النموذج الأساسي

يمثل نموذج الأساس تحولًا بارزًا في مجال الذكاء الاصطناعي (AI). وهو نموذج تعلم آلي واسع النطاق تم تدريبه على كمية هائلة من البيانات — غالبًا ما تشمل مليارات المعلمات — يمكن تكييفه مع مجموعة واسعة من المهام النهائية. على عكس نماذج التعلم الآلي (ML) التقليدية، التي عادة ما يتم إنشاؤها لغرض محدد وفريد مثل تصنيف نوع معين من الزهور، يتعلم النموذج الأساسي أنماطًا وهياكل وعلاقات واسعة النطاق خلال مرحلة ما قبل التدريب التي تتطلب موارد كثيرة. تتيح قاعدة المعرفة الواسعة هذه للمطورين تطبيق النموذج على مشكلات جديدة من خلال التعلم النقلي، مما يقلل بشكل كبير من الوقت والبيانات اللازمة لتحقيق نتائج متطورة.

الآليات الأساسية: التدريب المسبق والتكيف

تكمن قوة نموذج الأساس في عملية تطويره المكونة من مرحلتين: التدريب المسبق والضبط الدقيق. أثناء التدريب المسبق، يتعرض النموذج لمجموعات بيانات ضخمة، مثل أجزاء كبيرة من الإنترنت، ومكتبات صور متنوعة ، أو مستودعات أكواد واسعة النطاق. غالبًا ما تستخدم هذه المرحلة التعلم الذاتي، وهي تقنية يولد فيها النموذج تسمياته الخاصة من بنية البيانات نفسها، مما يزيل عائق التعليق اليدوي على البيانات. على سبيل المثال، قد يتعلم نموذج اللغة توقع الكلمة التالية في الجملة، بينما يتعلم نموذج الرؤية فهم الحواف والأنسجة و ثبات الكائنات.

بمجرد الانتهاء من التدريب المسبق، يعمل النموذج كنقطة انطلاق متعددة الاستخدامات. من خلال عملية تسمى الضبط الد قيق، يمكن للمطورين تعديل أوزان النموذج على مجموعة بيانات أصغر حجماً ومخصصة لمجال معين. هذه القدرة أساسية لـ دمقرطة الذكاء الاصطناعي، لأنها تسمح للمؤسسات ذات الموارد الحاسوبية المحدودة بالاستفادة من البنى القوية. غالبًا ما تستخدم سير العمل الحديثة أدوات مثل Ultralytics لتبسيط عملية التكيف هذه، مما يتيح تدريبًا فعالًا على مجموعات بيانات مخصصة دون الحاجة إلى بناء شبكة عصبية من الصفر.

تطبيقات واقعية

تشكل نماذج الأساس العمود الفقري للابتكارات في مختلف الصناعات. إن قدرتها على التعميم تجعلها قابلة للتطبيق على مهام تتراوح من معالجة اللغة الطبيعية إلى الرؤية الحاسوبية المتقدمة .

• الرؤية الحاسوبية في الرعاية الصحية: يمكن ضبط نماذج أساسية متخصصة في الرؤية للمساعدة في تحليل الصور الطبية. يمكن تكييف نموذج تم تدريبه في الأصل على صور عامة detect في فحوصات التصوير بالرنين المغناطيسي أو تحديد الكسور المقوسة في الأشعة السينية. يوضح هذا التطبيق كيف يترجم الفهم البصري العام إلى أدوات تشخيصية منقذة للحياة .
• الأتمتة الصناعية: في مجال التصنيع، تعمل نماذج الرؤية مثل Ultralytics كبنى أساسية للكشف عن الأشياء. تستخدم المصانع هذه النماذج لأتمتة فحص الجودة، والكشف عن العيوب في خطوط التجميع بسرعة ودقة عالية. تعمل المعرفة المسبقة للنموذج بحدود الأشياء على تسريع نشر هذه الحلول التصنيعية الذكية.

مثال على التنفيذ التقني

يمكن للمطورين الاستفادة من النماذج الأساسية لأداء مهام معقدة باستخدام الحد الأدنى من التعليمات البرمجية. يوضح المثال التالي كيفية تحميل نموذج YOLO26المدرب مسبقًا — وهو نموذج أساسي للرؤية مُحسّن للتطبيقات في الوقت الفعلي — وإجراء الكشف عن الكائنات في الصورة.

from ultralytics import YOLO

# Load a pre-trained YOLO26 foundation model
# 'n' stands for nano, the smallest and fastest version
model = YOLO("yolo26n.pt")

# Perform inference on an image to detect objects
# The model uses its pre-trained knowledge to identify common objects
results = model("https://ultralytics.com/images/bus.jpg")

# Display the results
results[0].show()

التمييز بين المصطلحات الرئيسية

من المفيد التمييز بين "نموذج الأساس" والمفاهيم ذات الصلة في مجال الذكاء الاصطناعي لفهم أدوارها المحددة:

• نموذج اللغة الكبير (LLM): نموذج اللغة الكبير(LLM) هو نوع من النماذج الأساسية المصممة خصيصًا لمعالجة النصوص وإنشائها. في حين أن جميع نماذج اللغة الكبيرة (LLM) هي نماذج أساسية، إلا أن جميع النماذج الأساسية ليست نماذج لغة كبيرة (LLM)؛ تشمل هذه الفئة أيضًا نماذج الرؤية مثل SAM نموذج تقسيم أي شيء) والأنظمة متعددة الوسائط.
• التعلم بالانتقال: هذه هي التقنية المستخدمة لتطبيق نموذج أساسي على مهمة جديدة. النموذج الأساسي هو الأداة (الشبكة العصبية المحفوظة )، بينما التعلم بالانتقال هو عملية تحديث معرفة تلك الأداة لاستخدام محدد ، مثل مكافحة الآفات في الزراعة.
• الذكاء الاصطناعي التوليدي: يشير هذا المصطلح إلى الأنظمة التي يمكنها إنشاء محتوى جديد (نصوص، صور، أكواد). تعمل العديد من النماذج الأساسية على تشغيل تطبيقات الذكاء الاصطناعي التوليدي، ولكن يمكن استخدامها أيضًا في مهام تمييزية مثل التصنيف أو تتبع الكائنات التي لا تعتبر "توليدية" بالمعنى الدقيق للكلمة.

الاتجاهات المستقبلية والتأثير

يتجه تطور نماذج الأساس نحو الذكاء الاصطناعي متعدد الوسائط، حيث يمكن لنظام واحد معالجة و ربط المعلومات من النصوص والصور والصوت وبيانات المستشعرات في وقت واحد. تسلط الأبحاث التي أجرتها مؤسسات مثل معهد ستانفورد للذكاء الاصطناعي المتمركز حول الإنسان (HAI) الضوء على إمكانية أن تفكر هذه الأنظمة في العالم بشكل أشبه بالبشر. مع زيادة كفاءة هذه النماذج ، يصبح نشرها على أجهزة الحوسبة المتطورة أكثر قابلية للتنفيذ، مما يوفر قدرات قوية للذكاء الاصطناعي مباشرة إلى الهواتف الذكية والطائرات بدون طيار وأجهزة استشعار إنترنت الأشياء.