في هذه المقابلة الحصرية ، يشارك Tomer Srulevich ، كبير المسؤولين في الأعمال التجارية في Razor Labs ، كيف تقوم منصة Datamind AI ™ الحائزة على جائزة الشركة بتحويل عمليات التعدين. يناقش Srulevich الرحلة من التغلب على تحديات تكامل البيانات إلى تقديم الصيانة التنبؤية التي تحركها الذكاء الاصطناعي والتي تقلل من وقت التوقف ، وتعزز السلامة ، وزيادة عمر الأصول.

تقنية التعدين: تهانينا على الفوز بجائزة الابتكار في فئة تشخيص المعدات! ماذا يعني هذا الاعتراف بالنسبة لمختبرات الحلاقة وفريقك؟

تومر سروفيتش: إنها لحظة فخر للفريق بأكمله. تعترف هذه الجائزة بالسنوات التي قضيناها في تطوير حلول الذكاء الاصطناعى ونشرها وتحسينها مصممة لتحديات التعدين الفريدة. إنه ليس مجرد فوز تقني – إنه التحقق من صحة التأثير الذي نقدمونه لهذا المجال. يزيل عملنا البقع العمياء ، ويمنع الأعطال ، ويجعل المواقع أكثر أمانًا وكفاءة. هذا الإقرار ينشطنا أيضًا على الاستمرار في دفع حدود ما يمكن أن تفعله الذكاء الاصطناعي في الصناعة الثقيلة.

تقنية التعدين: هل يمكنك توضيح الرؤية الكامنة وراء Datamind AI ™ وكيف تتوافق مع المهمة الشاملة لـ Razor Labs في صناعة التعدين؟

تومر سروفيتش: منذ البداية ، كانت رؤيتنا هي استبدال الصيانة التفاعلية بعمل تنبؤي لا يحركه الذكاء الاصطناعي – ليس فقط التنبيهات ، ولكن الجذور الكاملة لأسباب واضحة وخطوات إلزامية. تم تصميم Datamind AI ™ ليكون حل واحد خارج الصندوق يتكامل مع البنية التحتية الحالية أو المدرجات من تلقاء نفسها. نحن نهدف إلى تقليل وقت التوقف غير المخطط له ، وزيادة عمر الأصول ، وإعطاء الفرق الرؤية الكاملة عبر المعدات الحرجة – سواء كانت المضخات أو المطاحن أو الكسارات أو الناقلات. إنها طريقتنا في تضمين اتخاذ القرارات الذكية في الوقت الفعلي مباشرة في عمليات الموقع.

تقنية التعدين: أظهرت Datamind AI ™ بوضوح وفورات كبيرة في التكاليف والكفاءة التشغيلية. كيف تقيس نجاح حلول الذكاء الاصطناعى في التطبيقات الواقعية؟

تقنية التعدين: ما هي بعض التحديات الرئيسية التي واجهتها أثناء تطوير Datamind AI ™ ، وكيف تغلبت عليها؟

تومر سروفيتش: كانت واحدة من أكبر العقبات هي دمج البيانات المجزأة ، من أجهزة استشعار الاهتزاز ، SCADA ، والأدوات المحمولة في تنسيق متماسك وقابل للقراءة. تعاملنا مع هذا عن طريق بناء بنية دمج المستشعر – الجمع بين درجة الحرارة والضغط والتيار والاهتزاز والزيت والبيانات المرئية في نموذج موحد. كان التحدي الآخر هو التكيف مع المعدات منخفضة السرعة مثل الأفران والتكديس ، حيث كانت أدوات الاهتزاز التقليدية تكافح. أتاح إزالة التشكيل المخصص للحواف وحوسات الحافة من اكتشاف المشكلات عند 100 دورة في الدقيقة – وهو ما يفتقر إليه السوق حتى الآن.

تقنية التعدين: كيف ترى في الوقت الفعلي تتطور في صناعة التعدين ، وما هو الدور الذي ستلعبه مختبرات Razor في هذا التطور؟

تومر سروفيتش: تتطور المراقبة في الوقت الفعلي من التنبيه الأساسي إلى التشخيص الآلي مع الإجراءات الإلزامية. لا يكفي معرفة أن هناك شيئًا ما خطأ – فأنت بحاجة إلى معرفة ما يجب فعله حيال ذلك. يقود Datamind AI ™ بالفعل هذا التحول من خلال تحديد أوضاع الفشل فحسب ، بل الأسباب الجذرية ، واقتراح الإجراءات التصحيحية المستهدفة. نحن ندفع نحو بيئة حيث الصيانة ذكي بشكل افتراضي، وحيث يتم جدولة وقت التوقف – لم يفرض.

