Adaption تطلق AutoScientist: أداة للضبط الدقيق التلقائي للنماذج
قدمت شركة Adaption أداة AutoScientist للضبط الدقيق التلقائي لنماذج الذكاء الاصطناعي. يحدد النظام بنفسه معلمات التدريب وحجم بيانات التدريب والاستراتيجية المثلى للتكييف. وقد يختصر هذا أسابيع من زمن التطوير، إذ يغني عن التجارب الطويلة والأخطاء المتكررة. وتتيح الأداة للفرق الصغيرة العمل مع النماذج المتقدمة بمستوى خبراء تعلم الآلة (ML) دون معرفة عميقة بالرياضيات.
معالج بواسطة الذكاء الاصطناعي من TechCrunch؛ بتحرير Hamidun News
قدمت شركة Adaption أداة AutoScientist التي تؤتمت عملية الضبط الدقيق (fine-tuning) لنماذج الذكاء الاصطناعي. فبدلًا من اختيار المعلمات يدويًا وإجراء تجارب طويلة، يحدد النظام بنفسه استراتيجية التدريب المثلى للمهمة المطلوبة.
كيف تعمل الأداة
يحلل AutoScientist المهمة المستهدفة، ثم يختار تلقائيًا معلمات التدريب وحجم بيانات التدريب واستراتيجية تكييف النموذج. ويعمل النظام كنظام خبير يراكم المعرفة حول الأساليب الأفضل أداءً في مختلف السيناريوهات.
تعمل الأداة مع النماذج الموجودة، وقد تختصر الزمن بين الفكرة والشيفرة الجاهزة للإنتاج. فبدلًا من أن يجرّب المطوّر المعلمات الفائقة (hyperparameters) يدويًا وينتظر نتائج كل جولة تشغيل، يقترح AutoScientist إعدادًا جاهزًا استنادًا إلى تحليل البيانات والأهداف.
وتفيد الأداة بوجه خاص الشركات التي تريد تكييف نماذج مفتوحة مثل Llama أو Mistral مع مهامها الخاصة، لكنها لا تملك فريقًا كاملًا من مهندسي ML. فقد كان ذلك يتطلب سابقًا أشهرًا من التجارب وفهمًا عميقًا للانحدار التدريجي (gradient descent). أما الآن، فيمكن لمهندس واحد القيام بذلك، فهو يختار النموذج ويصف المهمة فحسب.
المشكلة التي يحلها AutoScientist
الضبط الدقيق التقليدي عملية مرتفعة التكلفة. فهي تحتاج إلى خبراء يعرفون الرياضيات الكامنة وراء التدريب، ويجيدون قراءة منحنيات دالة الخسارة (loss)، ويتخذون القرار في وقت التوقف ووقت رفع معدل التعلم (learning rate) ووقت إضافة التنظيم (regularization).
وقد يؤدي اختيار المعلمات الخاطئ إلى فرط التخصيص (overfitting)، حيث يحفظ النموذج بيانات التدريب لكنه لا يعمّم المعرفة على أمثلة جديدة. وقد يؤدي أيضًا إلى نقص التدريب (underfitting)، حيث لا يفهم النموذج المهمة أصلًا. ويُعثر على التوازن يدويًا، عبر التكرار وبالاعتماد على حدس الخبراء. وهذا يستغرق أسابيع ويتطلب إعدادًا متخصصًا.
يؤتمت AutoScientist هذه العملية عبر تحليل المقاييس على مجموعة التحقق (validation) واقتراح التعديلات في الوقت الفعلي. ويراقب النظام فرط التخصيص، ويختار اللحظة المناسبة للتوقف، بل ويقترح ما إذا كانت هناك حاجة إلى بيانات إضافية.
