النماذج اللغوية الكبيرة مفتوحة المصدر: تبنّها أو تندثر

نتحدث مع العديد من الشركات وقادة الأعمال الذين يحاولون تحديد استراتيجيتهم لاستخدام نماذج اللغات الكبيرة (LLMs) في هذا العصر الذهبي للذكاء الاصطناعي - هل نختار OpenAI أم نماذج اللغات الكبيرة مفتوحة المصدر؟ هناك العديد من المدونات الجيدة التي تعرض إيجابيات وسلبيات الأساليب المختلفة بحيادية. لكننا هنا نتبنى موقفًا محددًا -

1. إذا كنت تعتقد، أن نماذج اللغات الكبيرة (LLMs) ستكون حاسمة لعملك، فعليك الاستثمار في استخدام نماذج اللغات الكبيرة مفتوحة المصدر، على بنيتك التحتية الخاصة- بالأمس!!!
2. إذا كنت تعتقد أن نماذج اللغات الكبيرة (LLMs) لن تكون حاسمة لعملك، فكر مليًا. إذا بقيت على نفس الرأي- فكر مرة أخرى. بعد ذلك، ربما تكون محقًا ويمكنك ببساطة استخدام OpenAI أو غيرها من نماذج اللغات الكبيرة التجارية لبعض حالات الاستخدام السريعة التي ترغب في حلها.

بالطبع، إذا كانت طبيعة عملك، وهويتك التقنية، وحجمك يتطلبان تدريب نماذج اللغات الكبيرة من الصفر، فيرجى الاستثمار في ذلك. لكن معظم الشركات لن تندرج ضمن هذه الفئة- ولهذا لدينا توصية واضحة واحدة-

فرصتك الأخيرة للبقاء في سباق الذكاء الاصطناعي هي تبني نماذج اللغات الكبيرة مفتوحة المصدر الآن وتشغيلها على بنيتك التحتية!

أهمية نماذج اللغات الكبيرة مفتوحة المصدر

نعتقد أن الشركات التي تستثمر في نماذج اللغات الكبيرة مفتوحة المصدر وتستفيد منها داخليًا مهيأة للاستفادة من تحسين أمان البيانات، وزيادة التحكم في تقنياتها، وأوقات تكرار أسرع. أما أولئك الذين يتجاهلون هذا الاتجاه فيخاطرون بالتخلف عن الركب، والخسارة أمام المنافسين الذين بدأوا بالفعل في بناء قدراتهم في الذكاء الاصطناعي باستخدام نماذج أصغر وأكثر كفاءة. دعنا نتعمق في التفاصيل هنا -

أمان البيانات والميزة التنافسية

معظم الشركات عالقة في مناقشات داخلية حول وضع سياسات أمان البيانات- ما هي البيانات التي يمكن إرسالها لمقدمي نماذج اللغات الكبيرة التجارية؟ أين أتجاوز حدود الامتثال مقابل أين أفقد ميزتي التنافسية؟ نعم، يمكنك منع OpenAI من استخدام بيانات الدردشة الخاصة بك مباشرة للضبط الدقيق، ولكن في يوم من الأيام سيقوم أحد المطورين بارتكاب هذا الخطأ.

بينما يحدث الكثير من هذا، فإن المنافسين المرنين يحققون تقدمًا بالفعل باستخدام نماذج اللغات الكبيرة مفتوحة المصدر ويكسبون ثقة عملائهم. إنهم يطلقون الميزات بسرعة، ويتعلمون بسرعة، وفي الوقت نفسه يبنون ميزة تنافسية طويلة الأمد باستخدام نماذج اللغات الكبيرة مفتوحة المصدر.

التطوير المستمر للتحسين

الكثيرون، بما في ذلك جوجل، يتوقعون أن النماذج مفتوحة المصدر الأصغر حجماً والمُحسّنة بدقة قد تتفوق على النماذج الكبيرة جداً، العامة، والجامدة. هذا أمر بديهي لأن نماذج اللغة الكبيرة جداً يكاد يكون من المستحيل تطويرها بشكل متكرر. لديك فرصة واحدة فقط، وإلا فإن تكاليفك ووقت التكرار يتضاعفان.