تقنية التعدين: هل يمكنك مناقشة كيفية تمييز Datamind AI ™ عن طرق المراقبة التقليدية ، وخاصة من حيث التكنولوجيا وتحليل البيانات؟

تقنية التعدين: كيف يمكنك التأكد من أن فريقك يبقى محدثًا بأحدث التطورات في الذكاء الاصطناعي والتعلم الآلي لتحسين Datamind AI ™ باستمرار؟

تومر سروفيتش: نحافظ على حلقة ردود فعل مستمرة بين فريق البحث والتطوير لدينا ونشر الميدان. كل حدث للكشف ، وكل فشل حل ، وكل إيجابي كاذب يعلم كيف ننقل نماذجنا. نتعاون أيضًا مع المؤسسات الأكاديمية ونحافظ على برامج البحث الداخلية حول التعلم شبه الخاضع للإشراف ، واكتشاف الشذوذ في بيئات الحدث النادر ، ونشر AI Edge. وبشكل حاسم ، نبقى على الأرض – نقضي وقتًا في الموقع ، والكتف إلى الكتف مع الفرق التي تستخدم منتجاتنا.

تقنية التعدين: ما هي التعليقات التي تلقيتها من العملاء فيما يتعلق بتنفيذ Datamind AI ™ ، وكيف أثرت على تطوير منتجك؟

تومر سروفيتش: يقدر العملاء باستمرار دقتنا ووضوحنا – لا يقولون فقط “هناك مشكلة” ، ولكن يظهرون ماذا القضية هي ، أين، و لماذا. أخبرنا أحد العملاء ، “إنه مثل وجود خبير يجلس في غرفة التحكم على مدار الساعة طوال أيام الأسبوع.” دفعتنا هذه التعليقات إلى تعزيز التشخيصات البصرية – أشياء مثل إظهار توقيع الاهتزاز الفعلي أو إطار الفيديو الذي يؤدي إلى التنبيه. لقد قمنا أيضًا بتحسين التكامل مع SAP ، مما يسمح للمواقع بإنشاء إشعارات الصيانة مباشرة من لوحة القيادة الخاصة بنا.

تقنية التعدين: النظر في المستقبل ، ما هي بعض الأهداف الاستراتيجية لمختبرات Razor في السنوات الـ 3-5 القادمة ، وخاصة في الابتكار والتكنولوجيا؟

تومر سروفيتش: من الناحية الاستراتيجية ، نقوم بتوسيع Datamind AI ™ عبر الأصول المحمولة مثل الشاحنات والمجرفة ، مع تعميق قدرات تحليلات الحافة لدينا. نحن نتقدم أيضًا في تحسين العملية – باستخدام الذكاء الاصطناعي ليس فقط للكشف عن الأعطال ، ولكن لاقتراح الإعدادات التي تعمل على تحسين الكفاءة أو تقلل من استخدام الطاقة. هدف آخر هو جعل إدارة الموثوقية التي تعتمد على الذكاء الاصطناعي أكثر استقلالية وبديهية – تقليل الاعتماد على خبراء الموقع وتمكين صيانة متسقة في جميع المواقع ، بغض النظر عن مواردهم الداخلية.

تقنية التعدين: السلامة هي مصدر قلق حاسم في عمليات التعدين. كيف تساهم Datamind AI ™ في تعزيز السلامة للعمال في الموقع؟

تومر سروفيتش: السلامة مضمنة في مهمتنا. من خلال التقاط الأخطاء في وقت مبكر ، فإننا نقضي على تدخلات الطوارئ المحفوفة بالمخاطر – مثل التسلق على نقل الناقلات أو فتح الألواح الحية. على سبيل المثال ، في حالة اختلال التوازن في الطرد المركزي ، قام نظامنا بالإبلاغ عن مشكلة قبل أن يتمكن الاختبار اليدوي من التقاطها. تجنب الموقع كل من الفشل الميكانيكي والتفتيش البدني الخطير الذي كان مطلوبًا أثناء التشغيل. نحن نتحول مكافحة الحرائق التفاعلية إلى عمل هادئ وقائي.

تقنية التعدين: هل يمكنك مشاركة أي مشاريع أو ابتكارات قادمة تعمل Razor Labs حاليًا على أن تعتقد أنها ستؤثر على صناعة التعدين؟

تومر سروفيتش: نقوم حاليًا بتطوير “أجهزة استشعار افتراضية” – خوارزميات تقدر معلمات لا يمكن تقسيمها مثل حالة التآكل أو الحياة المتبقية بناءً على مدخلات تنصهر. وعلى جانب المنصة ، نقوم بتعزيز ضبط نموذج الخدمة الذاتية ، مما يسمح للمستخدمين بتكييف التشخيصات مع ظروف محلية محددة دون إعادة تدريب الذكاء الاصطناعي.

