Connect with us

التكنولوجيا

تعريف نموذج اللغة الكبير large language model (LLM)

Published

on

تعريف نموذج اللغة الكبير large language model (LLM)

نموذج اللغة الكبير (LLM) هو خوارزمية تعلم عميقة يمكنها تنفيذ مجموعة متنوعة من مهام معالجة اللغة الطبيعية (NLP). تستخدم النماذج اللغوية الكبيرة نماذج المحولات ويتم تدريبها باستخدام مجموعات بيانات ضخمة، وبالتالي فهي كبيرة. وهذا يتيح لهم التعرف على النص أو المحتوى الآخر أو ترجمته أو التنبؤ به أو إنشاؤه.

ويشار إلى نماذج اللغات الكبيرة أيضًا باسم الشبكات العصبية (NNs)، وهي أنظمة حاسوبية مستوحاة من الدماغ البشري. تعمل هذه الشبكات العصبية باستخدام شبكة من العقد ذات الطبقات، تشبه إلى حد كبير الخلايا العصبية.

بالإضافة إلى تدريس اللغات البشرية لتطبيقات الذكاء الاصطناعي، يمكن أيضًا تدريب نماذج اللغات الكبيرة على أداء مجموعة متنوعة من المهام مثل فهم هياكل البروتين، وكتابة أكواد البرامج، والمزيد. مثل الدماغ البشري، يجب تدريب نماذج اللغات الكبيرة مسبقًا ثم ضبطها بدقة حتى تتمكن من حل مشاكل تصنيف النص، والإجابة على الأسئلة، وتلخيص المستندات، وإنشاء النص. يمكن تطبيق قدراتها على حل المشكلات في مجالات مثل الرعاية الصحية والتمويل والترفيه حيث تخدم نماذج اللغة الكبيرة مجموعة متنوعة من تطبيقات البرمجة اللغوية العصبية، مثل الترجمة وروبوتات الدردشة ومساعدي الذكاء الاصطناعي وما إلى ذلك.

تحتوي نماذج اللغة الكبيرة أيضًا على عدد كبير من المعلمات، والتي تشبه الذكريات التي يجمعها النموذج أثناء تعلمه من التدريب. فكر في هذه المعلمات باعتبارها بنك المعرفة الخاص بالنموذج.

إذن ما هو نموذج المحولات؟

يعد نموذج المحول هو البنية الأكثر شيوعًا لنموذج اللغة الكبير. وهو يتألف من التشفير وفك التشفير. يقوم نموذج المحول بمعالجة البيانات عن طريق ترميز المدخلات، ثم إجراء معادلات رياضية في نفس الوقت لاكتشاف العلاقات بين الرموز المميزة. وهذا يمكّن الكمبيوتر من رؤية الأنماط التي قد يراها الإنسان إذا تم إعطاؤه نفس الاستعلام.

تعمل النماذج المتحولة بآليات الانتباه الذاتي، والتي تمكن النموذج من التعلم بسرعة أكبر من النماذج التقليدية مثل نماذج الذاكرة الطويلة وقصيرة المدى. الانتباه الذاتي هو ما يمكّن نموذج المحول من النظر في أجزاء مختلفة من التسلسل، أو سياق الجملة بأكمله، لتوليد التنبؤات.

المكونات الرئيسية لنماذج اللغة الكبيرة

تتكون النماذج اللغوية الكبيرة من طبقات شبكة عصبية متعددة. تعمل الطبقات المتكررة وطبقات التغذية الأمامية وطبقات التضمين وطبقات الانتباه جنبًا إلى جنب لمعالجة نص الإدخال وإنشاء محتوى الإخراج.

تقوم طبقة التضمين بإنشاء عمليات التضمين من نص الإدخال. يلتقط هذا الجزء من نموذج اللغة الكبير المعنى الدلالي والنحوي للإدخال، حتى يتمكن النموذج من فهم السياق.

