الذكاء الاصطناعي المؤسسي: حلول خفيفة الوزن تتغلب على قيود البنية التحتية
تواجه المؤسسات اليوم معضلة حقيقية في مجال الذكاء الاصطناعي المؤسسي: الحاجة المتزايدة إلى نماذج لغوية متطورة قادرة على معالجة البيانات المعقدة، مقابل التكاليف الباهظة للبنية التحتية واستهلاك الطاقة اللازم لتشغيل الأنظمة الكبيرة. هذه القيود تجعل تبني الذكاء الاصطناعي غير عملي للعديد من الشركات، خاصة تلك التي تعمل في أسواق ذات موارد محدودة. لكن، هناك حلول مبتكرة تظهر في الأفق، مثل نموذج tsuzumi 2 الذي أطلقته شركة NTT Inc. مؤخرًا، والذي يمثل نقلة نوعية في هذا المجال.
tsuzumi 2: نموذج لغوي كبير وخفيف الوزن يغير قواعد اللعبة
أحدث إطلاق tsuzumi 2، وهو نموذج لغة كبير (LLM) يعمل بكفاءة على وحدة معالجة رسومات واحدة (GPU)، ضجة كبيرة في عالم التكنولوجيا. يكمن سر هذا النموذج في قدرته على تقديم أداء يضاهي النماذج الأكبر حجمًا، ولكن بتكلفة تشغيلية أقل بكثير. هذا يفتح الباب أمام المؤسسات التي كانت تستبعد سابقًا إمكانية استخدام الذكاء الاصطناعي، للاستفادة من هذه التكنولوجيا الثورية.
الحالة التجارية واضحة ومباشرة. فالنماذج اللغوية الكبيرة التقليدية تتطلب عشرات، بل ومئات، من وحدات معالجة الرسوميات، مما يؤدي إلى استهلاك هائل للكهرباء وتكاليف تشغيلية مرتفعة. بالنسبة للمؤسسات التي تعاني من قيود في البنية التحتية أو الميزانية، قد تكون هذه المتطلبات غير قابلة للتحقيق.
سيادة البيانات وأمن المعلومات: محركات رئيسية لتبني النماذج الخفيفة
لا يتعلق الأمر فقط بالتكلفة. فسيادة البيانات وأمن المعلومات يمثلان دافعًا قويًا لتبني نماذج LLM خفيفة الوزن، خاصة في الصناعات المنظمة. فالعديد من المؤسسات، مثل الجامعات والمؤسسات المالية، تتعامل مع معلومات حساسة تتطلب حماية خاصة.
جامعة طوكيو، على سبيل المثال، قامت بنشر tsuzumi 2 داخليًا لمعالجة بيانات الطلاب والموظفين، وهو ما يضمن الامتثال لمتطلبات سيادة البيانات الشائعة في المؤسسات التعليمية وغيرها من القطاعات الخاضعة للتنظيم. بالإضافة إلى ذلك، فإن تشغيل النموذج على وحدة معالجة رسومات واحدة يوفر للجامعة تجنب الاستثمار الرأسمالي الكبير في مجموعات وحدات معالجة الرسوميات وتكاليف الكهرباء المستمرة.
الأداء مقابل التكلفة: الاقتصاد الفني في خدمة المؤسسات
أظهرت التقييمات الداخلية لشركة NTT أن tsuzumi 2 يطابق أو يتجاوز أداء النماذج الخارجية الرائدة، على الرغم من متطلبات البنية التحتية الأصغر بكثير. هذا يبرز أهمية مفهوم “الأداء مقابل الموارد”، والذي يحدد مدى جدوى اعتماد الذكاء الاصطناعي للمؤسسات بناءً على التكلفة الإجمالية للملكية.
يوفر tsuzumi 2 “أفضل النتائج على مستوى العالم بين النماذج ذات الحجم المماثل” في أداء اللغة اليابانية، مع تركيز خاص على مجالات الأعمال التي تتطلب معرفة متخصصة وتحليلًا دقيقًا واتباعًا صارمًا للتعليمات، بالإضافة إلى ضمان السلامة. هذا التحسين للغة اليابانية يقلل من الحاجة إلى نشر نماذج أكبر متعددة اللغات، والتي تتطلب موارد حسابية أكبر بكثير، بالنسبة للمؤسسات التي تعمل بشكل أساسي في السوق اليابانية.