المزايا العملية
- يمكن للشركات تكييف النماذج دون مهندس ML ضمن كادرها، ويكفي مطوّر بمعرفة أساسية
- الوصول إلى نموذج أولي عملي (MVP) أسرع، في أيام بدلًا من أسابيع من التجارب
- توفير في الحوسبة السحابية عبر الاختيار الذكي لحجم البيانات ومعدل التعلم
- توحيد عملية التدريب، بحيث يحصل الجميع على نتائج متطابقة قابلة للتكرار
- يستطيع المطورون الأقل خبرة العمل مع نماذج الذكاء الاصطناعي بمستوى الخبراء
ما الذي يعنيه ذلك
تطمس أدوات مثل AutoScientist الحدّ الفاصل بين البحث والهندسة. فالضبط الدقيق لم يعد فنًا يتطلب درجة الدكتوراه، بل أصبح عملية قياسية يستطيع أي مطوّر بفهم أساسي للتعلم الآلي تشغيلها. وقد يسرّع ذلك دورة تطوير منتجات الذكاء الاصطناعي، ويتيح للشركات الناشئة منافسة المختبرات الكبرى التي تضم مئات مهندسي ML.
- 18 نوفمبر 2026إيرادات Nvidia من مراكز البيانات ترتفع 110% إلى 107,6 مليار دولار: «توقف الذكاء الاصطناعي» لم ينعكس على الرقائق
- 18 نوفمبر 2026AWS تطلق SMART: نشر وكيل WhatsApp على AgentCore بأمر واحد
- 18 نوفمبر 2026بحث «Мир Квестов» يفهم النص الحي: 37% من عمليات البحث تصل إلى بطاقة الكويست
- 18 نوفمبر 2026sd.cpp بدلاً من Forge Neo: تسعة نماذج على بطاقة رسومات بذاكرة 16 غيغابايت تولّد الصور في 5–68 ثانية
أسئلة وأجوبة حول الخبر
ما أبرز التفاصيل حول كيف تعمل الأداة؟
يحلل AutoScientist المهمة المستهدفة، ثم يختار تلقائيًا معلمات التدريب وحجم بيانات التدريب واستراتيجية تكييف النموذج. ويعمل النظام كنظام خبير يراكم المعرفة حول الأساليب الأفضل أداءً في مختلف السيناريوهات. تعمل الأداة مع النماذج الموجودة، وقد تختصر الزمن بين الفكرة والشيفرة الجاهزة للإنتاج. فبدلًا من أن يجرّب المطوّر المعلمات الفائقة (hyperparameters) يدويًا وينتظر نتائج كل جولة تشغيل، يقترح AutoScientist إعدادًا جاهزًا استنادًا إلى تحليل البيانات والأهداف.
ما أبرز التفاصيل حول المشكلة التي يحلها AutoScientist؟
الضبط الدقيق التقليدي عملية مرتفعة التكلفة. فهي تحتاج إلى خبراء يعرفون الرياضيات الكامنة وراء التدريب، ويجيدون قراءة منحنيات دالة الخسارة (loss)، ويتخذون القرار في وقت التوقف ووقت رفع معدل التعلم (learning rate) ووقت إضافة التنظيم (regularization). وقد يؤدي اختيار المعلمات الخاطئ إلى فرط التخصيص (overfitting)، حيث يحفظ النموذج بيانات التدريب لكنه لا يعمّم المعرفة على أمثلة جديدة. وقد يؤدي أيضًا إلى نقص التدريب (underfitting)، حيث لا يفهم النموذج المهمة أصلًا.
ما أبرز التفاصيل حول المزايا العملية؟
يمكن للشركات تكييف النماذج دون مهندس ML ضمن كادرها، ويكفي مطوّر بمعرفة أساسية الوصول إلى نموذج أولي عملي (MVP) أسرع، في أيام بدلًا من أسابيع من التجارب توفير في الحوسبة السحابية عبر الاختيار الذكي لحجم البيانات ومعدل التعلم توحيد عملية التدريب، بحيث يحصل الجميع على نتائج متطابقة قابلة للتكرار يستطيع المطورون الأقل خبرة العمل مع نماذج الذكاء الاصطناعي بمستوى الخبراء
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
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.