تقنية التعدين: ما هي الشراكات أو التعاون التي تراها ضرورية للتقدم في قدرات Datamind AI ™ وتعزيز تأثيرها على صناعة التعدين؟

تومر سروفيتش: تساعدنا الشراكات القوية مع OEMs و EPCMS على الاندماج بشكل أعمق في النظام البيئي للمعدات. ولكن بنفس القدر من الأهمية ، فإن علاقاتنا على الأرض مع فرق صيانة الموقع – فهي التي تتحقق من التنبيهات وتطبيق الإجراءات التصحيحية. نتعاون أيضًا مع بائعي البرامج مثل SAP و BI منصات لضمان تكامل سلس في سير العمل التشغيلي لعملائنا. يكمن مستقبل موثوقية التعدين في النظم الإيكولوجية المفتوحة والقابلة للتشغيل – ونحن ملتزمون ببناءها.

تكنولوجيا التعدين: شكرًا لك ، Tomer ، على مشاركة رؤيتك القيمة في رحلة Razor Labs والتأثير التحويلي لـ Datamind AI ™ على صناعة التعدين. تهانينا مرة أخرى على اعترافك المستحق ، وشكرًا لك على التزامك في قيادة التغيير ذي معنى في الصناعة.

البريد الإلكتروني: pr@razor-labs.com

الروابط

موقع إلكتروني: https://www.razor-labs.com

اشترك في جولة الإخبارية اليومية لدينا!

امنح عملك ميزة مع رؤى الصناعة الرائدة.

وافقت وزارة الداخلية الأمريكية (DOI) على منجم ANFIELD-Wood Wood-Wood Lood-Vanadium في مقاطعة سان خوان بولاية يوتا ، التي تهدف إلى تعزيز الأمن المعدني في البلاد.

هذا هو أول مشروع تعدين يتم الموافقة عليه بموجب عملية المراجعة البيئية التي استمرت 14 يومًا استجابةً لحالة الطوارئ الوطنية للطاقة التي أعلنها الرئيس الأمريكي دونالد ترامب.

يمهد التقييم البيئي النهائي لمكتب إدارة الأراضي (BLM) الطريق أمام Anfield Energy لإعادة تشغيل المنجم المخملي وتطوير تمعدن الخشب بأقل قدر من الاضطراب السطحي الجديد.

تتبع الموافقة إعلان DOI لتسريع عملية التقييم البيئي للمشروع في وقت سابق من هذا الشهر.

من المتوقع أن يولد المشروع فرص عمل وتحسين البنية التحتية المحلية مع الالتزام بالترميم البيئي بعد التعدين.

وقال وزير الداخلية دوغ بورغوم: “هذه الموافقة تمثل نقطة تحول في كيفية تأمين مستقبل أمريكا المعدني.

“من خلال تبسيط عملية المراجعة للمشاريع المعدنية الحرجة مثل الخشب المخملي ، فإننا نقلل من الاعتماد على الخصوم الأجانب وضمان أن قطاعاتنا العسكرية والطبية والطاقة لديها الموارد التي تحتاجها لتزدهر. هذا هو الأمن المعدني في العمل.”

سيركز المنجم على استخراج اليورانيوم والفاناديوم من الودائع المعروفة ، مع حدوث معظم الأنشطة تحت الأرض.

هذه المعادن حاسمة للطاقة النووية والتطبيقات الطبية والأجهزة العسكرية. في الوقت الحالي ، تعتمد الولايات المتحدة بشدة على واردات هذه الموارد ، مع وجود مبالغ كبيرة من بلدان مثل روسيا وكازاخستان ، وفقًا لـ DOI.

تخطط Anfield Energy أيضًا لإعادة فتح مطحنة يورانيوم Canyon Canyon ، واحدة من ثلاثة فقط في الولايات المتحدة ، مما يقلل من اعتماد البلاد على تركيز اليورانيوم المستورد.

<!– –>

اشترك في جولة الإخبارية اليومية لدينا!

امنح عملك ميزة مع رؤى الصناعة الرائدة.

لقد تحدى إيفانهو مناجم بيانًا صادرًا عن تعدين زيجين فيما يتعلق بالنشاط الزلزالي الأخير في منجم كاكولا للنحاس في جمهورية الكونغو الديمقراطية ، وفقًا لتقرير صادر عن رويترز.

أنتج مجمع كاكولا ، المعترف به كأكبر منتج نحاسي في إفريقيا ، 437000 طن العام الماضي.

ذكر تعدين Zijin في بيان: “تراجع السقف المتعدد والضلع في القسم الشرقي من [Kakula] منجم ، “لكن مناجم إيفانهو قد دحض هذا الادعاء.

قال إيفانهو مناجم: “تشير المؤشرات الأولية إلى أن النشاط الزلزالي … أدى إلى إعادة توزيع القوات تحت الأرض وتسبب في “التحجيم” ، أو شلالات الصخور ، من الجدران الجانبية لبعض مناطق التعدين.”

