أنها تكون نماذج كبيرة للغاية ومدرَّبة مسبقًا على كميات هائلة من البيانات.
نماذج التأسيس
نماذج التأسيس (FMs) هي نماذج تعلّم آلة مدرَّبة على مجموعة واسعة من البيانات المعممة وغير المصنفة. وهي قادرة على أداء مجموعة متنوعة من المهام العامة.
نماذج التأسيس (FMs) هي نتيجة أحدث التطورات في التكنولوجيا التي شهدناها على مرّ عقود. بشكل عام، يستخدم نموذج التأسيس الأنماط والعلاقات المكتسبة للتنبؤ بالعنصر التالي في تسلسل معين.
على سبيل المثال، عند إنشاء الصور، يحلل النموذج الصورة وينشئ نسخة أكثر وضوحًا ودقة منها. وبالمثل، مع النصوص، يتنبأ النموذج بالكلمة التالية في سلسلة نصية استنادًا إلى الكلمات السابقة وسياقها. ثم يختار الكلمة التالية باستخدام تقنيات توزيع الاحتمالات.
نماذج اللغة الكبيرة
نماذج اللغة الكبيرة (LLMs) هي واحدة من فئات نماذج التأسيس (FMs). على سبيل المثال، نماذج المحول المولّد المدرَّب مسبقًا (GPT) من OpenAI هي عبارة عن نماذج لغة كبيرة. تركز نماذج اللغة الكبيرة بشكل خاص على المهام المستندة إلى اللغة، مثل التلخيص وإنشاء النصوص والتصنيف والمحادثة المفتوحة واستخراج المعلومات.

ما يجعل نماذج اللغة الكبيرة مميزة هو قدرتها على أداء مهام متعددة. ويمكنها القيام بذلك لأنها تحتوي على العديد من المعلمات التي تجعلها قادرة على تعلم مفاهيم متقدمة.
يمكن لنموذج لغة كبير، مثل GPT-3، النظر في مليارات المعلمات ولديه القدرة على إنشاء محتوى من مدخلات قليلة للغاية. بما أن نماذج اللغة الكبيرة تتعرّض قبل التدريب للبيانات على نطاق الإنترنت بجميع أشكالها المختلفة وبأنماطها التي لا تُعد ولا تُحصى، فإنّها تتعلم تطبيق معرفتها في مجموعة واسعة من السياقات.

كيف تعمل نماذج الذكاء الاصطناعي المولّد؟
كانت نماذج تعلم الآلة التقليدية تمييزية أو ركزت على تصنيف نقاط البيانات. وكانت تحاول تحديد العلاقة بين العوامل المعروفة وغير المعروفة. على سبيل المثال، تنظر النماذج إلى الصور (البيانات المعروفة مثل ترتيب البكسل والخط واللون والشكل) وتعيِّنها إلى الكلمات (العامل غير المعروف). من الناحية الرياضية، كانت تعمل النماذج من خلال تحديد المعادلات التي يمكنها تعيين عوامل غير معروفة ومعروفة عدديًا مثل المتغيرَين x وy. تنفذ النماذج المولّدة خطوة إضافية أخرى. بدلاً من التنبؤ بتصنيف أو تسمية استنادًا إلى بعض الميزات المعطاة، تحاول التنبؤ بالميزات استنادًا إلى تصنيف أو تسمية معينة معطاة. من الناحية الرياضية، تحسب النماذج المولّدة احتمال حدوث x وy معًا. وتتعلم توزيع ميزات البيانات المختلفة والعلاقات فيما بينها. على سبيل المثال، تحلل النماذج المولّدة صور الحيوانات لتسجيل متغيرات مثل مختلف أشكال الأذن وأشكال العين وملامح الذيل وأنماط الجلد. وتتعلم الميزات والعلاقات فيما بينها لفهم كيف تبدو الحيوانات المختلفة بشكل عام. ويمكنها بعد ذلك إعادة إنشاء صور حيوانات جديدة لم تكن في مجموعة التدريب. بعد ذلك، نقدم بعض الفئات الواسعة لنماذج الذكاء الاصطناعي المولّد.