الفرق التي بدأت الاستثمار في بناء هذه القدرة تتمتع بميزة تنافسية هائلة، لأن هذا يسمح لها بالتكرار والتحسين السريع باستخدام نماذج صغيرة بجزء بسيط من تكلفة النماذج الكبيرة! بمجرد ترسيخ هذه الفجوة، يصبح من الصعب جداً تضييقها نظراً لكمية التعلم الهائلة المكتسبة في هذه العملية.

التحكم في مصيرك

استدعاء واجهات برمجة تطبيقات OpenAI سهل، ولكن هناك مخاوف بشأن زمن الاستجابة (الكمون) ووقت التشغيل. من المرجح أن يتحسن هذا بمرور الوقت، ولكن ماذا لو قرروا فرض رسوم أعلى بكثير مقابل ضمانات زمن الاستجابة؟ ماذا لو لم تتناسب استضافة النماذج المُحسّنة مع نموذج عملهم على المدى الطويل وقرروا إيقافها تماماً؟

مساهمات المجتمع

تتطور نماذج اللغة الكبيرة جداً بالسرعة التي يمكن لعشرات أو مئات الأشخاص العاملين في OpenAI / Google المساهمة بها، مع إعطاء الأولوية لاحتياجات الملايين. من ناحية أخرى، يقوم مجتمع المطورين مفتوح المصدر بأكمله ببناء العديد من إصدارات النماذج الأصغر بسرعة – بعضها بتحسينات منخفضة الرتبة، وبعضها يعمل على الأجهزة المحمولة، وبعضها يمكن تخصيصه، وبعضها أكبر ومُعدّل للتعليمات. لا يوجد حرفياً حد لهذا الابتكار والتخصيص. يمكنك اختيار النموذج الأنسب لحالة الاستخدام الخاصة بك.

بالإضافة إلى ذلك، هناك ميزة متأصلة تتمثل في القدرة على العمل بسرعة وبتكلفة منخفضة إذا كنت تستخدم نماذج أصغر متعددة ومخصصة لمهمة معينة. في بيئة الإنتاج، غالباً ما يتطلب هذا موجه LLM يمكنه توجيه كل طلب إلى النموذج الأنسب بناءً على التكلفة، زمن الاستجابة (الكمون)، أو تعقيد المهمة. هذا هو أيضاً الاتجاه المعماري الذي يقف وراء وكلاء LLMالحديثين، حيث تنسق النماذج المتخصصة الأصغر عبر المهام بدلاً من الاعتماد على نموذج واحد للأغراض العامة.

لماذا لا يستخدم الجميع نماذج اللغة الكبيرة مفتوحة المصدر؟

مثل هذه التوصية القوية تثير التساؤل: إذا كان الأمر بهذه الأهمية، فلماذا لا يفعله الجميع؟ أولاً وقبل كل شيء، عدد متزايد من الأشخاص يستثمرون بالفعل المزيد والمزيد من وقتهم ومواردهم لفهم المشهد والبناء على أساس نماذج اللغة الكبيرة مفتوحة المصدر. لذا فإن المقولة بأن الجميع لا يفعلون ذلك أصبحت غير صحيحة يوماً بعد يوم :) ولكن، هناك بعض التحديات المتأصلة المرتبطة باستخدام نماذج اللغة الكبيرة مفتوحة المصدر وتشغيلها على بنيتك التحتية، مقارنة باستخدام نظيراتها التجارية –

نقص الخبرة الفنية

معظم الفرق اليوم لا تملك الخبرة المتعددة الأوجه لضبط واستضافة نماذج اللغة الكبيرة داخلياً. يمكن للأشخاص الأذكياء دائماً اكتشاف الحل في النهاية، ولكن فهم هذا النمذجة المعقدة و البنية التحتية في الوقت نفسه، بينما يتم إطلاق أدوات ونماذج جديدة كل يوم، فإن هذا الأمر صعب ويستغرق وقتًا طويلاً.