أكدت الشركة أن الحدث الزلزالي أدى إلى تعليق مؤقت للعمليات بسبب احتياطات السلامة ، مع عدم الإبلاغ عن أي إصابات.

ركزت مناجم إيفانهو على سلامة القوى العاملة ، وإخلاء جميع الموظفين بنجاح وتأمين معدات الهاتف المحمول.

ونقل عن إيفانهو مناجم قوله: “تركز الفرق التشغيلية حاليًا على إصلاح الأضرار بأمان تسببت في الكابلات والأنابيب التي تدعم البنية التحتية للضخ تحت الأرض.”

يأتي هذا الرد بعد تحذير مجموعة Zijin Mining السابقة حول الحادث الزلزالي الذي يحتمل أن يؤثر على أهداف إنتاج المنجم لعام 2025.

صرحت إيفانهو مناجم بأنها ستقيم الموقف قبل إجراء أي مراجعات لتوجيهات الإنتاج.

بالإضافة إلى ذلك ، يقال إن تعدين Zijin في محادثات للحصول على أسهم في Zangge Mining ، منتج ليثيوم مقره في تشينغهاي ، الصين ، بقيمة سوقية تبلغ 46.6 مليار يوان (6.4 مليار دولار).

هذا الاستحواذ المحتمل هو جزء من استراتيجية Zijin للاستفادة من الطلب المتزايد على مواد البطارية من خلال تعزيز وجودها في سوق الليثيوم العالمي.

<!– –>

اشترك في جولة الإخبارية اليومية لدينا!

امنح عملك ميزة مع رؤى الصناعة الرائدة.

وفقًا لموقع Inside EVs، يُسمح الآن لمالكي Cybertruck من قبل Tesla بتبادل سياراتهم لأول مرة منذ دخولها السوق – ولكنهم سيتكبدون خسارة كبيرة في هذه العملية.

أظهر موقع CarGurus مؤخرًا معدلات للاستهلاك تصل إلى 45%. في الوقت نفسه، تحدثت Business Insider هذا الأسبوع مع مالكين اثنين شاركا بشكل مباشر قيمة ما أوقعت تسلا على Cybertruck خاصتهما. أحد المالكين، الذي اشترى طراز 2024 AWD بقيمة 100,000 دولار وجمع 19,623 ميل، حصل على عرض بقيمة 63,100 دولار (بانخفاض قدره 37%); بينما الآخر الذي اشترى Cyberbeast الباهظ بقيمة 127,000 دولار في سبتمبر الماضي، حصل على عرض قيمته 78,200 دولار، مما يعني خسارة بنحو 38% بعد ثمانية أشهر.

في البداية، حظرت تسلا على المالكين إعادة بيع السيارة – وهي سياسة تُستخدم عادة لمنع إعادة بيع السيارات التي تحظى بطلب عالٍ وللحفاظ على السيطرة على العلامة التجارية. في حالة تسلا، قد يكون ذلك أيضًا قد أخر موجة من عمليات التبادل أو إعادة البيع من مالكين يواجهون رد فعل سلبي بسبب صورة إيلون ماسك العالية في إدارة ترامب أو مشاكل مراقبة الجودة المستمرة، التي شملت دواسات الغاز الهاربة وقطع الزينة الساقطة.

من الجدير بالذكر: أن أرقام التبادل عادة ما تكون أقل من مبيعات الأطراف الخاصة، وأن السيارات الكهربائية كفئة تفقد قيمتها بسرعة. وفقًا لموقع Wired، يمكن أن تخسر بعض العلامات التجارية ما يصل إلى 50% في السنة الأولى.

الذكاء الاصطناعي هو عالم عميق ومعقد. العلماء الذين يعملون في هذا المجال غالبًا ما يعتمدون على المصطلحات الفنية واللغة المتخصصة لشرح ما يعملون عليه. نتيجة لذلك، نضطر كثيرًا لاستخدام هذه المصطلحات الفنية في تغطيتنا لصناعة الذكاء الاصطناعي. لهذا السبب، اعتقدنا أنه سيكون من المفيد إعداد مسرد يحتوي على تعريفات لبعض من أهم الكلمات والعبارات التي نستخدمها في مقالاتنا.

سنقوم بتحديث هذا المسرد بانتظام لإضافة مدخلات جديدة حيث يواصل الباحثون اكتشاف طرق جديدة لدفع حدود الذكاء الاصطناعي مع تحديد المخاطر الأمنية الناشئة.