تتكون طبقة التغذية الأمامية (FFN) لنموذج اللغة الكبير من عدة طبقات متصلة بالكامل تعمل على تحويل تضمينات الإدخال. ومن خلال القيام بذلك، تمكن هذه الطبقات النموذج من استخلاص تجريدات ذات مستوى أعلى – أي فهم نية المستخدم من خلال إدخال النص.

تفسر الطبقة المتكررة الكلمات الموجودة في نص الإدخال بالتسلسل. يجسد العلاقة بين الكلمات في الجملة.

تتيح آلية الانتباه لنموذج اللغة التركيز على أجزاء فردية من نص الإدخال ذي الصلة بالمهمة المطروحة. تسمح هذه الطبقة للنموذج بإنشاء المخرجات الأكثر دقة.

التكنولوجيا

حاملة الميسترال المصرية فى قوة البحرية الضاربة

Published

on

حاملة الميسترال المصرية فى قوة البحرية الضاربة

تعد “ميسترال” سفينة هجوم برمائي وحاملة للطائرات المروحية، تسلمت مصر الحاملة الأولى منها، “جمال عبد الناصر”، رسميا في شهر يونيو عام 2016، وتخدم الآن في الأسطول المصري الجنوبي بالبحر الأحمر ومقره مدينة سفاجا، وتم استلام الحاملة الثانية “أنور السادات”، رسميا في شهر سبتمبر 2016، وتخدم في الأسطول المصري الشمالي بالبحر المتوسط ومقره في مدينة الإسكندرية.

الميسترال مجهزة للعمل كمستشفى بحرى حيث تضم غرفتى عمليات – غرفة أشعة إكس – قسم خاص بالأسنان وتمتلك أحدث جيل من المساحات الإشعاعية كما تضم (69) سريرا طبيا وهي قادرة على إخلاء 2000 فرد

وتمتلك “ميسترال” قدرة كبيرة على حمل المروحيات المختلفة، حيث تم تخصيص سطح مساحته 5200 متر مربع، مجهز بـ 6 نقاط هبوط لمروحيات من جميع الأنواع، تتضمن نقطة هبوط أمامية مخصصة لمروحية ثقيلة تزن 35 طنا، ومصعدين لرفع المروحيات للسطح وإنزالها إلى الحظائر الداخلية البالغة مساحتها 1800 متر مربع، وتستطيع الحاملة تخزين 12-20 مروحية في حظائرها، وقد يزيد العدد في حال الاعتماد على المروحيات الخفيفة فقط، مع قدرة استيعاب المروحيات المرتفعة مثل “كاموف 52” الروسية، وتخزينها في الحظائر المصنعة خصيصا لاستيعابها.

Continue Reading

التكنولوجيا

“الذكاء الاصطناعي: نافذة جديدة لفهم المشاعر الإنسانية في عالم متغير”

Published

on

"الذكاء الاصطناعي: نافذة جديدة لفهم المشاعر الإنسانية في عالم متغير"

دراسة مثيرة تكشف عن قدرة الذكاء الاصطناعي على اكتشاف مشاعرنا المخفية، حيث أظهرت الأبحاث أن تقنيات الذكاء الاصطناعي يمكنها تحليل تعابير الوجه، نبرة الصوت، وحتى سلوكياتنا الدقيقة للكشف عن المشاعر التي نحاول إخفاءها. هذه النتائج تفتح آفاقًا جديدة لفهم أعمق للعواطف البشرية واستخدامات مبتكرة في مجالات مثل الطب النفسي والتفاعل البشري الرقمي.

الذكاء الاصطناعي أصبح الآن نسجاً حيوياً في خيوط حياتنا اليومية، متخطياً مجرد دوره في تحليل البيانات. عبر دمجه في هواتفنا وأجهزتنا، ومع تطبيقات مثل Chat GPT وGemini التي تولد النصوص والصور، أصبح الذكاء الاصطناعي جزءاً لا ينفصل عن نبضات تفاعلاتنا اليومية. إنه لا يكتفي بالتأثير على طريقة تفكيرنا وعملنا، بل يغزل خيوطاً جديدة في نسيج علاقاتنا الاجتماعية وحياتنا العاطفية، ليعيد تشكيل واقعنا بطرق لم نكن نتخيلها.

