هوش مصنوعی: «نیازی به متخصصان ندارم!»

هوش مصنوعی به غول‌های زبانی جدیدی مجهز شده است که بدون نیاز به آموزش‌های تخصصی، قدرتی شگفت‌انگیز در حل مسائل پیچیده دارند. این پیشرفت، انقلابی در دنیای هوش مصنوعی ایجاد می‌کند و ما را به عصر قدرت مدل‌های زبانی بزرگ نزدیک‌تر می‌کند.این مدل‌ها، هوش مصنوعی را در دسترس همگان قرار می‌دهند و زمینه‌ساز تحولات شگرفی در حوزه‌های مختلف، از امور مالی تا پزشکی، خواهند شد.آیا شاهد مرگ تنظیم دقیق (Fine-Tuning) در هوش مصنوعی و طلوع عصر جدیدی از قدرت هوش مصنوعی عمومی هستیم؟

رقابت بر سرِ مدل‌های زبانی بزرگ (LLMs) بر پایه داده و آموزش مدل‌ها استوار است. اما روایتی جذاب در حال شکل‌گیری است که می‌تواند رویکرد ما به ساخت راه‌کارهای هوش مصنوعی (AI) تخصصی برای حوزه‌های مالی و پزشکی را کاملاً بازتعریف کند.قهرمانان داستان ما مدل‌های آموزش‌دیده به صورت عمومی، مانند GPT-4 و Claude 3 Opus، اکنون در برابر رویه‌ی «قدیمی» تنظیم دقیق مدل‌ها برای وظایف خاصِ حوزه، مورد ارزیابی قرار می‌گیرند.بخش مالی، با اصطلاحات پیچیده و عملیات ظریف، عرصه‌ی ایده‌آلی برای این رویارویی محسوب می‌شود. به طور سنتی، مسیر دستیابی به برتری در تجزیه و تحلیل متن مالی، شامل تنظیم دقیق مدل‌ها با داده‌های خاصِ این حوزه بوده است، روشی شبیه به گذراندن یک دوره فشرده درباره‌ی امور مالی برای یک شبکه‌ی عصبی.با این حال، پژوهشی که سال گذشته انجام شد، داستان دیگری را روایت می‌کند و با توجه به پیشرفت‌های سریعِ مدل‌های «عمومی»، این موضوع می‌تواند از نظر عملکرد و مقرون به صرفه بودن، بسیار مهم باشد.

غول‌های آموزش‌ندیده!

تصور کنید دنیایی را که در آن، یک مدل هوش مصنوعی بدون آموزش صریح با داده‌های مالی، می‌تواند در هزارتوی پیچیده‌ی تجزیه و تحلیل متن مالی حرکت کند و از همتایان تنظیم‌شده‌ی خود، عملکرد بهتری داشته باشد.این دیگر بخشی از تخیلات علمی-تخیلی نیست. GPT-4 با آموزش گسترده و عمومی خود، این امر را به واقعیت تبدیل می‌کند. و این تازه شروع ماجراست. Claude 3 Opus در حال پیشرفت است و راه‌اندازی احتمالیِ GPT-5، این روند را بیش از پیش تقویت می‌کند.این مدل‌ها که با حجم انبوهی از متون گوناگونِ اینترنت آموزش دیده‌اند، توانایی شگفت‌انگیزی در درک و انجام وظایف در حوزه‌های مختلف، از جمله امور مالی، بدون نیاز به آموزش اضافی، از خود نشان داده‌اند. گویی آن‌ها دانش جمعیِ اینترنت را جذب کرده‌اند و این موضوع، آنها را به چاقوهای همه‌فن‌حریف و به‌طور شگفت‌انگیزی، استادِ همه‌ی کارها تبدیل کرده است.

معضل تنظیم دقیق(Fine-Tuning)

تنظیم دقیق برای دستیابی به حداکثر عملکرد در وظایف حوزه‌ی خاص، رویکرد رایج بوده است. با تطبیق مدل برای درک ظرایف زبان مالی، می‌شد انتظار داشت که در طیف وسیعی از وظایف، از تحلیل احساسات تا پاسخ‌دهی به پرسش‌های پیچیده، عملکرد درخشانی داشته باشد. با این حال، این رویکرد با مجموعه‌ای از چالش‌های خاص خود همراه است. نیاز به مجموعه داده‌های خاص حوزه، منابع محاسباتی برای آموزش و خطر بیش‌برازش به یک حوزه‌ی خاص، تنها تعدادی از موانع سر راه این روش هستند.