الذكاء الاصطناعي العام، أو AGI، هو مصطلح مبهم. ولكن يشير عمومًا إلى الذكاء الاصطناعي الذي يكون أكثر قدرة من الإنسان المتوسط في العديد، إن لم يكن معظم، المهام. وصف الرئيس التنفيذي لـ OpenAI، سام التمان، مؤخرًا AGI بأنه “يعادل إنسانًا متوسطًا يمكنك توظيفه كزميل عمل.” في المقابل، تعرف ميثاق OpenAI AGI بأنه “أنظمة مستقلة للغاية تتفوق على البشر في معظم الأعمال ذات القيمة الاقتصادية العالية.” فهم Google DeepMind يختلف قليلًا عن هذين التعريفين؛ حيث تعتبر المختبر AGI “ذكاء اصطناعي يكون على الأقل بنفس قدرات البشر في معظم المهام الإدراكية.” هل تشعر بالارتباك؟ لا تقلق – فحتى الخبراء في مقدمة أبحاث الذكاء الاصطناعي كذلك.

يشير وكيل الذكاء الاصطناعي إلى أداة تستخدم تقنيات الذكاء الاصطناعي لأداء مجموعة من المهام نيابة عنك – تتجاوز ما يمكن أن يقوم به روبوت دردشة ذكاء اصطناعي أبسط – مثل تقديم النفقات، حجز التذاكر أو طاولة في مطعم، أو حتى كتابة وصيانة الكود. ومع ذلك، كما سبق أن أوضحنا، هناك الكثير من القطع المتحركة في هذا المجال الناشئ، لذا فإن “وكيل الذكاء الاصطناعي” قد يعني أشياء مختلفة لأشخاص مختلفين. كما أن البنية التحتية لا تزال تُبنى لتقديم إمكانياتها المتوقعة. لكن المفهوم الأساسي يعني نظامًا مستقلًا قد يستند إلى أنظمة ذكاء اصطناعي متعددة لأداء مهام متعددة الخطوات.

عند طرح سؤال بسيط، يمكن لدماغ الإنسان أن يجيب دون أن يفكر كثيرًا في الأمر – أشياء مثل “أي حيوان أطول، الزرافة أم القطة؟” لكن في العديد من الحالات، غالبًا ما تحتاج إلى قلم وورقة لتصل إلى الإجابة الصحيحة لأن هناك خطوات وسيطة. على سبيل المثال، إذا كان لدى مزارع دجاج وحيوانات، ومعًا لديهم 40 رأسًا و120 ساقًا، قد تحتاج إلى كتابة معادلة بسيطة لتصل إلى الإجابة (20 دجاجة و20 بقرة).

في سياق الذكاء الاصطناعي، يعني التفكير المتسلسل لنماذج اللغة الكبيرة تقسيم مشكلة إلى خطوات أصغر ووسيطة لتحسين جودة النتيجة النهائية. عادة ما يستغرق الأمر وقتًا أطول للحصول على الإجابة، لكن من المرجح أن تكون الإجابة صحيحة، خاصة في سياق المنطق أو البرمجة. يتم تطوير نماذج التفكير من النماذج الكبيرة التقليدية وتحسينها لتفكير المتسلسل بفضل التعلم المعزز.

(انظر: نموذج اللغة الكبيرة)

مجموعة فرعية من التعلم الآلي الذاتي التحسين حيث تم تصميم خوارزميات الذكاء الاصطناعي بتركيب شبكة عصبية اصطناعية متعددة الطبقات (ANN). يسمح لهم بإجراء ارتباطات أكثر تعقيدًا مقارنة بالأنظمة المعتمدة على التعلم الآلي الأبسط، مثل النماذج الخطية أو أشجار القرار. تستلهم بنية خوارزميات التعلم العميق من المسارات المتصلة للعصبونات في الدماغ البشري.

نماذج الذكاء الاصطناعي للتعلم العميق قادرة على التعرف على الخصائص المهمة في البيانات بنفسها، بدلاً من الحاجة إلى مهندسين بشريين لتعريف هذه الميزات. كما أن البنية تدعم الخوارزميات التي يمكنها التعلم من الأخطاء، ومن خلال عملية التكرار والتعديل، تحسين مخرجاتها الخاصة. ومع ذلك، تتطلب أنظمة التعلم العميق الكثير من نقاط البيانات لتحقيق نتائج جيدة (ملايين أو أكثر). عادة ما يستغرق تدريبها وقتًا أطول مقارنة بخوارزميات التعلم الآلي الأبسط – لذا تميل تكاليف التطوير إلى الارتفاع.

(انظر: الشبكة العصبية)

يُعتبر الانتشار التقنية في قلب العديد من نماذج الذكاء الاصطناعي المتولدة للفن والموسيقى والنصوص. مستوحاة من الفيزياء، تدمر أنظمة الانتشار ببطء هيكل البيانات – مثل الصور والأغاني وما إلى ذلك – عن طريق إضافة الضوضاء حتى لا يتبقى شيء. في الفيزياء، الانتشار عفوي ولا يمكن عكسه – السكر المنتشر في القهوة لا يمكن استعادته إلى شكل مكعب. لكن أنظمة الانتشار في الذكاء الاصطناعي تهدف إلى تعلم نوع من عملية “الانتشار العكسي” لاستعادة البيانات المدمرة، مكتسبة القدرة على استعادة البيانات من الضوضاء.