ومع ازدياد انتشار الذكاء الاصطناعي في مختلف جوانب حياتنا، يتساءل الباحثون عن قدرته على فهم المشاعر التي نخفيها وراء الكلمات التي نكتبها على الإنترنت. فهل يمكن للذكاء الاصطناعي، الذي يعتمد على تحليل البيانات بشكل أساسي، أن يتجاوز الكلمات الظاهرة ليكتشف العواطف الخفية وراءها؟

للإجابة عن هذا السؤال، قام فريق من الباحثين في جامعة أوكلاند في نيوزيلندا بإجراء دراسة جديدة لاستكشاف قدرة الذكاء الاصطناعي على فهم المشاعر الإنسانية المعقدة من النصوص المنشورة على الإنترنت.

اختار الباحثون منصة التواصل الاجتماعي X (تويتر سابقًا) كنموذج لدراسة كيفية ارتباط المشاعر التي يعبر عنها المستخدمون في منشوراتهم بقراراتهم في العالم الحقيقي، مثل اتخاذ قرار التبرع للمؤسسات الخيرية.

استغلال المشاعر لتوجيه السلوك:

لطالما اعتمد الباحثون على أسلوب تقليدي في تقييم المشاعر، والذي يقتصر على تصنيف الرسائل إلى إيجابية أو سلبية أو محايدة. ومع ذلك، فإن هذه الطريقة لا تعكس التعقيد الحقيقي للمشاعر التي يعبر عنها الناس في النصوص، حيث تتجاوز المشاعر البشرية هذه التصنيفات وتتنوع في درجاتها وأنواعها، مما يؤثر بشكل كبير على سلوكنا وقراراتنا. على سبيل المثال، رغم أن الغضب والإحباط قد يُعتبران وجهين لعملة واحدة، إلا أنهما يختلفان بشكل كبير في تأثيرهما على الأفراد، خاصة في بيئات العمل. فقد يؤدي غضب العميل إلى عواقب أكثر خطورة مقارنة بإحباطه.

لتجاوز محدودية الأساليب التقليدية، قام الباحثون بتطوير نموذج متقدم للذكاء الاصطناعي يعتمد على تقنية المحولات (Transformers)، وهي نوع من الشبكات العصبية العميقة التي حققت تقدمًا كبيرًا في معالجة اللغة الطبيعية. تتميز هذه المحولات بقدرتها على تحليل العلاقات المعقدة بين الكلمات داخل الجملة، مما يجعلها أدوات قوية لفهم المعاني والسياقات بشكل شامل.

ولتحسين دقة النموذج، قام الباحثون بتدريبه على مجموعة واسعة من البيانات التي تشمل ملايين الجمل المعبرة عن مشاعر متنوعة. وبفضل هذا التدريب المكثف، أصبح النموذج قادرًا على التمييز بين مجموعة من المشاعر المختلفة، مثل الفرح، والغضب، والحزن، والاشمئزاز، والخوف.

ثم استخدم الباحثون هذا النموذج لاكتشاف المشاعر الدقيقة التي يعبر عنها المستخدمون في منشوراتهم على منصة X. وقد حقق النموذج دقة مذهلة بلغت 84% في تحديد المشاعر من النصوص، مما يفتح آفاقًا جديدة لفهم السلوك البشري وتحليل الرأي العام. يمكن أن يؤثر هذا الاكتشاف بشكل كبير في تطوير العديد من المجالات، مثل التسويق، وخدمة العملاء، والرعاية الصحية، والتعليم.