رای نهایی تجربی

مطالعه‌ای در سال ۲۰۲۳ این مدل‌ها را در طیف وسیعی از وظایف تحلیل متن مالی، از تحلیل احساسات تا پاسخ‌دهی به پرسش‌ها، مورد ارزیابی قرار داد. نتایج چه بود؟ ChatGPT و GPT-4 نه تنها توانایی خود را حفظ کردند، بلکه در بسیاری از موارد، از مدل‌های تنظیم‌شده‌ی دقیق پیشی گرفتند. عملکرد GPT-4 به ویژه قابل توجه است، که پیشرفت قابل ملاحظه‌ای نسبت به ChatGPT در تقریباً تمامی معیارهای مالی نشان می‌دهد. این جهش در قابلیت نشان می‌دهد که با تکامل این مدل‌های زبان بزرگ، نیاز آنها به تنظیم دقیق برای حجزه‌ی خاص، ممکن است کاهش یابد.

قدرت القاء

فراتر از قدرت محاسباتی خام و دانش گسترده‌ی جدیدترین مدل‌های زبانی بزرگ، هنر و علم «القاء» (Prompting) به عنوان لایه‌ای محوری برای شکوفایی کامل پتانسیل آن‌ها پدیدار می‌شود. هنر ظریف مهندسی القاء، نحوه‌ی مهار این غول‌های دیجیتال را متحول می‌کند و شکاف بین نبوغ انسانی و قابلیت‌های عظیم هوش مصنوعی را پر می‌کند.ین هم‌افزایی بین القاهای پیشرفته‌ی انسانی و نقاط قوت مدل، بعد جدیدی از همکاری را به تعامل با هوش مصنوعی معرفی می‌کند، جایی که دقت القاء، ارتباط و عمق پاسخ مدل را دیکته می‌کند.با بهبود توانایی خود در برقراری ارتباط با این مدل‌ها از طریق القاء، ما نه تنها از هوش مصنوعی بهره می‌بریم، بلکه در یک مشارکت پویا که هوش جمعی ما را تقویت می‌کند، درگیر می‌شویم و این، گام بلندی به جلو در مسیر ما با هوش مصنوعی است.

پیامدها و تأملات

این پیشرفت‌ها چه معنایی برای آینده‌ی هوش مصنوعی در حوزه‌های تخصصی دارد؟ آیا در حال نزدیک شدن به نقطه‌ای هستیم که انعطاف‌پذیری و مهارت‌های عمومی مدل‌های زبان بزرگ، ضرورت تنظیم دقیق را کاهش دهد؟ این چشم‌انداز هم هیجان‌انگیز و هم کمی نگران‌کننده است.از یک سو، امکان استقرار مدل‌های هوش مصنوعی با قابلیت بالا بدون نیاز به آموزش گسترده‌ی حوزه‌ی خاص، می‌تواند هوش مصنوعی را همگانی کند و ابزارهای قدرتمند را در زمینه‌های مختلف، از امور مالی تا پزشکی، در دسترس‌تر قرار دهد. از سوی دیگر، این موضوع، سوالاتی را درباره‌ی آینده‌ی توسعه‌ی مدل‌های سفارشی و ارزش منحصربه‌فردی که ارائه می‌دهند، به‌ویژه در زمینه‌ی مطالعات جدید و داده‌های لحظه‌ای، مطرح می‌کند.

نمایش قدرت تکنولوژی

در این گام بعدی از تکامل هوش مصنوعی، پیشرفت‌های سریع در مدل‌های زبان بزرگ، گواهی بر سرعت سرسام‌آور پیشرفت در این زمینه است و ما را به افق وسوسه کننده‌ی هوش مصنوعی عمومی (AGI) نزدیک‌تر می‌کند.همان‌طور که این مدل‌ها، سرشار از پتانسیل درک و توانایی انسان‌گونه، قدرت تکنولوژیکی خود را به رخ می‌کشند، خود را در آستانه‌ی آنچه که می‌تواند لحظه‌ای سرنوشت‌ساز برای مدل‌های زبان بزرگ باشد، می‌یابیم.مسیر رسیدن به هوش مصنوعی عمومی، که با این طیف از پیشرفت‌ها مشخص شده، نویدبخش تحول است و تعامل ما با فناوری را بازآفرینی کرده و «عصر قدرت» ماشین‌های هوشمند را رقم می‌زند.#هوش_مصنوعی#مدل_زبانی_بزرگ#تنظیم_دقیق#هوش_مصنوعی_عمومی#یادگیری_ماشین#پردازش_زبان_طبیعی#تحلیل_متن#اتوماسیون#آینده_کار#تحقیقات_علمی

07:14 - 21 خرداد 1403

499 بازدید

1 پاسخ