• صاحب المنشور: رؤوف القيسي
  
  ملخص النقاش:
  تُعدّ نماذج اللغات المُعَقَّدة مثل GPT-3 وFLAN-F نقلة نوعية في مجال الذكاء الاصطناعي. كلاهما يعتمد على تقنيات التعلم العميق والتدريب على كميات هائلة من البيانات لتحقيق فهم أفضل للنصوص والإجابة عليها بشكل معقول. لكن رغم التشابه الكبير بينهما، توجد اختلافات جوهرية تستحق الدراسة والمناقشة.

بدأت شركة OpenAI مسار تطويرها بتقديم نموذج اللغة الضخم الأول GPT-1 الذي كان مثيراً للإعجاب حينذاك بسبب قدرته على توليد نصوص طبيعية إلى حدٍ ما بناءً على المدخلات المعطاة له. ولكن بعد ذلك جاءت نسخة أكثر تقدماً وهي GPT-2 والتي شهدت تحسناً ملحوظاً بمستوى الجودة والإنتاجية مقارنة بسابقتها وأصبحت قادرة على إنشاء مقالات كاملة والرد بطريقة مشابهة لغالبية البشر. واستناداً لهذه المسارات التطورية المتتابعة للمجموعة الأولى من هذه الانماط فقد طرحوا أخيرا الـGPT-3 والذي يعد احدى افضل وارقى المخطوطات حيث يتمتع بقوة خارقة وسلسلة غير متوقعه في تعاملاته المتنوعه مما يشمل القدرة الفائقة علي خلق أجوبت مفيدة ومفصلّة حتى لو كانت طلباتها خارج السياق الأساسي لتدريباتهم الأصلية وهذا مردّه لقدرتها الهائلة علي استخراج العلاقات والمعاني المجملة داخل كل فقره تدربت عليه سابقًا .يعني هذا بأنه قادر ليس فقط لفهمه وحفظ المعلومات ولكنه باستطاعته ايضا الاستفادة منها لإعطاء ردود مقابله لمشاهد لم يتعرض لها ابدا من قبل ! وهذه الخاصيه تسمى بــ "الاستقطاعات" أو "التكييف الشفهي".

بينما ظهرت مجموعة أخرى موازية حديثة نسبياً تحت اسم Facebook AI Research, or FAIR للعام 2019 ، قامت بإطلاق برنامج FLOREAL LANGUAGE ACQUIREMENT SYSTEM - FLAN-.إن نظام FlAn عبارةٌ عمّا يعرف بنموذجيْ Multilingual language model وهو يستخدم شبكة عصبونية مؤلفة من عدة طبقات مدروسة خصوُصيا لاستيعاب وفهم العديد من اللغات الطبيعية بغرض الوصول لأعلى درجات فهم وتفسير النص المكتوب بأشكاله المختلفة سواء العربية أو الإنجليزية وغيرهما الكثيرمن حول العالم .وقد تميز الأخير بكونه عديدا الطبقات وبالتالي فإنه ذو قوة حسابية أكبر بكثير قياسا لنظيره السابق(gpt-3).ومن الجدير بالذكر أيضا أنه قد شمل بيانات مخصصة لكل ثقافة ولغة ضمن مجالات مختلفة ومتنوعة خلال مراحل تدريبه مما جعله يحقق نجاح باهر وصل به الي منافسة مباشرة مع برمجية الأشقاء الأمريكية!

في المقارنة المباشرة بين هذين العملاقين نجد نقاط مشتركة واضحة كالتركيز القوي علي استخدام الشبكات العصبونيّة المتعمِّقة كركيزة اساسية لبناء بنائه الداخلي وكذلك الاعتماد الكاسح علي حجم كبير جدًا من المحتويات الرقمية المتاحة علانية الإنترنت بهدف تحسين عملية تعلم وتحليل المضمون العام للنصوص الرقميّة المطروحة أمامها وذلك عبر تمرينات طويلة المدى تمتد لساعات لحساب نتائج الاحتمالية المناسبة للجواب المثالي الأكثر اقترابآ للحقيقة الواقعية بالنسبة له ذات طابع محدد سلفا اثناء فترة التدريب الاولية الخاصة بكل منهما...ولكن الاختلاف الرئيسي يكمن أساساً فيما يلي :

1 - عدد الطبقات المستخدمة داخل البنية الداخلية تؤثر بشدة علی مدى دقة وكفاءة جميع عمليات التنفيذ التي يقوم بها البرنامج؛ فمثلا بينما تضم architecture تصميم Gpt الثالث عشرطبقة رئيسيّة فهناك فلان يستغل حوالي ثمانية وثلاثين مستوى مختلف تمام التأليف عنه مما يعني امكانيتها الأكبر للتفاعل والاستشار الفعال مع أشكال متنوجة متغايرة لمنطقة جغرافيا مضبوطة مسبقا عند انشائه الأصلي ...

2 - إضافة إلي الفرق الواضح بحجم قاعدة التعليم لهاتين الطرقتان إذ بلغ الحجم الأكبر لقاعدة Training لدى آل FB نحو خمسماية مليار كلمة بينما لم تتجاوز تلك owned بواسطة الشركة الأم لشركة gpt ثلاثمية تسعين مليون فقط!!! الأمر المؤكد هنا يؤكد أهميت دور اتساع ذخائر معلومات所获 أثناء مرحلت اع