ما هو الاستدلال؟
Markdownتعرّف على ماهية الاستدلال بالذكاء الاصطناعي، وكيفية عمل الاستدلال الدفعي والطرفي والآني والمتدفق، وكيف يمكن للفرق معالجة تحديات الدقة والأداء والتكلفة.
ما هو الاستدلال (الذكاء الاصطناعي)؟
الاستدلال هو عملية توليد نموذج ذكاء اصطناعي لتنبؤات أو مخرجات استنادًا إلى بيانات جديدة. بعد التدريب، يكون نموذج الذكاء الاصطناعي قد تعلّم المعلمات والتمثيلات. وعندما يتلقى بيانات جديدة، يستخدمها لتوليد مخرج. يحدث الاستدلال أثناء مرحلة تشغيل تطبيق الذكاء الاصطناعي أو نشره، ويتيح مجموعة من حالات الاستخدام في العالم الحقيقي.
لماذا يُعد الاستدلال مهمًا؟
استدلال الذكاء الاصطناعي هو عملية توليد المخرجات من بيانات غير مرئية. بعد تعلّم الأنماط المعممة من مجموعات بيانات التدريب، يطبّق النموذج تلك الأنماط على بيانات جديدة.
على سبيل المثال، قد يُدرَّب نموذج ذكاء اصطناعي على صور طبية ممسوحة ضوئيًا ومعلّمة من قِبل مختصين طبيين. أثناء التدريب، يتعلم النموذج المؤشرات البصرية والارتباطات في البيانات. ويمكنه بعد ذلك تحديد الأورام أو الحالات غير الطبيعية المحتملة في صور جديدة من خلال الاستدلال. ويمكن للمختصين الطبيين تقييم دقة العملية باستخلاص النتائج من الصور نفسها.
بالمقارنة مع تقنيات التحليلات التقليدية، التي يحدد فيها الأشخاص القواعد ويختارون الأساليب الإحصائية، يتيح تدريب النماذج للنموذج اكتشاف أنماط معقدة يصعب ترميزها يدويًا. وتنبثق هذه الأنماط من معلمات النموذج. ويطبّقها الاستدلال على البيانات الجديدة.
ما أنواع استدلال التعلم الآلي؟
هناك عدة أنواع من استدلال التعلم الآلي (ML).
الاستدلال الدفعي
يُجري الاستدلال الدفعي تنبؤات باستخدام مجموعات تضم مدخلات بيانات متعددة. وهو مفيد في التطبيقات غير الحساسة للوقت والتي يمكنها انتظار المخرجات. على سبيل المثال، قد يعالج تطبيق ذكاء اصطناعي توليدي لتحليلات الأعمال التحديثات مرة كل ساعة بدلًا من معالجتها في الوقت الفعلي.
استدلال الذكاء الاصطناعي الطرفي
يُشغّل استدلال الذكاء الاصطناعي الطرفي نموذجًا على جهاز المستخدم أو بالقرب من مصدر البيانات. ولأن البيانات لا تحتاج إلى الإرسال إلى مركز معالجة، يمكن للاستدلال الطرفي تقليل زمن انتقال الشبكة. وهو مفيد في المواقع النائية ذات الاتصال المحدود أو على الأجهزة التي يكون فيها الاستدلال أساسيًا. وتعتمد سرعة المعالجة على الجهاز وزمن انتقال النموذج.
الاستدلال الآني
يولّد الاستدلال الآني المخرجات فورًا استجابةً لطلبات الإدخال. وتتلقى النماذج البيانات من مدخلات المستخدم أو مصادر البيانات المتصلة، مما يستدعي الحاجة إلى مخرج فوري. ويعتمد الاستدلال الآني على أنظمة ذكاء اصطناعي منخفضة زمن الانتقال، ويُستخدم عادةً في الأنظمة الحساسة للوقت. على سبيل المثال، تستخدمه المركبات ذاتية القيادة لدعم اتخاذ القرارات في الوقت المناسب.
الاستدلال المتدفق
يستخدم الاستدلال المتدفق خط أنابيب بيانات يقدّم المعلومات باستمرار إلى نموذج، والذي يولّد المخرجات في الوقت الفعلي. ومثل الاستدلال الآني، فهو يستجيب للبيانات الواردة، لكنه ينتج المخرجات باستمرار استنادًا إلى تدفق الإدخال. يستجيب الاستدلال الآني لمدخلات المستخدم أو الطلبات المباشرة، بينما يعالج الاستدلال المتدفق تدفقًا مستمرًا من البيانات الجديدة.
