سحر المتجهات: 7 طرق للاستفادة القصوى من تضمينات نماذج LLM

تشبه صناعة الذكاء الاصطناعي اليوم رجلًا اشترى سيارة Ferrari ليذهب بها حصرًا إلى المتجر المجاور لشراء الخبز. لقد انشغلنا جميعًا بروبوتات الدردشة وتوليد النصوص، ونسينا أن تحت غطاء أي نموذج LLM محرّكًا بالغ القوة للعمل مع البيانات: التمثيلات المتجهية، أو التضمينات. وبينما يتجادل المستخدمون العاديون حول أي برومبت يجعل النموذج يكتب الشعر على نحو أفضل، يستخدم المطورون الجادون الطبقات المخفية في هذه النماذج لتغيير تصورنا عن التعلم الآلي الكلاسيكي. التضمينات ليست مجرد مجموعات من الأرقام، بل هي وسيلة لترقيم المعنى والسياق والفروق الدقيقة التي كانت في السابق بعيدة عن متناول الخوارزميات.

تذكّروا كم عانينا مع TF-IDF أو نماذج «حقيبة الكلمات» البسيطة في مطلع العقد الماضي. كان الأمر أشبه بمحاولة وصف طعم النبيذ بكلمتَي «حلو» أو «حامض» فقط. أما التضمينات الحديثة من OpenAI وCohere والنماذج المفتوحة من عائلة Llama، فتتيح حشد عالم كامل من المعاني في متجه مؤلف من ألف وخمسمئة رقم. والحيلة الأولى والأوضح هي التجميع (الكلاسترة) المتقدم. فبدلًا من ترميز آلاف تقييمات العملاء يدويًا، تمرّرونها عبر النموذج وتتركون الخوارزميات تجمّعها بحسب التشابه الدلالي. وهذا يتيح اكتشاف أنماط خفية لم تكونوا تشكّون في وجودها، كأن يشتكي المستخدمون لا من التوصيل عمومًا، بل من نوع محدد من التغليف في الطقس الماطر.

أما الجانب الثاني فيتعلق بتنظيف البيانات. يعرف كل عالم بيانات أن 80 بالمئة من الوقت يضيع في مكافحة البيانات المتسخة. وتتيح التضمينات العثور على تكرارات ليست سلاسل نصية متطابقة. فإذا كُتب في قاعدة بيانات «إيفان إيفانوف» وفي أخرى «إيفانوف إ.»، فقد لا يربط البحث العادي بين الاسمين، لكن الفضاء المتجهي سيدرك أنهما الكيان نفسه. وينطبق الأمر ذاته على اكتشاف الشذوذ. فالمتجهات التي تبتعد كثيرًا عن السحابة الرئيسية للبيانات تشير غالبًا إلى أخطاء في جمع المعلومات، أو إلى حالات فريدة فعلًا تتطلب انتباه إنسان.

التقنية الثالثة المهمة هي إنشاء خصائص هجينة للنماذج الكلاسيكية مثل XGBoost. يمكنكم أخذ الوصف النصي لمنتج، وتحويله إلى متجه مضغوط، وإضافته إلى الخصائص الرقمية مثل السعر أو المخزون المتبقي. وهذا يمنح نماذج التعزيز التدريجي (gradient boosting) سياقًا لم يكن متاحًا لها من قبل. وغالبًا ما يفوز هذا النهج في مسابقات Kaggle، لأنه يجمع المنطق البنيوي للجداول مع الفهم العميق للغة. وإضافة إلى ذلك، تجدر الإشارة إلى التعلم النشط (active learning). فبدلًا من ترميز البيانات عشوائيًا، تختارون للتعليق اليدوي فقط الأمثلة التي تقع متجهاتها على حدّ القرار لدى النموذج. وهذا يخفض تكاليف الترميز عدة أضعاف مع الحفاظ على الدقة.

ولا ينبغي نسيان الروابط عبر الوسائط. فنحن اليوم قادرون على مطابقة النص مع الصور أو الصوت في الفضاء المتجهي نفسه. وهذا يفتح الطريق إلى البحث عن الصور بوصف نصي من دون أي وسم (تاغ) واحد. ويصل تحليل المشاعر كذلك إلى مستوى جديد: نكفّ عن البحث عن الكلمات السيئة فحسب، ونبدأ بفهم السخرية أو الاستياء المضمر من خلال موقع المتجه في فضاء المعاني. وفي المحصلة، فإن استخدام التضمينات هو انتقال من العمل مع الرموز إلى العمل مع المفاهيم. ومن يتقن هذه التقنيات السبع اليوم سيقضي غدًا دقائق في تدريب النماذج حيث يقضي الآخرون أسابيع.

الخلاصة: حان الوقت للتوقف عن النظر إلى LLM بوصفها واجهة للدردشة فقط. فالقيمة الحقيقية تكمن في التمثيل المتجهي للبيانات، الذي يحوّل أي شبكة عصبية إلى أداة شاملة لهندسة الخصائص. فهل أنتم مستعدون لإعادة كتابة خطوط المعالجة القديمة لديكم بما يلائم الواقع الجديد؟