شروط الاستخدام

العديد من القادة التقنيين ورجال الأعمال في حيرة بشأن أي نماذج لغوية كبيرة (LLM) أو مجموعات بيانات أو مكتبات يمكن استخدامها تجاريًا وأيها لا يمكن؟ ولهذا السبب تحديدًا أصبح فهم تراخيص النماذج اللغوية الكبيرة (LLM) أمرًا بالغ الأهمية، لأن شروط الترخيص غالبًا ما تحدد ما إذا كان النموذج يمكن أن ينتقل قانونيًا من مرحلة التجريب إلى الإنتاج. على سبيل المثال، نموذج Vicuna الذي يبدو أنه بترخيص Apache 2.0، تم تدريبه على Llama وهو غير متاح تجاريًا، مما يجعل استخدامه مستحيلاً ومن الصعب جدًا إدراك أن هذا قد يكون انتهاكًا. اطلع على التفاصيل التي كتبنا عنها في مدونة سابقة هنا.

قيود الذاكرة والوقت

معظم النماذج اللغوية الكبيرة ذات الحجم المعقول (أكثر من 13 مليار معلمة) لا تتسع أو لا يمكن ضبطها بدقة على وحدات معالجة الرسوميات (GPUs) المتاحة عادةً بسبب قيود الذاكرة. إذا قررت تحسين الذاكرة، وهو أمر ليس بالهيّن، فإن وقت التدريب سيتأثر سلبًا. هناك العديد من التقنيات المتعلقة بإدارة التدرج، والتقريب منخفض الرتبة، والتقديم المختلط الدقة، والتدريب والنشر المسرّعين، والتحسينات الخاصة بالنماذج باستخدام مكتبات مختلفة - وكل هذه الأمور يصعب تعلمها وتطبيقها بسرعة. وهذا يترك الفرق تضطر إلى زيادة الأجهزة ومراقبة وحدات معالجة الرسوميات (GPUs) عن كثب لكل عملية تشغيل ناجحة.

توفر وحدات معالجة الرسوميات (GPU) وإدارتها

يطلب موفرو الخدمات السحابية حصصًا لوحدات معالجة الرسوميات (GPU) تكون غالبًا محدودة ومكلفة، وغالبًا ما تأتي على شكل دفعات من 8 بطاقات GPU، مما قد يكون غير مثالي من منظور التكلفة. معظم الفرق ليست على دراية بكيفية توزيع نموذج عبر وحدات GPU متعددة لأنه لن يتسع على واحدة وتشغيله على النحو الأمثل.

علاوة على ذلك، هناك دائمًا ضغط لإنجاز الأمور بسرعة لأن الشركات تخشى أنه إذا لم تعلن عن نماذجها اللغوية الكبيرة (LLM) الخاصة بها في وقت قريب بما فيه الكفاية، فقد يحصل منافسوها على ميزة السبق ويبهرون عملائهم. وبالمناسبة، هذا القلق ليس بلا أساس لأننا رأينا ذلك يحدث مع عدد من العملاء الذين نتحدث معهم.

ماذا تفعل TrueFoundry حيال ذلك؟

في TrueFoundry، تُعد بعض هذه المشكلات جوهر ما نعمل على حله. تم تصميم منصتنا للعمل على بنيتك التحتية، مما يضمن أمان البيانات الكامل ويبني تجريدات ذات مغزى حيث نخفي التعقيدات غير ذات الصلة للبنية التحتية مع الإبقاء على التحكم في أيدي المطور. نظرًا لكونه مجالًا سريع التطور، يتطلب الذكاء الاصطناعي والنماذج اللغوية الكبيرة (LLMs) تعلمًا وتكيفًا مستمرين. فريق TrueFoundry مكرس لمساعدتك في التنقل في هذا المشهد من خلال منتجاتنا وإرشاداتنا واقتراحاتنا وحلولنا المخصصة.

يعد الاستثمار في النماذج اللغوية الكبيرة مفتوحة المصدر (LLMs) واستخدامها داخليًا خطوة استراتيجية ستساعد شركتك على البقاء في الطليعة. يمكن لـ TrueFoundry المساعدة في تسريع مبادرات الذكاء الاصطناعي لديك والحفاظ على ميزة تنافسية في مشهد دائم التغير. لا تتخلف عن الركب — احتضن النماذج اللغوية الكبيرة مفتوحة المصدر (LLMs) واضمن مكانك في طليعة الابتكار في مجال الذكاء الاصطناعي.