أظهرت النتائج أيضًا وجود علاقة قوية بين المشاعر المعبر عنها في التغريدات وسلوك الأفراد في الحياة الواقعية. على سبيل المثال، اكتشف الباحثون أن التعبير عن الحزن في التغريدات يرتبط بزيادة في التبرعات لبعض المؤسسات الخيرية، بينما يرتبط الغضب بزيادة التبرعات لمؤسسات أخرى.

تطبيقات عملية لكشف المشاعر:

التسويق: يمكن للشركات الاعتماد على تحليل المشاعر لتقييم ردود فعل العملاء على منتجاتها وإعلاناتها، مما يمكنها من تصميم حملات تسويقية أكثر استهدافًا وفعالية.

خدمة العملاء: تتيح روبوتات الدردشة التي تستخدم تقنيات فهم المشاعر تقديم الدعم للعملاء بطريقة أكثر تعاطفًا وفاعلية، مما يسهم في تحسين تجربة العملاء.

الرعاية الصحية: يمكن أن يُستخدم تحليل المشاعر في تشخيص الاضطرابات النفسية، مثل الاكتئاب والقلق، من خلال فحص النصوص المكتوبة والمسموعة لمساعدة الأطباء في تحديد حالات المرضى.

الأبحاث الاجتماعية: توفر هذه التقنيات أدوات قيمة لدراسة الرأي العام حول قضايا محددة، مما يساعد على صياغة استراتيجيات فعالة في توجيه وتشكيل الرأي العام.

تخيل عالمًا تستطيع فيه الأجهزة قراءة أفكارنا ومشاعرنا بسهولة كما نقرأ كتابًا. قد يبدو هذا الأمر وكأنه من عالم الخيال العلمي، لكنه أصبح واقعًا بفضل التطورات السريعة في مجال الذكاء الاصطناعي. بفضل التقنيات الحديثة، أصبح بالإمكان الآن تحليل النصوص المكتوبة والمسموعة والمرئية لفهم المشاعر والعواطف بدقة متناهية.

 

Continue Reading

التكنولوجيا

“الذكاء الاصطناعي في الرعاية الصحية: تعزيز دقة تشخيص سرطان الجلد ودوره في تحسين رعاية المرضى”

Published

on

"الذكاء الاصطناعي في الرعاية الصحية: تعزيز دقة تشخيص سرطان الجلد ودوره في تحسين رعاية المرضى"

أسهم استخدام أدوات الذكاء الاصطناعي في قطاع الرعاية الصحية في تحقيق تقدم كبير في أساليب التشخيص والعلاج. بالإضافة إلى ذلك، يزداد توجه الأطباء نحو اختبار واستخدام الروبوتات المعتمدة على الذكاء الاصطناعي في ممارساتهم الطبية اليومية.

بالنسبة لسرطان الجلد، يُتوقع أن تُستخدم أدوات التشخيص المعتمدة على الذكاء الاصطناعي بشكل واسع في المستقبل، نظرًا لدورها الهام في دعم أطباء الجلد وطلاب الطب في تشخيص حالات الإصابة بسرطان الجلد بدقة عالية.

وفقًا لدراسة نُفذت في كلية الطب بجامعة ستانفورد ونُشرت في أبريل من هذا العام في مجلة npj Digital Medicine، يمكن للأدوات المعتمدة على الذكاء الاصطناعي أن تعزز دقة تشخيص سرطان الجلد لدى الأطباء وطلاب الطب.

أكد الباحثون أن أدوات تشخيص سرطان الجلد المعتمدة على الذكاء الاصطناعي تشهد تطورًا سريعًا، ومن المتوقع أن تُستخدم هذه الأدوات على نطاق واسع بعد اجتيازها للاختبارات والتحقق المناسبين.

أكد الباحثون أن أدوات الذكاء الاصطناعي تلعب دورًا مساعدًا للأطباء ولا تُعتبر بديلاً لهم. كما قام الفريق بالتحقق من تأثير دعم الذكاء الاصطناعي على الأداء التشخيصي للأطباء.