التقطير هو تقنية تستخدم لاستخراج المعرفة من نموذج ذكاء اصطناعي كبير باستخدام نموذج “المعلم-الطالب”. يرسل المطورون طلبات إلى نموذج المعلم ويسجلون المخرجات. تتم مقارنة الإجابات في بعض الأحيان مع مجموعة بيانات لمعرفة مدى دقتها. تُستخدم هذه المخرجات بعد ذلك لتدريب نموذج الطالب، الذي يتم تدريبه ليقارب سلوك المعلم.

يمكن استخدام التقطير لإنشاء نموذج أصغر وأكثر كفاءة بناءً على نموذج أكبر مع الحد الأدنى من خسائر التقطير. من المحتمل أن يكون هذا هو الكيفية التي طورت بها OpenAI GPT-4 Turbo، نسخة أسرع من GPT-4.

بينما تستخدم جميع شركات الذكاء الاصطناعي التقطير داخليًا، قد يكون قد تم استخدامه أيضًا من قبل بعض شركات الذكاء الاصطناعي للحاق بالنماذج الرائجة. عادة ما ينتهك التقطير من منافس شروط خدمة واجهة برمجة التطبيقات ومساعدات الدردشة في الذكاء الاصطناعي.

تشير هذه العبارة إلى تدريب إضافي لنموذج الذكاء الاصطناعي لتحسين الأداء لمهمة أو مجال أكثر تحديدًا مما كان محور التركيز في تدريبه السابق – عادة عن طريق تغذيته ببيانات جديدة ومتخصصة (أي، موجهة نحو المهمة).

تقوم العديد من الشركات الناشئة في مجال الذكاء الاصطناعي بتناول نماذج اللغة الكبيرة كنقطة انطلاق لبناء منتج تجاري لكنها تسعى إلى زيادة الفائدة لقطاع أو مهمة محددة من خلال تعزيز دورات التدريب السابقة بتعديل دقيق بناءً على معرفتها وخبرتها المحددة في المجال.

(انظر: نموذج اللغة الكبيرة [LLM])

شبكة GAN، أو الشبكة التنافسية التوليدية، هي نوع من إطار تعلم الآلة التي تدعم بعض التطورات المهمة في الذكاء الاصطناعي التوليدي عندما يتعلق الأمر بإنتاج بيانات واقعية – بما في ذلك (لكن ليس فقط) أدوات التزييف العميق. تشمل شبكات GAN استخدام زوج من الشبكات العصبية، واحدة منها تعتمد على بيانات تدريبها لإنتاج مخرجات يتم تمريرها إلى النموذج الآخر للتقييم. لذلك، يلعب هذا النموذج الثاني، النموذج المميز، دور المصنف على مخرجات المولد – مما يمكّنه من التحسين على مر الزمن.

تم إعداد هيكل GAN كمسابقة (ومن هنا جاءت كلمة “تنافسية”) – حيث تم برمجة النموذجين في الأساس لمحاولة التفوق على بعضهما البعض: حيث يحاول المولد دفع مخرجاته إلى ما بعد المميز، بينما يعمل المميز على اكتشاف البيانات المُنتَجة بشكل مصطنع. يمكن أن تُحسن هذه المنافسة المنظمة مخرجات الذكاء الاصطناعي لتكون أكثر واقعية دون الحاجة إلى تدخّل بشري إضافي. على الرغم من أن GANs تعمل بشكل أفضل في التطبيقات المحدودة (مثل إنتاج صور أو مقاطع فيديو واقعية)، بدلاً من الذكاء الاصطناعي العام.

الهَلوسة هو المصطلح المفضل في صناعة الذكاء الاصطناعي لوصف نماذج الذكاء الاصطناعي التي تنشئ معلومات زائفة – حرفيًا توليد معلومات غير صحيحة. من الواضح أن هذه مشكلة كبيرة لجودة الذكاء الاصطناعي.

تنتج الهَلوسات مخرجات GenAI قد تكون مضللة وقد تؤدي حتى إلى مخاطر حقيقية – مع عواقب خطيرة محتملة (فكر في استفسار صحي يعود بنصائح طبية ضارة). لهذا السبب، يحذر معظم أدوات GenAI في طُبعاتها الصغيرة المستخدمين من التحقق من الإجابات التي ينتجها الذكاء الاصطناعي، رغم أن هذه التحذيرات عادة ما تكون أقل وضوحًا من المعلومات التي تقدمها الأدوات لمسة زر.