كيف يعمل الاستدلال؟
تعمل عدة تقنيات وأنظمة بيانات معًا لتوفير البنية التحتية لاستدلال الذكاء الاصطناعي.
البنية التحتية لنموذج التعلم الآلي
يصبح استدلال الذكاء الاصطناعي ممكنًا بعد تدريب النموذج. وقبل النشر، قد يمر النموذج بالتدريب والضبط الدقيق والتحقق وتحسين الاستدلال.
قد يتطلب النموذج المدرّب في بيئة الإنتاج قدرة حوسبة كبيرة من وحدات معالجة الرسومات (GPUs) ووحدات المعالجة المركزية (CPUs) ومسرّعات الذكاء الاصطناعي المتخصصة مثل AWS Inferentia. وتحتاج موارد الحوسبة أيضًا إلى التخزين والشبكات وخطوط أنابيب البيانات.
مدخلات المستخدم والمعالجة المسبقة للبيانات
قد تحتاج البيانات إلى المعالجة المسبقة قبل إدخالها إلى النموذج. على سبيل المثال، قد تستخدم نماذج الرؤية التطبيع، بينما قد تستخدم نماذج اللغة الكبيرة (LLMs) تقسيم النص إلى رموز. ويمكن أيضًا تنظيف البيانات لتحسين جودتها.
عملية الاستدلال
تأخذ عملية الاستدلال بيانات نظيفة وتجري تمريرة أمامية، تنقل فيها البيانات المعالجة مسبقًا عبر طبقات النموذج لتوليد مخرج. ويتضمن ذلك سلسلة من العمليات الحسابية.
توليد المخرجات والمعالجة اللاحقة
بعد التمريرة الأمامية، يولّد النموذج مخرجًا استنادًا إلى الأنماط التي تعلّمها من بيانات التدريب.
يمكن للمعالجة اللاحقة فحص المخرجات وتصفيتها وتنسيقها وفقًا للضوابط والسياسات. على سبيل المثال، يمكن أن تساعد الضوابط في منع الألفاظ النابية أو المحتوى الضار، ويمكن للتنسيق أن يكيّف المخرج مع نبرة العمل التجارية.
ما تحديات الاستدلال لنماذج الذكاء الاصطناعي؟
يمكن لعدة تحديات أن تؤثر في قدرة نموذج الذكاء الاصطناعي على إجراء الاستدلالات.
انحراف النموذج
يحدث انحراف النموذج عندما يصبح النموذج أقل فعالية بمرور الوقت مع تغيّر بيانات العالم الحقيقي مقارنةً بالبيانات التي دُرّب عليها. ويحدث انحراف البيانات عندما تتغير الأنماط في بيانات الإدخال. وإذا ظلت أوزان النموذج ثابتة بناءً على بيانات التدريب السابقة، فقد تجعل هذه التحولات مخرجاته غير دقيقة.
يحدث انحراف المفهوم عندما تتغير العلاقة بين مدخلات النموذج ومخرجاته أو تصبح أكثر تعقيدًا. على سبيل المثال، يستخدم نموذج ذكاء اصطناعي دُرّب على تحديد رسائل التصيد الاحتيالي أنماطًا تعلّمها لإجراء التنبؤات. وإذا غيّرت تقنيات جديدة طريقة تنفيذ محاولات التصيد الاحتيالي، فقد تصبح مخرجات النموذج أقل دقة. وقد تكون إعادة التدريب ضرورية لمراعاة هذه التغييرات.
في كلتا الحالتين، قد يبدأ نموذج كان أداؤه جيدًا في السابق بإنتاج إجابات أقل دقة أو غير صحيحة.
السرعة والأداء
يتطلب نشر نموذج ذكاء اصطناعي على نطاق واسع بنية تحتية قادرة على تقديم المخرجات بموثوقية. وقد تحتاج المؤسسات إلى معالجات رسومية وزمن انتقال منخفض وسرعات شبكة عالية ووحدات معالجة عالية الأداء إضافية للنماذج المعقدة.
تشمل الطرق الأخرى لتحسين السرعة والأداء تنقيح بنية البنية التحتية، واستخدام أجهزة متخصصة، وتطبيق تقنيات تحسين الاستدلال مثل التكميم لتقليل حجم النموذج.
يمكن لاختيار نهج استدلال مختلف، مثل الاستدلال الدفعي، تحسين الأداء لحالات استخدام محددة.