أوضح Jiyeong Kim، الباحث في مركز ستانفورد للصحة الرقمية، أن الدراسة التي أجراها مع زملائه قارنت بين الأطباء الذين يعملون دون الاستعانة بالذكاء الاصطناعي وأولئك الذين يستخدمون الذكاء الاصطناعي في تشخيص سرطان الجلد.

كشفت الدراسة أن مقدمي الرعاية الصحية في مختلف مستويات التدريب والتخصصات استفادوا بشكل عام من استخدام أدوات الذكاء الاصطناعي في عملهم. حيث تمكن الأطباء والطلاب الذين لا يعتمدون على الذكاء الاصطناعي من تشخيص 74.8% من حالات سرطان الجلد بدقة، بالإضافة إلى تحديد 81.5% من المرضى الذين يعانون حالات جلدية مشابهة للسرطان بشكل صحيح.

في المقابل، استطاع الأطباء الذين يعملون بمساعدة الذكاء الاصطناعي تحديد حوالي 81.1% من حالات سرطان الجلد، و86.1% من الإصابات الجلدية المشابهة للسرطان بدقة عالية.

لتحديد الفئة الأكثر استفادة من استخدام الذكاء الاصطناعي في التشخيص، أجرى الباحثون تحليلات فرعية. وقد أظهرت هذه التحليلات أن جميع الفئات الطبية استفادت من هذه الأدوات، لكن أكبر التحسينات كانت بين غير أطباء الجلدية.

لاحظ الباحثون أن هذه النتائج تُبرز إمكانيات الذكاء الاصطناعي في تعزيز تجربة التعليم لطلاب التخصصات الطبية التي تعتمد على التصوير، مثل الأمراض الجلدية والأشعة.

قالت الدكتورة Eleni Linos، مديرة مركز الصحة الرقمية وأستاذة الأمراض الجلدية وعلم الأوبئة في جامعة ستانفورد وإحدى المشاركات في الدراسة: “هذا يُظهر بوضوح كيف يمكن استخدام الذكاء الاصطناعي بالتعاون مع الأطباء لتحسين رعاية المرضى”.

أضافت: “إذا كانت هذه التكنولوجيا قادرة على تحسين دقة التشخيص لدى الأطباء وتوفير الوقت لهم، فإنها ستكون مفيدة لكل من الطبيب والمريض. بالإضافة إلى ذلك، فإنها تساعد المرضى في الحصول على تشخيص دقيق لحالاتهم، مما يمكن أن يقلل من إرهاق الأطباء ويُحسن العلاقات الشخصية بين الأطباء ومرضاهم”.

تعتبر هذه الدراسة جزءًا من مجموعة من الأبحاث التي تستكشف كيفية تعزيز أدوات التحليل المتقدمة المدعومة بالذكاء الاصطناعي والتعلم العميق لرعاية مرضى السرطان بمختلف أنواعه. كما تشير هذه الدراسة إلى التطورات المستقبلية المرتقبة في قطاع الرعاية الصحية، خاصة في مجال تشخيص سرطان الجلد الذي أصبح شائعًا بشكل كبير في الوقت الحالي.

وفقًا لدراسة نُشرت في مجلة BMJ Oncology، زاد عدد الأشخاص الذين تقل أعمارهم عن 50 عامًا والمشخصين بالإصابة بالسرطان في جميع أنحاء العالم بنحو 80% خلال الثلاثين عامًا الماضية. كما ارتفعت معدلات الإصابة بسرطان الجلد الميلانيني بنسبة تقارب الثلثين (38%) خلال العقد الماضي.

تُظهر هذه الأرقام الحاجة إلى أدوات متطورة قادرة على اكتشاف هذا النوع من السرطان بسرعة، حيث إن اكتشاف سرطان الجلد في مرحلة مبكرة يسهل علاجه.

Continue Reading

تابعنا

Advertisement

تابعونا

متميزة

رسالتك علي الهوا