يعتقد أن مشكلة تصنيع المعلومات من قبل الذكاء الاصطناعي تنشأ كنتيجة للثغرات في بيانات التدريب. بالنسبة للذكاء الاصطناعي الشامل – المعروف أحيانًا أيضًا بنماذج الأساس – تبدو هذه المشكلة صعبة الحل. فليس هناك بيانات كافية موجودة لتدريب نماذج الذكاء الاصطناعي لحل جميع الأسئلة التي قد نطرحها. TL;DR: لم نخترع الإله (بعد).

تساهم الهَلوسات في دفع نحو نماذج ذكاء اصطناعي متخصصة ومتوازية بشكل متزايد – أي الذكاءات الاصطناعية المحددة للمجالات التي تتطلب خبرات أكثر ضيقًا – كوسيلة لتقليل احتمالية وجود ثغرات مع知识 وتقليص مخاطر المعلومات المضللة.

الاستنتاج هو عملية تشغيل نموذج الذكاء الاصطناعي. إنما هو إطلاق نموذج للتنبؤ أو استنتاج استنتاجات من البيانات التي تم رؤيتها مسبقًا. لتوضيح الأمر، لا يمكن أن يحدث الاستنتاج بدون تدريب؛ يجب على النموذج تعلم أنماط في مجموعة من البيانات قبل أن يتمكن من الاستقراء بفعالية من بيانات التدريب هذه.

يمكن للعديد من أنواع الأجهزة تنفيذ الاستنتاج، بدءًا من معالجات الهواتف الذكية إلى وحدات معالجة الرسوميات القوية إلى المسرعات المخصصة للذكاء الاصطناعي. لكن ليس بإمكان جميعها تشغيل النماذج بشكل متساوٍ. ستستغرق النماذج الكبيرة جدًا وقتًا طويلاً لتقديم تنبؤات على، لنقل، حاسوب محمول بالمقارنة مع خادم سحابي مزود بشريحة ذكاء اصطناعي عالية الأداء.

[انظر: التدريب]

نموذج اللغة الكبيرة، أو LLMs، هي نماذج الذكاء الاصطناعي التي يستخدمها المساعدون الافتراضيون الشائعون، مثل ChatGPT، Claude، Gemini من Google، AI Llama من Meta، Microsoft Copilot، أو Mistral’s Le Chat. عندما تتحدث مع مساعد ذكاء اصطناعي، تتفاعل مع نموذج لغة كبير يعالج طلبك مباشرة أو بمساعدة أدوات مختلفة متاحة، مثل تصفح الويب أو المفسرين الشفريين.

يمكن أن يكون للمساعدين الذكاء الاصطناعي وLLMs أسماء مختلفة. على سبيل المثال، GPT هو نموذج اللغة الكبير من OpenAI وChatGPT هو منتج مساعد الذكاء الاصطناعي.

تُعتبر LLMs شبكات عصبية عميقة تتكون من مليارات المعلمات العددية (أو الأوزان، انظر أدناه) التي تتعلم العلاقات بين الكلمات والعبارات وتخلق تمثيلًا للغة، نوع من الخرائط متعددة الأبعاد للكلمات.

تُنشأ هذه النماذج من خلال ترميز الأنماط التي تجدها في مليارات من الكتب والمقالات والنصوص. عندما يعطي المستخدم تعليمات لـ LLM، يقوم النموذج بتوليد أكثر نمط احتمالًا يتناسب مع التعليمات. ثم يقوم بتقييم الكلمة التالية الأكثر احتمالا بعد الأخيرة، اعتمادًا على ما تم قوله سابقًا. كرر، كرر، وكرر.

(انظر: الشبكة العصبية)

تشير الشبكة العصبية إلى الهيكل الخوارزمي متعدد الطبقات الذي يدعم التعلم العميق – وأيضًا، بشكل أوسع، كل ازدهار أدوات الذكاء الاصطناعي التوليدية بعد ظهور نماذج اللغة الكبيرة.

على الرغم من أن فكرة استيحاء من المسارات المترابطة بكثافة في الدماغ البشري كهيكل تصميم لو خوارزميات معالجة البيانات تعود إلى الأربعينيات، إلا أن الازدهار الأحدث للأجهزة المعالجة الرسومية (GPUs) – من خلال صناعة ألعاب الفيديو – هو ما أطلق حقًا قوة هذه النظرية. أثبتت هذه الشرائح أنها ملائمة جدًا لتدريب الخوارزميات ذات المزيد من الطبقات مقارنة بما كان ممكنًا في العصور السابقة – مما مكن أنظمة الذكاء الاصطناعي المعتمدة على الشبكات العصبية من تحقيق أداء أفضل بكثير عبر العديد من المجالات، بما في ذلك التعرف على الصوت، والتنقل المستقل، واكتشاف الأدوية.

