تُعد نماذج اللغة الكبيرة (LLM) بسرعة متغيّرًا لقواعد اللعبة في مختلف الصناعات، مما يوفر للشركات فرصًا غير مسبوقة لتبسيط العمليات وزيادة الكفاءة ودفع الابتكار. من GPT-4 الخاص بـ OpenAI إلى Llama الخاص بـ Meta و Claude الخاص بـ Anthropic، تعمل منصات LLM القوية هذه على تغيير طريقة تفاعلنا مع التكنولوجيا. ومع ذلك، للاستفادة الكاملة من قوة هذه النماذج، يجب على الشركات تطوير استراتيجيات مدروسة تدمج LLM بسلاسة في سير عملها.
يعتقد راما راماكريشنان، أستاذ الممارسة في كلية سلون للإدارة بمعهد ماساتشوستس للتكنولوجيا، أن LLM هي تقنية تحويلية تمكن الشركات من إنشاء تطبيقات بسرعة غير مسبوقة. في ندوة عبر الإنترنت حديثة، حدد راماكريشنان ثلاثة مناهج متميزة يمكن للشركات من خلالها الاستفادة من LLM الجاهزة للتعامل مع مجموعة واسعة من المهام وحالات استخدام الأعمال: المطالبة والاسترجاع المعزز للجيل (RAG) والضبط الدقيق للتعليمات.
1. المطالبة: إطلاق العنان لقوة LLM
المطالبة هي أكثر أشكال الاستفادة من LLM مباشرة وسهولة في الوصول إليها، وهي تتضمن ببساطة طرح سؤال أو تعليمات على النموذج وتلقي استجابة مُولَّدة. هذا النهج فعال بشكل خاص للمهام التي يمكن إكمالها بنجاح باستخدام الفطرة السليمة والمعرفة اليومية، دون الحاجة إلى تدريب متخصص إضافي أو خبرة في المجال.
يؤكد راماكريشنان أن المطالبة فعالة بشكل خاص لأنواع معينة من مهام التصنيف. على سبيل المثال، يمكن لشركة تجارة إلكترونية الاستفادة من LLM لتحليل مراجعات العملاء للمنتجات المنشورة على موقعها على الويب. من خلال تزويد LLM بالمراجعات ومطالبتها بتحديد أوجه القصور المحتملة أو الميزات غير المرغوب فيها، يمكن للشركة الحصول على رؤى قيّمة لإبلاغ قرارات تطوير المنتج وتحسين رضا العملاء. تلغي هذه العملية الحاجة إلى وضع علامات وتصنيف المراجعات يدويًا، مما يوفر الوقت والموارد.
في قطاع العقارات، يمكن استخدام المطالبة لإنشاء أوصاف للممتلكات تلقائيًا. يمكن لوكلاء العقارات تزويد LLM بالخصائص الرئيسية والميزات البارزة، وفي غضون ثوانٍ، يقومون بإنشاء أوصاف مقنعة ومقنعة لجذب المشترين أو المستأجرين المحتملين. يمكّن هذا الوكلاء من التركيز على بناء العلاقات مع العملاء وإبرام الصفقات بدلاً من قضاء الوقت في الكتابة.
في الصناعة المالية، يمكن استخدام المطالبة لتحليل اتجاهات السوق وإنشاء تقارير استثمارية. يمكن للمحللين الماليين إدخال البيانات ذات الصلة ومعلومات السوق في LLM ومطالبتها بتحديد الأنماط وتقديم التوقعات وإنشاء تقارير ثاقبة. يساعد هذا المحللين على اتخاذ قرارات أكثر استنارة والبقاء على اطلاع بأحدث تطورات السوق.
على الرغم من أن المطالبة هي تقنية قوية، يجب على الشركات أن تكون على دراية بقيودها. عندما تتطلب المهمة معرفة متخصصة للغاية أو معلومات حديثة، قد لا تكون المطالبة كافية لتقديم نتائج دقيقة وذات صلة. في هذه الحالات، يمكن استخدام تقنيات أكثر تقدمًا، مثل RAG والضبط الدقيق للتعليمات.
2. الاسترجاع المعزز للجيل (RAG): تعزيز LLM بالبيانات ذات الصلة
الاسترجاع المعزز للجيل (RAG) هي تقنية أكثر تقدمًا تتضمن تزويد LLM بتعليمات أو أسئلة واضحة، إلى جانب البيانات أو المعلومات الإضافية ذات الصلة. هذا النهج فعال بشكل خاص للمهام التي تتطلب وصول LLM إلى المعلومات الحديثة أو المعرفة الخاصة.
على سبيل المثال، يمكن لمتاجر التجزئة استخدام RAG لإنشاء روبوت محادثة لخدمة العملاء قادر على الإجابة بدقة على الأسئلة المتعلقة بسياسات إرجاع المنتجات. من خلال تدريب روبوت المحادثة باستخدام وثائق سياسة إرجاع الشركة، يمكن لمتاجر التجزئة التأكد من أن العملاء يتلقون معلومات دقيقة وحديثة، مما يحسن رضا العملاء ويقلل من تكاليف الدعم.
يكمن جوهر RAG في قدرته على الاستفادة من محركات البحث التقليدية للمؤسسات أو تقنيات استرجاع المعلومات للعثور على المحتوى ذي الصلة من كميات كبيرة من المستندات. يمكّن هذا الشركات من الاستفادة من قواعد المعرفة الداخلية الشاملة وتزويد LLM بالسياق اللازم لإكمال المهام.