نماذج الانتشار
الشبكات التنافسية المولّدة
أدوات التشفير التلقائي المتغيرة
النماذج المستندة إلى المحولات

نماذج الانتشار:
تنشئ نماذج الانتشار بيانات جديدة عن طريق إجراء تغييرات عشوائية خاضعة للتحكم بشكل متكرر على عينة بيانات أولية. فهي تبدأ بالبيانات الأصلية وتضيف تغييرات طفيفة (يُطلق عليها تشويه)، ما يجعلها تدريجيًا أقل تشابهًا مع الأصل. يُتحكم في هذا التشويه بعناية لضمان بقاء البيانات المنشأة متماسكة وواقعية.
بعد إضافة التشويه عبر العديد من التكرارات، يعكس نموذج الانتشار العملية، حيث يُزال التشويه تدريجيًا من خلال عملية إلغاء التشويه العكسي لإنتاج عينة بيانات جديدة تشبه العينة الأصلية.

تدريب الذكاء الاصطناعي المولّد للمبتدئين:
يبدأ تدريب الذكاء الاصطناعي المولّد بفهم مفاهيم تعلّم الآلة التأسيسية. يجب على المتعلمين أيضًا استكشاف الشبكات العصبية وبنية الذكاء الاصطناعي. تعتبر الخبرة العملية مع مكتبات Python مثل TensorFlow أو PyTorch ضرورية لتنفيذ نماذج مختلفة وتجربتها. يجب عليك أيضًا تعلم تقييم النماذج والضبط الدقيق ومهارات هندسة الأوامر (هندسة التلقين).
توفر درجة في الذكاء الاصطناعي أو تعلّم الآلة تدريبًا متعمقًا. فكر في الدورات القصيرة عبر الإنترنت والشهادات للتطوير المهني. يتضمن تدريب الذكاء الاصطناعي المولّد على AWS شهادات من خبراء AWS حول موضوعات مثل:
مقدمة في الذكاء الاصطناعي المولّد
الذكاء الاصطناعي المولّد للمديرين التنفيذيين
أساسيات الذكاء الاصطناعي المولّد للشركات

ما هي حدود الذكاء الاصطناعي المولّد؟
على الرغم من التطورات التي حققتها أنظمة الذكاء الاصطناعي المولّد، يمكن أن تنتج أحيانًا معلومات غير دقيقة أو مضللة. إنهم يعتمدون على الأنماط والبيانات التي تم تدريبهم عليها ويمكن أن يعكسوا التحيزات أو عدم الدقة المتأصلة في تلك البيانات. تشمل المخاوف الأخرى المتعلقة ببيانات التدريب
الأمان
تنشأ مخاوف تتعلق بخصوصية البيانات وأمانها إذا تم استخدام بيانات الملكية لتخصيص نماذج الذكاء الاصطناعي المولّد. يجب بذل الجهود لضمان أن أدوات الذكاء الاصطناعي المولّد تولد ردود تحد من الوصول غير المصرح به إلى بيانات الملكية. تنشأ المخاوف الأمنية أيضًا إذا كان هناك نقص في المساءلة والشفافية في كيفية اتخاذ نماذج الذكاء الاصطناعي للقرارات.
تعرف على النهج الآمن للذكاء الاصطناعي المولّد باستخدام AWS
الإبداع
في حين أن الذكاء الاصطناعي المولّد يمكنه إنتاج محتوى إبداعي، إلا أنه غالبًا ما يفتقر إلى الأصالة الحقيقية. إن إبداع الذكاء الاصطناعي مقيد بالبيانات التي تم التدريب عليها، مما يؤدي إلى مخرجات قد تبدو متكررة أو مشتقة. لا يزال الإبداع البشري، الذي يتضمن فهمًا أعمق ورنينًا عاطفيًا، يمثل تحديًا للذكاء الاصطناعي لتكراره بالكامل.
التكلفة
يتطلب تدريب نماذج الذكاء الاصطناعي المولّد وتشغيلها موارد حسابية كبيرة. يمكن الوصول إلى نماذج الذكاء الاصطناعي القائمة على السحابة وبأسعار معقولة أكثر من محاولة بناء نماذج جديدة من الصفر.
القابلية للتفسير
نظرًا لطبيعتها المعقدة وغير الشفافة، غالبًا ما تُعتبر نماذج الذكاء الاصطناعي المولّد كالصناديق السوداء الغامضة. يعد فهم كيفية وصول هذه النماذج إلى مخرجات محددة أمرًا صعبًا. تحسين قابلية التفسير والشفافية أمر ضروري لزيادة الثقة والتبني.