خريطة النماذج اللغوية الكبيرة
مخطط واحد يرسم الصورة كاملة
تأتي النماذج اللغوية الكبيرة (Large Language Models) ومعها مفردات كثيرة، يُستخدم معظمها بشكل فضفاض. ينظّم هذا المخطط كل مفهوم أساسي في خريطة واحدة، فتعرف دائمًا ما هو الشيء، وأين موقعه، وكيف يرتبط بكل ما سواه. يتعمّق كل درس في هذه الوحدة في مجال واحد، أما هذا الدرس فهو النظرة العامة التي تربطها جميعًا.
- آليات النموذج اللغوي الكبير: التدريب المسبق (Pre-training)، والاستدلال (Inference)، والرموز (Tokens)، ونوافذ السياق (Context windows)، والتضمينات (Embeddings)، وأخذ العيّنات (Sampling) — في الدرس 2
- ضوابط الحماية (Guardrails) والهلوسة (Hallucination): طبقة الأمان المحيطة بكل نشر — في الدرس 3
- تقنيات النماذج اللغوية: هندسة التعليمات (Prompt engineering)، والتوليد المعزّز بالاسترجاع (RAG)، والضبط الدقيق (Fine-tuning)، والتعلّم المعزّز من الملاحظات البشرية (RLHF) — في الدرس 4
- البنية التحتية: كيف تصل النماذج إلى المستخدمين بأمان وعلى نطاق المؤسسات — في الدرس 5
التدريب المسبق مقابل الاستدلال: مرحلتان منفصلتان
يمرّ كل نموذج لغوي كبير بمرحلتين منفصلتين. التدريب المسبق عملية تتم مرة واحدة، يقرأ فيها النموذج كميات هائلة من النصوص ويتعلّم التنبؤ بما يأتي بعدها، وهكذا يكتسب معرفته العامة. تبلغ تكلفته عشرات الملايين من الدولارات للنماذج الرائدة، وهو مجال الشركات المطوّرة بالكامل. أما الاستدلال فهو ما يحدث في كل مرة يرسل فيها أحدهم رسالة: يستخدم النموذج ما تعلّمه ليولّد ردًّا. وهنا تقع قرارات التكلفة وزمن الاستجابة والنشر في المؤسسات.
- التدريب المسبق: التنبؤ بالرمز التالي على نطاق ضخم — يتعلّم النموذج الأنماط من مليارات الأمثلة؛ وليس من مسؤولية العميل أبدًا
- الاستدلال: تشغيل النموذج على مدخلات جديدة — يحدث مع كل استعلام، وتتراكم تكلفته على نطاق المؤسسات
- يقع الضبط الدقيق بين المرحلتين: تواصل تدريب النموذج على بياناتك، لكن انطلاقًا من نسخة مدرّبة مسبقًا — أرخص بكثير من التدريب من الصفر، لكنه ما زال يتطلب بنية تحتية لتعلّم الآلة
كيف ينطبق هذا عليّ؟
تجمع هذه النظرة العامة كل مصطلحات النماذج اللغوية الكبيرة المربكة في صورة واحدة. يتعمّق كل درس في طبقة واحدة؛ ابدأ من هنا لتتّضح لك الصورة، ثم اختر الدرس الذي يجيب عن سؤالك.
- كل أداة ذكاء اصطناعي (AI) تستخدمها تعمل على نسخة ما من هذه البنية ذات الطبقات الأربع
- معرفة الطبقة التي تقع فيها المشكلة تفسّر لماذا تكون بعض الحلول سريعة وبعضها مكلفًا
- المخطط مرجعك — عُد إليه بعد كل درس لترى كيف تترابط الأجزاء
هذا المخطط خريطتك لتقييم الموردين، وأول ما ترسمه على السبّورة. كل ادعاء يطلقه مورد يقع في إحدى هذه الطبقات الأربع؛ استخدمه لتوجيه التقييم قبل التعمّق.
- اسأل: في أي طبقة تقع هذه الميزة — الآليات، أم ضوابط الحماية، أم التقنيات؟ المورد الذي لا يستطيع الإجابة يبيع شعارات رنّانة
- معظم شكاوى «الذكاء الاصطناعي لا يعمل» تقع في التقنيات (جودة RAG) أو في ضوابط الحماية — وخريطة الطبقات الأربع تشخّص أيّهما بسرعة
- استخدم التمييز بين التدريب المسبق والاستدلال لتشرح للقيادة سبب تكلفة الذكاء الاصطناعي المحلي (On-premise): التدريب تكلفة غارقة، أما الاستدلال فتكلفة متغيرة يمكنك تحسينها
هذه خريطة قراراتك المعمارية. استخدم نموذج الطبقات الأربع للفصل بين المسؤوليات؛ فلكل طبقة مفاضلاتها الخاصة بين البناء والشراء، وأنماط إخفاقها، وتكاليف تشغيلها.
- التدريب المسبق مجال الشركات المطوّرة دائمًا؛ أما الاستدلال فهو حيث تقع قراراتك المعمارية
- تعامل مع الطبقات الأربع كحدود خدمات منفصلة — خلطها يولّد ديونًا تشغيلية
- تتعمّق الدروس 2–6 في كل طبقة: اختر الدرس المناسب للمشكلة التي تحلّها
استخدم هذا المخطط أداةً لتثقيف العميل في الجلسة الأولى. رسم الطبقات الأربع يُنظّم كل حديث لاحق عن القدرات والتكلفة والمخاطر والحوكمة.
- اربط مخاوف العميل بالطبقات: إجابات قديمة ← التقنيات (RAG)؛ مخرجات غير آمنة ← ضوابط الحماية؛ استجابات بطيئة ← البنية التحتية
- معظم شكاوى «الذكاء الاصطناعي لا يعمل» تقع في التقنيات أو ضوابط الحماية — وخريطة الطبقات الأربع تشخّص أيّهما بسرعة
- تقسيم التكلفة بين التدريب المسبق والاستدلال مهم للتكلفة الإجمالية للملكية (TCO): التدريب المسبق تكلفة غارقة، والاستدلال متغير ويتوسّع مع الاستخدام
شاهد النموذج يختار الكلمة التالية، كلمةً كلمة.