التكلفة
قد يؤدي تشغيل أعباء عمل الاستدلال إلى تكاليف غير متوقعة. وعلى نطاق واسع، أو عبر سياقات مختلفة عديدة، يمكن أن تزيد قدرة الحوسبة وحجم طلبات الاستدلال النفقات. ويمكن للمؤسسات إدارة التكاليف باستراتيجيات مثل تقليل حجم النموذج، والمعالجة المتوازية، واستخدام بنية تحتية سحابية ذات تحجيم تلقائي للاستدلال عبر الإنترنت.
أفضل الممارسات لتحسين دقة الذكاء الاصطناعي وفائدته
يعتمد تحسين دقة استدلال الذكاء الاصطناعي وفائدته جزئيًا على عمليات التدريب والتحسين. ويمكن لهذه الممارسات أن تساعد.
الاستثمار في جودة البيانات
تؤثر جودة مجموعات بيانات التدريب مباشرةً في قدرة النموذج على إجراء تنبؤات بشأن البيانات الجديدة وإنتاج مخرجات مفيدة. ويمكن للبيانات عالية الجودة، المصنفة جيدًا والمتسقة والخالية من الضوضاء، أن تحسن قدرة النموذج على تحديد الأنماط. ضع عمليات صارمة لإعداد البيانات، تشمل تنظيفها والتحقق من صحتها وتوحيدها ومعالجة حالات عدم الاتساق.
الاستعانة بموظفين ذوي مهارات
حيثما أمكن، أشرك أشخاصًا لديهم خبرة في تدريب النماذج وبنية مجموعة التقنيات التي تخطط لاستخدامها. ويمكن لخبراء المجال المساعدة في تصنيف البيانات، مما يجعلها أعلى جودة وأكثر شمولًا. وقد يؤدي تدريب النموذج على بيانات عالية الجودة إلى تحسين دقة مخرجاته.
إدراج قابلية التفسير للامتثال
ينبغي أن تكون مخرجات الاستدلال قابلة للتفسير. ويمكن لتقنيات قابلية التفسير أن تساعد في إظهار ميزات الإدخال التي أثرت في مخرج معين. وتستخدم أنواع نماذج التعلم الآلي المختلفة تقنيات مختلفة. فعلى سبيل المثال، يمكن تطبيق تفسيرات شابلي الإضافية (SHAP) على أي نموذج، وهي الأنسب للنماذج القائمة على الأشجار والنماذج الخطية والشبكات العصبية. ويمكن لقابلية التفسير أيضًا مساعدة المؤسسات على التوافق مع أطر الامتثال للذكاء الاصطناعي، بما في ذلك حق اللائحة العامة لحماية البيانات (GDPR) في التفسير للقرارات التي يتخذها الذكاء الاصطناعي.
كيف يمكن لـ AWS دعم استدلال الذكاء الاصطناعي؟
تصف AWS خدمات وبنية تحتية مصممة خصيصًا لمراحل مختلفة من دورة حياة التعلم الآلي ونماذج الذكاء الاصطناعي.
توفر Amazon SageMaker AI بيئة للتعلم الآلي لبناء النماذج المخصصة وتدريبها وتحسينها واختبارها وحوكمتها.
Amazon SageMaker AI خدمة مُدارة بالكامل، تضم أدوات للتعلم الآلي في مجموعة من حالات الاستخدام. وهي تدعم بناء النماذج وتدريبها ونشرها على نطاق واسع باستخدام أدوات مثل دفاتر الملاحظات ومصححات الأخطاء وأدوات تحليل الأداء وخطوط الأنابيب وعمليات التعلم الآلي (MLOps) في بيئة تطوير متكاملة (IDE).
تدعم SageMaker AI متطلبات الحوكمة عبر التدريب والاستدلال من خلال ضوابط الوصول والشفافية بشأن مشروعات التعلم الآلي. كما توفر أدوات لبناء النماذج التأسيسية (FMs)، وهي نماذج كبيرة دُرّبت على مجموعات بيانات واسعة، ولضبطها الدقيق والتجريب وإعادة التدريب والنشر.
تقدم AWS بنية تحتية سحابية لاستدلال الذكاء الاصطناعي، بما في ذلك وحدات معالجة رسومية متخصصة على Amazon EC2 وشرائح التعلم الآلي مثل AWS Inferentia.
ابدأ اليوم باستخدام استدلال نماذج التعلم الآلي على AWS عبر إنشاء حساب مجاني.
طبّق هذا الدليل باستخدام Ailoot
اربط نماذج الذكاء الاصطناعي بتطبيقاتك ووكلائك وأتمتاتك عبر واجهة Ailoot API واحدة. اختر النموذج المناسب لمهمتك واتبع وثائق Ailoot للبدء.