(انظر: نموذج اللغة الكبيرة [LLM])

يتضمن تطوير الذكاء الاصطناعي القائم على التعلم الآلي عملية تُعرف بالتدريب. بكلمات بسيطة، يعني ذلك بيانات يتم إدخالها حتى يتمكن النموذج من التعلم من الأنماط وتوليد مخرجات مفيدة.

يمكن أن تصبح الأمور فلسفية بعض الشيء في هذه المرحلة من مجموعة الذكاء الاصطناعي – حيث إنه قبل التدريب، فإن الهيكل الرياضي الذي يُستخدم كنقطة بداية لتطوير نظام التعلم ليس سوى مجموعة من الطبقات وأرقام عشوائية. إنه فقط من خلال التدريب تتشكل نموذج الذكاء الاصطناعي بشكل حقيقي. أساسًا، هي عملية استجابة النظام للخصائص في البيانات التي تمكنه من تعديل المخرجات نحو هدف مرغوب – سواء كان ذلك التعرف على صور القطط أو إنتاج هايكو عند الطلب.

من المهم ملاحظة أن ليس كل ذكاء اصطناعي يتطلب تدريب. AIs المستندة إلى القواعد، التي تم برمجتها للامتثال لتعليمات محددة سلفًا يدويًا – على سبيل المثال، مثل روبوتات الدردشة الخطية – لا تحتاج إلى undergo training. ومع ذلك، من المحتمل أن تكون أنظمة الذكاء الاصطناعي هذه أكثر تقييدًا من الأنظمة التي تتعلم بنفسها (تدريب جيد).

على الرغم من ذلك، يمكن أن تكون تكلفة التدريب مرتفعة لأنها تتطلب الكثير من المدخلات – وعادة، تتجه أحجام المدخلات المطلوبة لمثل هذه النماذج نحو الارتفاع.

يمكن أحيانًا استخدام أساليب هجينة لتقصير تطوير النموذج والمساعدة في إدارة التكاليف. مثل إجراء تعديل دقيق يستند إلى البيانات لنموذج ذكاء اصطناعي يعتمد على القواعد – مما يعني أن التطوير يتطلب بيانات، ومعالجة، وطاقة، وتعقيد خوارزميات أقل مقارنةً بالبدء من الصفر.

[انظر: الاستنتاج]

تقنية حيث يتم استخدام نموذج ذكاء اصطناعي مُدرّب مسبقًا كنقطة بداية لتطوير نموذج جديد لمهمة مختلفة ولكن عادة ما تكون ذات صلة – مما يسمح بإعادة استخدام المعرفة المكتسبة في دورات التدريب السابقة.

يمكن أن يدفع التعلم الانتقالي لتحقيق كفاءة من خلال اختصار تطوير النموذج. كما يمكن أن يكون مفيدًا عندما تكون البيانات للمهمة التي يتم تطوير النموذج من أجلها محدودة بعض الشيء. ولكن من المهم ملاحظة أن هذه الطريقة لها قيود. من المحتمل أن النماذج التي تعتمد على التعلم الانتقالي لاكتساب قدرات عامة ستحتاج إلى تدريب على بيانات إضافية من أجل الأداء الجيد في مجال تركيزها.

(انظر: التعديل الدقيق)

الأوزان هي أساس تدريب الذكاء الاصطناعي، حيث تحدد مدى أهمية (أو وزن) الميزات المختلفة (أو المتغيرات المدخلة) في البيانات المستخدمة لتدريب النظام – مما يشكل مخرجات نموذج الذكاء الاصطناعي.

بعبارة أخرى، الأوزان هي معلمات عددية تحدد ما هو الأكثر بروزًا في مجموعة البيانات لمهمة التدريب المعطاة. تحقق وظيفتها من خلال تطبيق الضرب على المدخلات. يبدأ عادةً تدريب النموذج بأوزان يتم تعيينها عشوائيًا، ولكن مع تقدم العملية، يتم ضبط الأوزان بينما يسعى النموذج للوصول إلى مخرجات تتناسب بشكل أكبر مع الهدف.

على سبيل المثال، يمكن أن يتضمن نموذج الذكاء الاصطناعي للتنبؤ بأسعار المنازل المدرب على بيانات العقارات التاريخية لموقع مستهدف أوزانًا لميزات مثل عدد غرف النوم والحمامات، سواء كانت العقار مفصولاً أو شبه مفصول، ما إذا كانت تحتوي على مكان لوقوف السيارات، جراج، وما إلى ذلك.

في النهاية، تعكس الأوزان التي يعلقها النموذج على كل من هذه المدخلات مدى تأثيرها على قيمة الممتلكات، بناءً على مجموعة البيانات المعطاة.