+86-315-6196865

كيفية مواجهة تحديات الذكاء الاصطناعي في التطبيقات الصناعية

Aug 19, 2023

نماذج اللغة الكبيرة (LLMs) قادرة على فهم وتفسير وتوليد اللغة البشرية ، وتؤدي ثورة في جميع مناحي الحياة. ومع ذلك ، فإنهم يواجهون أيضًا تحدياتهم الخاصة ، بما في ذلك توليد المعلومات غير الدقيقة أو المضللة (الهلوسة) ، ومخاوف الخصوصية ، وضغوط الأمن.

 

تتمتع نماذج اللغة الكبيرة بالوصول إلى كميات كبيرة من البيانات النصية ، ولكن قد تكون بيانات التدريب الخاصة بهم قديمة ولا تأتي إلا من المجال العام. تحتاج نماذج اللغة الكبيرة إلى الوصول إلى البيانات الصناعية للمؤسسة من أجل أن تعمل الذكاء الاصطناعي (AI) في الصناعة. من خلال "التدريب" نماذج لغة كبيرة على البيانات المجمعة والبيانات ذات الصلة ، يمكننا تحسين موثوقية ودقة استجاباتها في التطبيقات الصناعية.

 

لدمج الذكاء الاصطناعى التوليدي في استراتيجية رقمية ، يمكن أن تبدأ شركات التصنيع بثلاثة أبناء أساسية:

سياق البيانات

تعتبر البيانات السياقية أمرًا ضروريًا لضمان توفر نماذج اللغة الكبيرة استجابات ذات صلة وذات مغزى. على سبيل المثال ، عند البحث عن معلومات حول تشغيل الأصول الصناعية ، يصبح من الأهمية بمكان توفير البيانات والوثائق المتعلقة بتلك الأصول وعلاقاتها الدلالية الصريحة والضمنية. يتيح هذا السياق نماذج لغة كبيرة من فهم المهام وإنشاء إجابات مناسبة سياقًا.

خريطة المعرفة الصناعية

يعد إنشاء خرائط المعرفة الصناعية ضروريًا لتحسين جودة بيانات نماذج اللغة الكبيرة. يعالج هذا الرسم البياني البيانات عن طريق التطبيع والتوسيع والتحسين لضمان استجابات دقيقة وموثوقة. ينطبق القول القديم "القمامة في → القمامة خارج" على توليد الذكاء الاصطناعي ، مع التركيز على أهمية إثراء البيانات لتحسين أداء نماذج اللغة الكبيرة.

البحث عن توليد تحسين

يعد Generation Retrieval المعزز (RAG) نمطًا متقدمًا للتصميم يمكّن نماذج اللغة الكبيرة من الاستفادة من بيانات الصناعة المحددة في الاستجابة المباشرة للمطالبات. من خلال دمج التعلم السياقي ، يتيح RAG نماذج لغة كبيرة للسبب بناءً على بيانات من السياقات الخاصة ، وتوفير إجابات حتمية بدلاً من الاستجابات الاحتمالية بناءً على المعلومات العامة الحالية.

بالإضافة إلى ذلك ، تمكننا RAG من الحفاظ على حصرية وأمن البيانات الصناعية في المؤسسة. مثل أي تقنية متقدمة ، يمكن أن تكون نماذج اللغة الكبيرة عرضة للهجمات العدائية وتسرب البيانات. في بيئة صناعية ، تتطلب هذه المشكلات المزيد من الاهتمام بسبب البيانات الحساسة مثل التصميمات الملكية ومعلومات العميل.

ضمان عدم الكشف عن هويته ، وحماية البنية التحتية لنماذج اللغة الكبيرة ، وضمان أمن نقل البيانات ، وتنفيذ آليات المصادقة القوية هي خطوات مهمة للحد من مخاطر الأمن السيبراني وحماية المعلومات الحساسة. يسمح RAG بالحفاظ على التحكم في الوصول ، وبناء الثقة مع الشركات الكبيرة وتلبية متطلبات الأمان والمراجعة الصارمة.

من خلال الاستفادة من سياق البيانات ، الرسم البياني للمعرفة الصناعية ، وتقنيات الخرقة في حلول الذكاء الاصطناعي التوليدي ، لا يمكننا فقط مواجهة التحديات مثل تسرب البيانات والثقة والتحكم في الوصول ، ولكن أيضًا التأثير على الكفاءة الكلية وتكلفة الحل.

تحتوي نماذج اللغة الكبيرة على قيود على نافذة السياق التي تحد من نطاق الرموز التي يمكنهم مراعاتها عند الاستجابة لمطالبة. بالإضافة إلى ذلك ، يزيد كل رمز من التكلفة الإجمالية لكل استعلام. إذا كنت تفكر في هذه الاستفسارات كعمليات بحث في Google ، فيمكنك معرفة مدى سهولة إضافة التكاليف.

لحل هذه المشكلة ، أصبح تحديد البيانات الصناعية الخاصة بالسياق ، وخلق خرائط المعرفة الصناعية ، وتحسين الاستعلامات مع خرقة حاسمة. تضمن هذه الخطوات أن يتمتع مديرو المختبرات بإمكانية الوصول إلى مصدر إدخال قابل للبحث وذات معنى لاستخدام أكثر كفاءة لكميات هائلة من البيانات الصناعية.

في الختام ، على الرغم من أن نماذج اللغة الكبيرة توفر إمكانات كبيرة لمختلف الصناعات ، إلا أنه من الأهمية بمكان مواجهة التحديات مثل عدم الدقة ، ونقاط الضعف الأمنية ، ومخاطر الخصوصية. من خلال تجميع البيانات وإضفاء الطابع السياق ، يمكن أن يكون بناء خرائط المعرفة في الصناعة ، والاستفادة من التقنيات المتطورة مثل RAG ، ونماذج اللغة الكبيرة أحد الأصول القيمة في تبسيط العمليات ، وأتمتة المهام ، وتوفير رؤى قابلة للتنفيذ للشركات عبر الصناعات المختلفة.

 

قد يعجبك ايضا

إرسال التحقيق