شركة Adaption تطلق AutoScientist لأتمتة الضبط الدقيق لنماذج الذكاء الاصطناعي

في يوم الأربعاء، قدمت شركة أبحاث الذكاء الاصطناعي Adaption أداة AutoScientist، وهي أداة جديدة مصممة لأتمتة عملية الضبط الدقيق التقليدية. والضبط الدقيق هو عملية أخذ نموذج ذكاء اصطناعي مدرب مسبقاً وتدريبه بشكل إضافي على مجموعة بيانات محددة لمساعدته على تعلم القدرات بسرعة أكبر. ووفقاً لـ Sara Hooker، المؤسس المشارك والرئيس التنفيذي لشركة Adaption والنائب السابق لرئيس أبحاث الذكاء الاصطناعي في شركة Cohere، فإن هذه الأداة تمثل تحولاً في كيفية اكتساب النماذج للمهارات. وأشارت Hooker إلى أن الأداة مثيرة للاهتمام لأنها تعمل على التحسين المشترك لكل من البيانات والنموذج لتعلم أفضل طريقة لاكتساب أي قدرة، مما يسمح للنظام بالتكيف مع مهام محددة أثناء التشغيل.

تعتمد الأداة الجديدة على منتج البيانات الحالي لشركة Adaption، وهو Adaptive Data، الذي يهدف إلى تسهيل بناء مجموعات البيانات بمرور الوقت. وبينما يركز Adaptive Data على تطوير مجموعات البيانات، صُممت AutoScientist لتحويل مجموعات البيانات التي تتحسن باستمرار إلى نماذج ذكاء اصطناعي تتحسن باستمرار أيضاً. وأوضحت Hooker أن رؤية Adaption هي أن حزمة التقنيات بأكملها يجب أن تكون قابلة للتكيف بالكامل وأن تتحسن أثناء التشغيل لأي مهمة معينة. ونظراً لثقة Adaption في أن المستخدمين سيلاحظون الفرق بمجرد تجربة AutoScientist، فإن المختبر يتيح الأداة للاستخدام المجاني لأول 30 يوماً بعد إطلاقها.

تدّعي شركة Adaption أن AutoScientist قد ضاعفت معدلات الفوز عبر نماذج مختلفة بأكثر من الضعف. ومع ذلك، فإن تقييم هذه التحسينات باستخدام مقاييس الصناعة القياسية أمر صعب. ونظراً لأن النظام مصمم لتكييف النماذج مع مهام محددة، فإن المعايير التقليدية لا تنطبق عليه. وتشمل هذه المعايير SWE-Bench، وهو معيار قياسي في الصناعة لتقييم نماذج الذكاء الاصطناعي في مهام هندسة البرمجيات، وARC-AGI، الذي يقيم النماذج في مهام الذكاء العام.

على الرغم من عدم التوافق مع المعايير التقليدية، تتوقع Adaption أن تخفض الأداة الحواجز أمام تدريب نماذج الذكاء الاصطناعي الرائدة. وقارنت Hooker إمكانات الأداة بالطريقة التي أدى بها توليد الأكواد البرمجية إلى فتح آفاق لمهام متنوعة، مشيرة إلى أنها ستطلق العنان للابتكار في طليعة مجالات مختلفة. وقالت Hooker، المؤسس المشارك والرئيس التنفيذي لشركة Adaption: “هذا يشير إلى أننا نستطيع أخيراً السماح بإجراء تدريبات ناجحة لنماذج الذكاء الاصطناعي الرائدة خارج هذه المختبرات”. ومن خلال أتمتة عملية التحسين، تعتقد الشركة أن الأداة قد تسمح بإجراء تدريب ناجح لنماذج الذكاء الاصطناعي الرائدة — في إشارة إلى النماذج المتقدمة والمتطورة — خارج مختبرات الذكاء الاصطناعي الكبرى.

لماذا يهم

تمثل الأداة تحولاً محتملاً نحو جعل تدريب نماذج الذكاء الاصطناعي الرائدة متاحاً خارج أكبر المختبرات وأفضلها تمويلاً، وذلك من خلال أتمتة التحسين المشترك للبيانات والنماذج.