Новый метод позволяет масштабировать AI-модели через экспертные блоки без переобучения
Учёные по компьютерному зрению разработали метод расширения уже обученных AI-моделей до более крупных версий через добавление специализированных экспертных модулей — без обучения с нуля. Технология сохраняет все накопленные веса базовой модели и надстраивает поверх неё новые специализированные блоки. Такой подход может существенно снизить стоимость апгрейда AI-систем для корпоративных команд.
معالج بواسطة الذكاء الاصطناعي من TechXplore AI؛ بتحرير Hamidun News
طوّر فريق من المتخصصين في رؤية الحاسوب تقنيةً تُتيح توسيع نطاق نماذج AI المُدرَّبة مسبقاً إلى إصدارات أكبر، وذلك بإضافة وحدات متخصصة من الخبراء دون الحاجة إلى بدء التدريب من الصفر.
ما جوهر الطريقة الجديدة؟
تقطع التقنية الجديدة الارتباط المعهود بين قوة النموذج والحاجة إلى تدريبه من الصفر. يبدو النهج التقليدي على النحو الآتي: إذا احتجنا إلى شبكة عصبية أكبر، وجب تصميم بنية جديدة وجمع مجموعة بيانات وإطلاق دورة تدريب كاملة قد تستغرق أسابيع أو أشهراً من الحوسبة. أما الطريقة التي طوّرها الفريق فتُتيح أخذ نموذج مُدرَّب مسبقاً موجود وتوسيعه بإضافة وحدات متخصصة من الخبراء فوق المعرفة المتراكمة بالفعل.
يقوم جوهر الفكرة على الحرص على الحفاظ على ما يعمل أصلاً. فالنموذج المُدرَّب مسبقاً رأى بالفعل مليارات الأمثلة على البيانات وشكّل تمثيلات داخلية قيّمة للعالم. إهدارها في سبيل التوسع أمرٌ مُكلف. تستخدم الطريقة الجديدة هذه الأوزان كأساس راسخ وتبني فوقها مكوّنات متخصصة.
يقترب هذا النهج مفاهيمياً من بنية Mixture of Experts (MoE)، حيث يتخصص "خبراء" مختلفون داخل الشبكة في أنواع مختلفة من البيانات أو المهام. والفارق الجوهري للحل الجديد هو أنه يُتيح إنشاء هذا الهيكل انطلاقاً من قاعدة جاهزة، بدلاً من بناء MoE من الصفر.
"تُتيح التقنية توسيع نماذج AI المُدرَّبة مسبقاً إلى أنظمة أكبر مع وحدات متخصصة من الخبراء دون تدريب من الصفر"، كما يصف المؤلفون هذا التطوير استناداً إلى بيانات
TechXplore.
لماذا يهم هذا مطوري AI؟
تكلفة تدريب الشبكات العصبية الحدودية هي أحد أبرز عوائق الصناعة. ووفقاً لتقديرات محللي Epoch AI، بلغت تكاليف تدريب النماذج الرائدة في 2024–2025 عشرات الملايين من الدولارات. وتجد الفرق التي تمتلك نموذجاً أساسياً مُدرَّباً جيداً نفسها أمام خيار صعب: العمل بالنسخة المحدودة أو إنفاق مبالغ مماثلة لإعادة التدريب من الصفر.
تقدّم طريقة التوسع عبر وحدات الخبراء مساراً ثالثاً. يمكن تطوير النماذج الموجودة بصورة تدريجية: بإضافة كتل متخصصة جديدة مع نمو المهام والمتطلبات، دون فقدان الأوزان المتراكمة والتمثيلات الداخلية للشبكة الأساسية.
- التقنية من إنشاء فريق متخصصين في رؤية الحاسوب
- تُتيح توسيع نماذج AI المُدرَّبة مسبقاً دون إعادة تدريب كامل من الصفر
- تستخدم وحدات متخصصة من الخبراء مُدمَجة فوق القاعدة الجاهزة
- تحافظ على الأوزان والتمثيلات المتراكمة للنموذج الأصلي أثناء التوسع
أين يمكن تطبيق ذلك؟
مهام رؤية الحاسوب حساسة بشكل خاص لحجم النموذج. فالتعرف على الصور الطبية والفحص الصناعي للجودة وأنظمة القيادة الذاتية تستلزم في آنٍ واحد قاعدةً معرفية عامة واسعة وتخصصاً عميقاً في نطاق محدد. تُتيح طريقة التوسع عبر وحدات الخبراء حلّ هذا التوازن الصعب: أخذ نموذج عام قوي وبناء كتل متخصصة فوقه لمهمة محددة.
بالنسبة للفرق المؤسسية التي تمتلك نماذج مُدرَّبة على بيانات خاصة، يعني هذا إمكانية ترقية النظام دون فقدان الخصوصية المؤسسية ودون الحاجة إلى الخوض مجدداً في دورة جمع البيانات والتدريب الكاملة.
ما الذي يعنيه هذا؟
إذا أثبتت طريقة التوسع بوحدات الخبراء فعالية عملية، فقد تُغيّر منطق تطوير أنظمة AI المؤسسية: بدلاً من إعادات الإطلاق المُكلفة كل بضع سنوات — نموٌّ تدريجي تصبح فيه كل نسخة من النموذج أساساً للنسخة التالية.
هل تريد التوقف عن قراءة الذكاء الاصطناعي والبدء باستخدامه؟
AI News هو موجز منسق لأخبار الذكاء الاصطناعي. تعلمك Hamidun Academy استخدام الذكاء الاصطناعي في عملك.
أهم ما في عالم الذكاء الاصطناعي — مرة كل أسبوع
سبع قصص مهمة فعلاً هذا الأسبوع، مختارة بعناية. بلا ضجيج ولا بيانات صحفية.
تم! تحقق من بريدك للتأكيد.