كيف تُدرَّب نماذج الذكاء الاصطناعي على مهام جديدة دون فقدان قدراتها

طوّر باحثون في Apple طريقة DynaMiCS لإجراء الضبط الدقيق لنماذج الذكاء الاصطناعي على مهام جديدة دون فقدان قدراتها الأساسية وتعليماتها ومعارفها المتعلقة بالأمان.

لماذا تعجز الأساليب الحالية؟

يُعدّ الضبط الدقيق لنماذج LLM على عدة مجالات في وقت واحد مهمة يومية لأي مختبر يطلق منتجات ذكاء اصطناعي. وتبدو المهمة بسيطة: تحسين النموذج في المجالات المستهدفة (مثل الطب أو القانون)، مع الحفاظ على ما يُسمى «المجالات المقيِّدة»، أي القدرات الأساسية التي لا يجوز تدهورها في أي ظرف.

لكن عملياً يتحول هذا إلى مسألة موازنة صعبة. فاستراتيجيات خلط بيانات التدريب الحالية تقدّم حلّين غير مرضيين. الأول هو القواعد الإرشادية الثابتة: نسب بيانات محددة مسبقاً لكل مجال، تبقى ثابتة طوال التدريب ولا تستجيب للحالة الراهنة للنموذج. والثاني هو القواعد التكيفية: خوارزميات تعدّل الأوزان استناداً إلى إشارات من المقاييس، لكن دون ضمانات رسمية صريحة.

ولا يستطيع أي من الأسلوبين أن يضمن بشكل صريح الحفاظ على المجالات المقيِّدة عند مستوى محدد. ونتيجة لذلك، إما أن تجرّب الفرق النسب يدوياً، أو تقبل بخسائر غير متوقعة في اختبارات الأمان والتعليمات الرئيسية.

كيف تعمل DynaMiCS

تعيد DynaMiCS صياغة مسألة الضبط الدقيق بوصفها مسألة تحسين مقيَّد (constrained optimization). فبدلاً من تحديد المفاضلة بين المجالات بصورة مرنة، عبر دالة خسارة إجمالية أو أوزان يدوية، يفصل الخوارزم بشكل صريح بين الأهداف والقيود.

في كل خطوة تدريب، تعمل DynaMiCS على ثلاث مراحل:

• تشغّل جولات «استكشافية» قصيرة (probing runs) لكل مجال، وتقيّم الديناميكية المحلية للمقاييس.
• تبني مصفوفة الميول (slope matrix)، وهي تقدير لكيفية تأثير تغيير حصة بيانات مجال معيّن في مؤشرات جميع المجالات الأخرى.
• تحلّ مسألة تحسين: إيجاد نسبة البيانات التي تحقق أقصى تحسّن في المجالات المستهدفة مع الالتزام الصارم بالقيود المفروضة على المجالات المقيِّدة.

تكمن الجِدّة الجوهرية في القيود الرياضية الصريحة، لا في التنظيم المرن (regularization). فالخوارزم لا «يحاول» الحفاظ على الأمان أو التعليمات، بل يضمن ذلك رسمياً في كل تكرار. وتُنفَّذ الجولات الاستكشافية بسرعة ولا تتطلب دورة تدريب كاملة، ما يجعل الطريقة قابلة للتطبيق عملياً دون زيادة كبيرة في التكاليف الحسابية.

أين يمكن تطبيقها

تظهر المشكلة التي تعالجها DynaMiCS في كل مرة تكيّف فيها شركة نموذجاً أساسياً لمنتج بعينه:

• اتباع التعليمات: مهارة أساسية لا يجوز تدهورها حتى عند التخصص الضيق.
• المعرفة العامة: يجب أن يجيب المساعد بشكل صحيح عن الأسئلة الواقعة خارج مجاله المتخصص.
• الأمان: يجب الحفاظ على نتائج تقييمات الأمان (safety evaluations) عند أي ضبط دقيق، خصوصاً في القطاعات الخاضعة للتنظيم.

وبالنسبة إلى Apple، التي تدمج النماذج اللغوية بنشاط في Apple Intelligence، وهي طبقة الذكاء الاصطناعي على مستوى النظام في iPhone وiPad وMac، فإن أداة كهذه لها أهمية عملية مباشرة. فالنماذج يجب أن تتخصص لمهام تطبيقات بعينها، وأن تحافظ في الوقت نفسه على شموليتها وتجتاز فحوص الأمان الداخلية. وتقدّم DynaMiCS وسيلة رسمية لتحقيق المطلبين معاً.

كما أن النهج ذو صلة خارج Apple: فأي شركة تكيّف النماذج لمهام المؤسسات (enterprise) ذات المتطلبات الصارمة للأمان والتعليمات تواجه مشكلة الموازنة نفسها.

ماذا يعني ذلك

تقدّم DynaMiCS نهجاً صارماً رياضياً لمسألة كانت معظم فرق ML تعالجها يدوياً أو بالتجربة والخطأ. وتُظهر منشورات Apple ML Research أن العمل على البنية التحتية الأساسية للضبط الدقيق مستمر في كبرى شركات التقنية ذات النماذج المغلقة. وإذا أمكن إعادة إنتاج الطريقة وتوسيع نطاقها إلى أحجام النماذج الحقيقية، فقد تجد لها مكاناً في خطوط المعالجة (pipeline) القياسية للشركات التي تعمل مع نماذج LLM متعددة المجالات ومتطلبات صارمة لجودة القدرات الأساسية.

ما هو الضبط الدقيق لنماذج الذكاء الاصطناعي؟

هو عملية تدريب نموذج لغوي جاهز على بيانات جديدة لتخصيصه لمهام ومجالات محددة.

كيف نتجنب فقدان الجودة أثناء الضبط الدقيق؟

يتطلب ذلك تحسين مزيج البيانات بالشكل الصحيح، وهو ما يتيح الحفاظ على القدرات الأساسية للنموذج، وهذا بالتحديد ما تفعله طريقة DynaMiCS.