نسل جدید مدل‌های زبانی عربی: از پیشرفت‌های نوین تا آینده‌ای هوشمندتر

به گزارش پیوست، طبق داده‌های استاتیستا، ۵۲.۱٪ از محتوای وب به زبان انگلیسی است و زبان عربی تنها ۰.۶٪ از محتوای وب را تشکیل می‌دهد. این کمبود در دسترسی به محتوای باکیفیت به زبان عربی، توسعه مؤثر مدل‌های زبانی بزرگ را دشوار می‌سازد. با این حال، در خاورمیانه، مدل‌های جدید هوش مصنوعی عربی در دو سال اخیر توسعه یافته است. از جمله این مدل‌ها، مدل متن‌باز فالکون از امارات متحده عربی است که در آزمایش‌های زبانی از غول‌های فناوری مانند متا پیشی گرفته است. این نوآوری با مدل Jais، که توسط G42 و Cerebras توسعه یافته، پیشرفت‌های قابل توجهی برای مدل‌های زبانی عربی به ارمغان آورده است.

عربستان سعودی در حال همکاری با شرکت‌های Tonomus و هوآوی برای پیشبرد توسعه هوش مصنوعی و مدل‌های زبانی عربی است. اخیراً، هوآوی یک مدل زبانی بزرگ عربی را در مصر معرفی کرده است، که به‌دنبال افزایش تقاضا برای هوش مصنوعی تولیدکننده در این منطقه انجام شده است.

عبدالله ابو شیخ، بنیان‌گذار Astra Tech و مدیرعامل Botim، می‌گوید:«برای ارتقای مدل‌های زبانی بزرگ عربی، همکاری میان شرکت‌های فناوری، مؤسسات علمی و دولت‌های محلی بسیار حائز اهمیت است.» او توضیح می‌دهد که این همکاری می‌تواند به گردآوری منابع و تخصص‌های لازم برای ایجاد مجموعه‌های داده‌ای غنی‌تر و جامع‌تر کمک کند.

ابو شیخ اضافه می‌کند: «علاوه بر این، به زیرساخت و منابع محاسباتی قدرتمندتر نیاز است که بتوانند پیچیدگی‌های پردازش زبان عربی را به‌خوبی مدیریت کنند.»

مشکل اصلی در مدل‌های زبانی عربی، ناهماهنگی گویش‌های مختلف است. تنوع گویش‌ها در مناطق مختلف پیچیدگی‌های بیشتری به وجود می‌آورد که می‌تواند منجر به نادرستی استدلال‌های مدل‌های هوش مصنوعی تولیدکننده شود.

متن‌های عربی اغلب شامل ارجاعات فرهنگی و نکات ظریف هستند که مدل‌ها ممکن است به‌راحتی نتوانند آن‌ها را درک کنند، به‌ویژه اگر مدل بر اساس داده‌های زبان‌های دیگر آموزش دیده باشد. علاوه بر این، کمبود منابع آموزشی مناسب نیز به چالش‌های بیشتری دامن می‌زند و توسعه و آموزش مدل‌های مؤثر را دشوارتر می‌کند.

تنوع نوشتاری

یکی از مشکلات مهم در زبان عربی، تنوع نوشتاری است. در خط عربی، کلمات بدون فاصله نوشته می‌شوند و قوانین مختلفی برای نشان دادن حروف صدادار و دیگر صداها وجود دارد. این موضوع می‌تواند تفکیک صحیح کلمات از متن را که برای ساخت مدل‌های زبانی عربی ضروری است، دشوار کند.

با این حال، راه‌حل‌هایی برای این مشکل وجود دارد. استفاده از روش‌های جدیدی مانند یادگیری بدون مشاهده (یادگیری مدل بدون نیاز به دیدن نمونه‌های قبلی) می‌تواند کمک‌کننده باشد. به گفته ایمد زیتونی از گوگل، با استفاده از این روش‌ها، ۱۱۰ زبان جدید به گوگل ترنسلیت اضافه شده است و همکاری با زبان‌شناسان و افراد بومی همچنان ضروری است.

علاوه بر این، آموزش مدل‌ها به زبان‌های مختلف می‌تواند عملکرد آن‌ها را بهبود بخشد. عبدالله ابو شیخ معتقد است که توسعه ابزارها و روش‌های خاص که متناسب با ویژگی‌های زبانی و فرهنگی جهان عرب‌زبان باشد، می‌تواند توانایی‌های این مدل‌ها را افزایش دهد.

استفاده از داده‌های مصنوعی

یکی از راه‌حل‌های رایج که محققان در حال بررسی آن هستند، استفاده از مدل‌های خودآموز است. داده‌های مصنوعی که برای آموزش مدل‌های یادگیری ماشین استفاده می‌شود، می‌توانند نقش مهمی در آینده مدل‌های زبانی بزرگ (LLMs) ایفا کند و شکاف‌هایی را که در آن‌ها داده‌های دقیق کافی وجود ندارد، پر کند. با این حال، استفاده از داده‌های مصنوعی باید به دقت ارزیابی شود تا از کیفیت و تناسب آن‌ها اطمینان حاصل شود.

یک مرحله کلیدی در این فرایند، داشتن روش های قوی‌تر برای فیلتر کردن و مرتب کردن  داده‌هاست تا بتوان به حداقل رساندن سوگیری‌ها از ابتدای کار کمک کرد. دکتر حاسید پیشنهاد می‌کند که مکانیزم‌های بررسی و صحت‌سنجی قوی پیاده‌سازی شده و قابلیت‌های پیشرفته استدلال به مدل‌ها افزوده شود.

