النموذج اللغوي الكبير (LLM)

ما هو النموذج اللغوي الكبير (LLM)؟

النموذج اللغوي الكبير (LLM) هو نوع من أنظمة الذكاء الاصطناعي يُدرَّب على كميات هائلة من البيانات النصية لفهم اللغة البشرية وتوليدها والاستدلال بها. وتشغّل هذه النماذج كل شيء، من مساعدي الذكاء الاصطناعي المحادثي إلى أدوات توليد الأكواد ومنصات خدمة العملاء بالذكاء الاصطناعي المؤسسية. وتعتمد هذه النماذج على بنية المحوّلات (Transformer)، فتتعلم أنماط اللغة بمعالجة مليارات الكلمات من الكتب والمواقع الإلكترونية وغيرها من المصادر النصية، ثم توظف هذه الأنماط لإنتاج ردود شبيهة بردود البشر، والترجمة بين اللغات، وتلخيص المستندات، والإجابة عن الأسئلة المعقدة.

تضم النماذج اللغوية الكبيرة الحديثة ما بين عشرات المليارات ومئات المليارات من المعاملات، وهي المتغيرات الداخلية التي تُضبط أثناء التدريب. وفي خدمة العملاء، تمثل هذه النماذج محرك الاستدلال الذي يقف خلف وكلاء الذكاء الاصطناعي القادرين على فهم نية العميل واسترجاع المعلومات ذات الصلة وحل المشكلات دون تدخل بشري.

كيف تعمل النماذج اللغوية الكبيرة: بنية المحوّلات

تُبنى النماذج اللغوية الكبيرة على بنية المحوّلات التي ظهرت عام 2017. يعالج المحوّل النص المُدخل على شكل رموز (كلمات أو أجزاء كلمات)، ويحوّل كل رمز إلى متجه تضمين، ويضيف ترميزات موضعية ليفهم النموذج ترتيب الكلمات. ويتمثل الابتكار الجوهري في آلية الانتباه الذاتي، التي تستخدم مصفوفات الاستعلام والمفتاح والقيمة لتمكين كل رمز من الانتباه إلى جميع الرموز الأخرى. وبذلك يرصد النموذج العلاقات بعيدة المدى، كأن يفهم أن ضميرًا في الفقرة الثالثة يعود إلى اسم في الفقرة الأولى.

تجمع كل كتلة محوّل بين الانتباه الذاتي متعدد الرؤوس وطبقات التغذية الأمامية والاتصالات المتبقية وتطبيع الطبقات. وتتراكب في النماذج الحديثة عشرات أو مئات من هذه الكتل. وخلال التدريب المسبق، يتعلم النموذج بالتنبؤ بالرمز التالي في التسلسل (التدريب الانحداري الذاتي)، معالجًا تريليونات الرموز. وبعد ذلك تُضبط النماذج بدقة باستخدام الملاحظات البشرية (RLHF) لتحسين فائدتها ودقتها.

تؤكد أبحاث Stanford وMIT أن الانتباه الذاتي القائم على المحوّلات هو ما يمنح النماذج اللغوية الكبيرة قدرتها على نمذجة المعنى المرتبط بالسياق، فتُنتج تمثيلات تتكيف مع الكلمات المحيطة بدلًا من إسناد معنى ثابت واحد لكل مصطلح.

لماذا تهم النماذج اللغوية الكبيرة لخدمة العملاء

أحدثت النماذج اللغوية الكبيرة تحولًا في خدمة العملاء بتمكين وكلاء ذكاء اصطناعي يفهمون فعلًا ما يسأل عنه العملاء، لا مجرد مطابقة الكلمات المفتاحية. فقبلها، اعتمدت معظم أدوات الدعم على أشجار قرارات جامدة أو على التعرف على النية بشكل بدائي لا يتعامل إلا مع نطاق ضيق من الاستفسارات المحددة مسبقًا. أما هذه النماذج فتفهم الفروق الدقيقة والسياق بل والإحباط أيضًا، ما يتيح لها إدارة محادثات معقدة متعددة الأدوار وحل مشكلات كانت التقنيات السابقة تكتفي بتحويلها.

تتوقع Gartner أن يتمكن الذكاء الاصطناعي الوكيل من حل 80% من مشكلات خدمة العملاء الشائعة بشكل مستقل بحلول عام 2029، مع إمكانية خفض التكاليف التشغيلية بنحو 30%. ويستند هذا التوقع إلى استمرار تطور قدرات النماذج اللغوية الكبيرة، بما في ذلك تحسّن الاستدلال واستخدام الأدوات والتكامل مع منظومات المعرفة المؤسسية عبر تقنيات مثل التوليد المعزز بالاسترجاع (RAG).

مفاهيم أساسية: الضبط الدقيق وRAG والهلوسة

يتطلب تبني المؤسسات للنماذج اللغوية الكبيرة فهم ثلاثة مفاهيم محورية. أولها الضبط الدقيق: أي مواصلة تدريب نموذج مدرَّب مسبقًا على بيانات خاصة بمجال معين (مثل تذاكر الدعم وقاعدة المعرفة لدى الشركة) لتحسين دقته في المهام المتخصصة. ويساعد الضبط الدقيق النموذج على التحدث بالنبرة المناسبة والإشارة إلى المنتجات الصحيحة.

