الضبط الدقيق مقابل التعلم في السياق: متى تستخدم كل منهما

غيرت الذكاء الاصطناعي (AI) كيفية تعاملنا مع حل المشكلات في مختلف المجالات. ومن بين أكثر التطورات إثارةً في مجال الذكاء الاصطناعي هي النماذج اللغوية الكبيرة (LLMs) والتقنيات المستخدمة لتحسين أدائها. طريقتان رئيسيتان في هذا المجال هما الضبط الدقيق والتعلم في السياق. فهم الفرق بين هذين النهجين ومتى يجب استخدام كل منهما أمر أساسي للمتخصصين الذين يعملون في مجال الذكاء الاصطناعي.

ما هو الضبط الدقيق؟

الضبط الدقيق هو عملية يتم فيها تدريب نموذج مجهز مسبقًا مرة أخرى على مجموعة بيانات محددة لتحسين أدائه في مهمة معينة. تتيح هذه العملية للنموذج تعديل معاييره استنادًا إلى بيانات جديدة مما يمكّنه من فهم تفاصيل التطبيق المحدد الذي يفترض أن يعمل عليه بشكل أفضل.

الخصائص الرئيسية للضبط الدقيق:

• يتطلب مجموعة بيانات: يتطلب الضبط الدقيق مجموعة بيانات مصنفة ذات صلة بالمهمة المحددة.
• وقت التدريب: يمكن أن تستغرق هذه العملية وقتًا كبيرًا وموارد حسابية، اعتمادًا على حجم مجموعة البيانات والنموذج.
• تكيّف النموذج: يتكيف النموذج مع خصوصيات البيانات الجديدة، مما يمكن أن يؤدي إلى تحسين الدقة والملاءمة في المخرجات.

الضبط الدقيق مثالي عندما تكون المهمة المعنية تختلف بشكل كبير عن المهام التي تم تدريب النموذج عليها في الأصل. على سبيل المثال، إذا كان لديك نموذج لغة عام يحتاج إلى إجراء تحليل مشاعر على تقييمات العملاء، فإن الضبط الدقيق على مجموعة بيانات مصنفة من هذه التقييمات سيعزز من أدائه.

ما هو التعلم في السياق؟

التعلم في السياق، من ناحية أخرى، يشير إلى قدرة النموذج اللغوي على التعلم والتكيف مع مهمة باستخدام إشارات سياقية من بيانات الإدخال دون الحاجة إلى أي تحديثات في المعايير. تستغل هذه الطريقة المعرفة الموجودة للنموذج المكتسبة خلال مرحلة ما قبل التدريب لفهم وتنفيذ المهام استنادًا إلى الأمثلة المقدمة في الإدخال.