او می‌گوید: «این تلاش‌ها باعث می‌شود مدل‌های زبانی بزرگ عادلانه‌تر، قابل اعتمادتر و قابل اطمینان‌تر در کاربردهای مختلف باشند. هدف، ایجاد تکنولوژی‌ای است که مردم بتوانند به آن اعتماد کنند و با اطمینان از آن استفاده کنند.»

دکتر حاسید اضافه می‌کند: «مدل‌های زبانی همیشه محدودیت‌های داده‌هایی که برای آموزش آن‌ها استفاده شده است را به ارث می‌برند. تحقیقات نشان می‌دهد که در حالی که استفاده معقول از داده‌های مصنوعی می‌تواند عملکرد مدل‌های زبانی بزرگ را بهبود بخشد، استفاده از آن‌ها باید کنترل شده و نه بیش از حد باشد.»

تضمین استانداردهای اخلاقی نیاز به رویکردی چندجانبه دارد. عبدالله ابو شیخ در این زمینه پیشنهاد می‌کند که مجموعه‌های داده‌های آموزشی متنوع و نماینده‌ای که منعکس‌کننده جمعیت‌شناسی و زمینه‌های فرهنگی مختلف باشند، تهیه شود. همچنین، استفاده از تکنیک‌های هوش مصنوعی قابل توضیح برای فهمیدن و حسابرسی کردن عملیات های هوش مصنوعی، نظارت مستمر بر سیستم‌های هوش مصنوعی برای شناسایی سوگیری‌ها و رفتارهای غیراخلاقی، ایجاد چارچوب‌های مدیریت روشن و همکاری با نهادهای نظارتی ضروری است.

با این حال، دکتر ژوکوف معتقد است که سناریوی محتمل‌تر شامل استفاده از مدل‌های بزرگ برای آموزش مدل‌های کوچکتر است. بسیاری از محققان در حال حاضر از GPT-4 برای تولید مجموعه‌های آموزشی یا ارزیابی خودکار عملکرد مدل استفاده می‌کنند. او می‌گوید: «خودآموزی محدودیت‌هایی دارد. وقتی داده‌ها دوباره تولید می‌شوند، اطلاعات جدیدی به مجموعه داده‌های اصلی اضافه نمی‌شود. از دست دادن این حلقه ممکن است به طور قابل توجهی عملکرد یا هوش مدل را بهبود نبخشد.»

نسل بعدی مدل‌های زبانی

کارشناسان پیش‌بینی می‌کنند که نسل بعدی مدل‌های زبانی در منطقه خاورمیانه، بهبود قابل توجهی خواهند داشت و از نظر کارایی، سرعت و دقت، در سطح بالاتری قرار خواهند گرفت. این مدل‌ها ویژگی‌هایی از جمله بومی‌سازی و حساسیت فرهنگی بیشتر خواهند داشت و به‌طور کامل چندمدلی خواهند بود، به این معنا که داده‌های متنی، صوتی و تصویری را به‌طور جامع با هم ترکیب خواهند کرد. همچنین، این مدل‌ها از زبان‌های بیشتری پشتیبانی خواهند کرد و تنوع زبانی منطقه را به‌خوبی منعکس خواهند کرد.

ایمد زیتونی از گوگل می‌گوید که آینده مدل‌های زبانی بزرگ (LLMs) در ساخت یک عامل هوش مصنوعی جهانی متمرکز است که بتواند به‌طور مفید در زندگی روزمره به کار رود. این عامل‌ها به‌طور یکپارچه با افراد تعامل خواهند داشت و از دیدگاه اول‌شخص عمل خواهند کرد. مدل‌ها قادر خواهند بود با نرم‌افزارهای دیگر صحبت کنند و آن‌ها را کنترل کنند.

دکتر حاسید معتقد است که فهم زمینه‌ای و شخصی‌سازی گام‌های طبیعی بعدی هستند. این فرآیند شامل تنظیم دقیق، مهندسی درخواست‌ها و بهبود خودکارسازی بازخورد کاربران خواهد بود.

عبدالله ابو شیخ می‌گوید:« برای بهره‌برداری از هوش مصنوعی تولیدی، مسیر پیش‌رو در مدل‌های بزرگ عملیاتی (LAMs) است که برخلاف مدل‌های زبانی بزرگ، ترکیبی از فهم زبان با منطق و استدلال برای انجام وظایف مختلف را فراهم می‌آورد.» این مدل‌ها امکان انتقال از تعاملات مبتنی بر کلیک به تعاملات مبتنی بر درخواست‌های متنی را فراهم می‌کنند، به‌طوری‌که کاربران انتظار دارند از طریق درخواست‌های طبیعی زبان با سیستم‌های هوش مصنوعی تعامل داشته باشند.

دکتر ژوکوف درباره مدل های فعلی گفت : «این تکنولوژی بسیار سریع در حال پیشرفت است، اما آنچه در نهایت مشخص است این است که نسخه‌های فعلی کارآمد نیستند.» او اضافه می‌کند:«پیشرفت بعدی مدل‌های زبانی بزرگ  فهم جهان جدیدی است که هنوز نداریم.جذاب‌ترین بخش این است که می‌توان انواع مختلفی از کاربردها را از این تکامل فناوری تصور کرد.»

در آینده، ممکن است با تعدادی مدل زبانی عربی بنیادین، هزاران مدل بزرگ عملیاتی و مدل‌های زبانی کوچکتر روبه‌رو شویم که بینش‌های ارزشمندی ارائه دهند. این مدل‌های هوش مصنوعی می‌توانند بسیار مفید باشند و کلید کشف قدرت واقعی هوش مصنوعی تولیدی به زبان عربی برای کسب‌وکارها باشند.