ثانيها التوليد المعزز بالاسترجاع (RAG)، الذي يربط ردود النموذج ببيانات الشركة الفعلية من خلال جلب المستندات ذات الصلة لحظة الاستعلام وتمريرها إلى النموذج. ويحد RAG من هلوسة الذكاء الاصطناعي، وهي الظاهرة التي تولّد فيها النماذج معلومات تبدو مقنعة لكنها غير صحيحة. وتظل الهلوسة تحديًا رئيسيًا، فبدون تأسيس سليم قد يستشهد النموذج بثقة بسياسة إرجاع لا وجود لها.

ثالثها أن الحجم مهم. فالنماذج الأكبر تؤدي عمومًا بشكل أفضل في الاستدلال المعقد، لكن تشغيلها أعلى تكلفة. لذا توازن المؤسسات بين القدرات من جهة وزمن الاستجابة والتكلفة والخصوصية من جهة أخرى، ولهذا يلجأ بعضها إلى نشر النماذج محليًا أو استخدام نماذج أصغر ومتخصصة.

ميزة Maven: نماذج لغوية تحل المشكلات ولا تكتفي بالرد

تعتمد Maven AGI على النماذج اللغوية الكبيرة بوصفها جوهر الاستدلال في منصة وكلاء الذكاء الاصطناعي لديها، لكن توليد اللغة وحده ليس سوى نقطة البداية. إذ تجمع Maven بين هذه النماذج ومسارات RAG خاصة بها والذكاء الاصطناعي لقواعد المعرفة وأكثر من 100 تكامل، لتأسيس كل رد على بيانات موثقة من الشركة. وهذا يعني أن وكيل الذكاء الاصطناعي لا يكتفي بتوليد إجابة، بل يستقي المعلومات من نظام CRM ومركز المساعدة والوثائق الداخلية لديكم ليقدم حلولًا دقيقة وقابلة للتنفيذ.

دليل من Maven: حققت Mastermind، وهي شركة تعمل في مجال تقنيات التعليم، معدل حل بلغ 93% في الدردشة المباشرة مع Maven AGI. وقد حل وكلاء الذكاء الاصطناعي المدعومون بالنماذج اللغوية الكبيرة الغالبية العظمى من المحادثات دون تدخل بشري، واستغرق النشر 6 أسابيع فقط.

وعلى خلاف الأغلفة العامة للنماذج اللغوية التي تكتفي بتمرير الطلبات إلى النموذج، تتضمن منصة Maven ضوابط مدمجة للحد من الهلوسة، وتحققًا آنيًا من الدقة، وتصعيدًا تلقائيًا إلى الموظفين البشريين عندما تنخفض درجة الثقة. والنتيجة: حلول بمستوى المؤسسات، لا مجرد ردود. ولمزيد من التعمق في آلية عمل نماذج المحوّلات، راجعوا تقرير مؤشر الذكاء الاصطناعي من Stanford HAI أو أبحاث الذكاء الاصطناعي لدى Stanford HAI.

الأسئلة الشائعة

ما الفرق بين النموذج اللغوي الكبير وروبوت الدعم التقليدي؟

روبوت الدعم التقليدي واجهة برمجية مكتوبة مسبقًا تتعامل مع نطاق ضيق من الاستفسارات المحددة سلفًا. أما النموذج اللغوي الكبير فهو نموذج الذكاء الاصطناعي الذي يشغّل وكلاء الذكاء الاصطناعي الحديثين. فالروبوتات القديمة تتبع قواعد جامدة، في حين يفهم الوكلاء المدعومون بالنماذج اللغوية اللغة الطبيعية ويستدلون بالسياق ويولّدون ردودًا ديناميكية، ما يجعلهم أقدر بكثير على حل مشكلات العملاء المعقدة.

كيف تتجنب النماذج اللغوية الكبيرة تقديم إجابات خاطئة في خدمة العملاء؟

تعتمد عمليات النشر المؤسسية على التوليد المعزز بالاسترجاع (RAG) لتأسيس الردود على بيانات موثقة من الشركة، وعلى تقييم درجة الثقة لرصد الإجابات غير المؤكدة، وعلى التصعيد إلى العنصر البشري في الحالات الاستثنائية. فعلى سبيل المثال، تتحقق منصة Maven AGI من الردود مقابل مصادر قاعدة المعرفة آنيًا، وتحيل الاستفسارات منخفضة الثقة إلى الموظفين البشريين تلقائيًا.

هل يمكن تخصيص النماذج اللغوية الكبيرة لمنتجات شركة معينة ونبرتها؟

نعم. فمن خلال الضبط الدقيق على بيانات الشركة ومسارات RAG المتصلة بقواعد المعرفة الداخلية، تستطيع هذه النماذج تعلّم كتالوج منتجات الشركة وسياساتها وأسلوب علامتها التجارية. وتتصل منصة Maven AGI بأكثر من 100 مصدر بيانات مباشرةً، ما يتيح تخصيصًا سريعًا دون الحاجة إلى بناء نماذج مخصصة من الصفر.

هل النماذج اللغوية الكبيرة آمنة بما يكفي لبيانات العملاء في المؤسسات؟

يتوقف الأمان على طريقة النشر. فالمنصات المؤسسية مثل Maven AGI حاصلة على شهادات SOC 2 Type II وHIPAA وPCI-DSS وISO 27001، فيما تحمي آليات عزل البيانات والتشفير وضوابط الوصول بيانات العملاء.