يمكن لمقدمي الرعاية الصحية استخدام RAG لمساعدة الأطباء في اتخاذ قرارات التشخيص والعلاج. من خلال تزويد LLM بتاريخ المريض ونتائج الاختبار والأبحاث الطبية، يمكن للأطباء الحصول على رؤى قيّمة تساعدهم في تحديد أنسب خيارات العلاج. يمكن أن يؤدي ذلك إلى تحسين نتائج المرضى وتقليل الأخطاء الطبية.
يمكن لشركات المحاماة استخدام RAG لمساعدة المحامين في إجراء البحوث وكتابة المذكرات. من خلال تزويد LLM بقانون السوابق القضائية واللوائح والمقالات القانونية ذات الصلة، يمكن للمحامين العثور بسرعة على المعلومات اللازمة لدعم قضاياهم. يمكن أن يوفر ذلك للمحامين الوقت والجهد ويسمح لهم بالتركيز على الجوانب المهمة الأخرى في القضية.
لتحقيق أقصى استفادة من المطالبة و RAG، يجب على الشركات مساعدة موظفيها على تطوير مهارات هندسة المطالبة. إحدى الطرق الفعالة هي المطالبة بـ “سلسلة التفكير”، حيث يوجه المستخدمون LLM إلى “التفكير خطوة بخطوة”. يؤدي هذا النهج غالبًا إلى نتائج أكثر دقة لأنه يشجع LLM على تقسيم المهام المعقدة والتفكير بطريقة منظمة.
يؤكد راماكريشنان على أن الحذر ضروري في هندسة المطالبة لضمان أن الإجابات التي تقدمها LLM هي بالفعل ما نحتاجه. من خلال صياغة المطالبات بعناية وتوفير السياق ذي الصلة، يمكن للشركات زيادة دقة وملاءمة النتائج التي تقدمها LLM.
3. الضبط الدقيق للتعليمات: تخصيص LLM لتلبية احتياجات محددة
الضبط الدقيق للتعليمات هي تقنية أكثر تقدمًا تتضمن استخدام أمثلة أسئلة وأجوبة خاصة بالتطبيق لتدريب LLM بشكل أكبر. هذا النهج فعال بشكل خاص للمهام التي تنطوي على مصطلحات ومعرفة خاصة بالمجال أو المهام التي يصعب وصفها بسهولة، مثل تحليل السجلات الطبية أو المستندات القانونية.
على عكس المطالبة و RAG، يتضمن الضبط الدقيق للتعليمات تعديل النموذج نفسه. من خلال تدريب LLM باستخدام بيانات خاصة بالتطبيق، يمكن للشركات تحسين دقتها وأدائها في مجال معين.
على سبيل المثال، ستحتاج المؤسسة التي تحاول إنشاء روبوت محادثة يساعد في التشخيص الطبي إلى تجميع مئات الأمثلة للأسئلة والأجوبة وتقديمها إلى LLM. سيتم إقران الاستعلامات التي تحتوي على تفاصيل حالة المريض بإجابات معقولة طبيًا، بما في ذلك التفاصيل المتعلقة بالتشخيصات المحتملة. ستؤدي هذه المعلومات إلى تدريب LLM بشكل أكبر وتحسين احتمالية تقديم إجابات دقيقة للأسئلة الطبية.
يمكن للمؤسسات المالية استخدام الضبط الدقيق للتعليمات لتحسين دقة أنظمة الكشف عن الاحتيال الخاصة بها. من خلال تدريب LLM باستخدام البيانات التاريخية للمعاملات الاحتيالية وغير الاحتيالية، يمكن للمؤسسات تحسين قدرتها على تحديد الأنشطة الاحتيالية. يساعد هذا المؤسسات على تقليل الخسائر المالية وحماية عملائها من الاحتيال.
يمكن لشركات التصنيع استخدام الضبط الدقيق للتعليمات لتحسين عمليات الإنتاج الخاصة بها. من خلال تدريب LLM بالبيانات المتعلقة بعملية الإنتاج، يمكن للشركات تحديد أوجه القصور وتحسين الكفاءة الكلية. يساعد هذا الشركات على خفض التكاليف وتحسين الإنتاجية.
في حين أن الضبط الدقيق للتعليمات هو تقنية قوية، إلا أنه قد يستغرق وقتًا طويلاً أيضًا. من أجل إنشاء البيانات المطلوبة لتدريب النموذج، قد تختار بعض الشركات استخدام LLM لإنشاء البيانات نفسها. تُعرف هذه العملية باسم إنشاء البيانات الاصطناعية ويمكن أن تكون فعالة في تقليل التكاليف والجهود المرتبطة بالضبط الدقيق للتعليمات.
العثور على النهج الصحيح لـ LLM
بينما تتعمق المؤسسات في LLM وتطبيقات الذكاء الاصطناعي التوليدية، ليس عليهم الاختيار بين هذه الأساليب، ولكن يجب عليهم اعتمادها في مجموعات مختلفة بناءً على حالة الاستخدام.
يعتقد راماكريشنان أن "المطالبة هي الأسهل من حيث مقدار العمل، تليها RAG، ثم الضبط الدقيق للتعليمات. كلما زاد مقدار العمل الذي يتم استثماره، زادت المكافآت."
من خلال التقييم الدقيق لاحتياجاتهم واختيار أنسب أسلوب LLM أو مجموعة من الأساليب، يمكن للشركات إطلاق العنان للإمكانات الكاملة لهذه التقنيات القوية ودفع الابتكار وزيادة الكفاءة وتحسين عملية صنع القرار. مع استمرار تطور LLM، يجب على الشركات أن تظل على اطلاع دائم بأحدث التطورات وتجربة التقنيات الجديدة للاستفادة الكاملة من فوائد هذه التقنيات الرائدة.