المعرفة المتخصصة وسهولة التطوير: RAG والضبط الدقيق
تتيح المعرفة المعززة في القطاعات المالية والطبية والعامة، والتي تم تطويرها بناءً على طلب العملاء، عمليات النشر الخاصة بالمجال دون الحاجة إلى إجراء عمليات ضبط شاملة. تسمح تقنية (جيل الاسترجاع المعزز) RAG وإمكانيات الضبط الدقيق للنموذج بتطوير تطبيقات متخصصة بكفاءة عالية للمؤسسات التي لديها قواعد معرفية خاصة أو مصطلحات خاصة بالصناعة، حيث قد يكون أداء النماذج العامة محدودًا.
تلبية متطلبات الوسائط المتعددة وسير العمل المؤسسي
يدعم tsuzumi 2 بشكل مدمج معالجة أنواع مختلفة من البيانات، بما في ذلك النصوص والصور والصوت، مما يجعله مناسبًا لتطبيقات المؤسسات المتنوعة. هذا مهم بشكل خاص لسير العمل الذي يتطلب من الذكاء الاصطناعي معالجة أنواع متعددة من البيانات دون الحاجة إلى نشر نماذج متخصصة منفصلة. على سبيل المثال، يمكن استخدام هذا النموذج في مراقبة جودة التصنيع وعمليات خدمة العملاء ومعالجة المستندات، حيث تتطلب هذه العمليات تحليلًا متكاملاً للبيانات النصية والمرئية والصوتية.
مقارنة بين النماذج الخفيفة والنماذج الكبيرة: سياق السوق
يختلف نهج NTT خفيف الوزن عن استراتيجيات التوسع الفائق التي تركز على النماذج الضخمة ذات القدرات الواسعة. في حين أن النماذج الرائدة من شركات مثل OpenAI وAnthropic وGoogle تقدم أداءً متطورًا، إلا أنها تتطلب ميزانيات كبيرة للذكاء الاصطناعي وفرق فنية متخصصة. هذا النهج يستبعد العديد من المؤسسات، خاصة في مناطق آسيا والمحيط الهادئ حيث تختلف جودة البنية التحتية بشكل كبير.
اعتبارات التنفيذ: تقييم الاحتياجات والمقايضات
عند تقييم نشر نماذج LLM خفيفة الوزن، يجب على المؤسسات مراعاة عدة عوامل:
- تخصص المجال: هل المعرفة المعززة في النموذج تغطي المجالات ذات الصلة باحتياجات المؤسسة؟
- اعتبارات اللغة: هل يدعم النموذج اللغات المطلوبة بأداء كافٍ؟
- تعقيد التكامل: هل تمتلك المؤسسة القدرات الفنية اللازمة لتثبيت النموذج وصيانته وتحديثه؟
- مقايضات الأداء: هل الأداء الخاص بالمجال كافٍ، أم أن المؤسسة تحتاج إلى القدرات الأوسع التي توفرها النماذج الكبيرة؟
مستقبل الذكاء الاصطناعي المؤسسي: نحو حلول أكثر كفاءة
يوضح نشر tsuzumi 2 من NTT أن تنفيذ الذكاء الاصطناعي المتطور لا يتطلب دائمًا بنية تحتية واسعة النطاق. تُظهر عمليات اعتماد المؤسسات المبكرة قيمة تجارية ملموسة: انخفاض تكاليف التشغيل، وتحسين سيادة البيانات، وأداء جاهز للإنتاج في مجالات محددة.
بينما تتنقل المؤسسات في رحلة تبني الذكاء الاصطناعي، فإن التوتر بين متطلبات القدرات والقيود التشغيلية يدفع بشكل متزايد الطلب على حلول متخصصة وفعالة. بالنسبة للمؤسسات التي تقوم بتقييم استراتيجيات نشر الذكاء الاصطناعي، فإن السؤال ليس ما إذا كانت النماذج خفيفة الوزن “أفضل” من النماذج الرائدة، بل ما إذا كانت كافية لتلبية احتياجات العمل المحددة مع مراعاة التكلفة والأمن والقيود التشغيلية.
والإجابة، كما توضح تجارب جامعة طوكيو وFUJIFILM، هي نعم بشكل متزايد.
أنظر أيضًا: كيف يستخدم ليفي شتراوس الذكاء الاصطناعي في نموذج أعماله الذي يعتمد على DTC أولاً
هل ترغب في معرفة المزيد عن الذكاء الاصطناعي والبيانات الضخمة من قادة الصناعة؟ تفضل بزيارة معرض الذكاء الاصطناعي والبيانات الضخمة الذي يقام في أمستردام وكاليفورنيا ولندن.