كيف يساهم التحسين الآلي للطلبات في تحقيق مكاسب في الجودة لواجهة ML Kit’s GenAI Prompt API؟

التحسين الآلي للطلبات (APO)

لمساعدتك أكثر في طرح حالات استخدام واجهة Prompt API في حزمة تعلّم الآلة في مرحلة الإنتاج، يسرّنا الإعلان عن ميزة "التحسين الآلي للطلبات" (APO) التي تستهدف النماذج على الجهاز فقط في Vertex AI. التحسين الآلي للطلبات هو أداة تساعدك في العثور تلقائيًا على الطلب الأمثل لحالات استخدامك.

لم يعُد الذكاء الاصطناعي على الجهاز فقط مجرّد وعد، بل أصبح حقيقة في مرحلة الإنتاج. مع إصدار Gemini Nano v3، نضع إمكانات غير مسبوقة لفهم اللغة وإمكانات متعدّدة الوسائط في أيدي المستخدمين مباشرةً. من خلال مجموعة نماذج Gemini Nano، نوفّر تغطية واسعة للأجهزة المتوافقة في منظومة Android المتكاملة. ولكن بالنسبة إلى المطوّرين الذين ينشئون الجيل التالي من التطبيقات الذكية، لا يمثّل الوصول إلى نموذج قوي سوى الخطوة الأولى. يكمن التحدي الحقيقي في التخصيص: كيف يمكنك تخصيص نموذج أساسي لتحقيق أداء على مستوى الخبراء لحالة استخدامك المحدّدة بدون مخالفة قيود أجهزة الجوّال؟

في بيئات جهة الخادم، تميل النماذج اللغوية الكبيرة (LLM) إلى أن تكون عالية الإمكانات وتتطلّب قدرًا أقل من التكيّف مع المجال. وحتى عند الحاجة إلى ذلك، يمكن أن تكون الخيارات الأكثر تقدّمًا، مثل الضبط الدقيق لـ LoRA (Low-Rank Adaptation)، خيارات مجدية. ومع ذلك، تمنح البنية الفريدة لـ Android AICore الأولوية لنموذج نظام مشترك وفعّال من حيث الذاكرة. ويعني ذلك أنّ نشر أدوات LoRA المخصّصة لكل تطبيق فردي يواجه تحديات في خدمات النظام المشتركة هذه.

ولكن هناك مسار بديل يمكن أن يكون له التأثير نفسه. من خلال الاستفادة من التحسين الآلي للطلبات (APO) على Vertex AI، يمكن للمطوّرين تحقيق جودة تقترب من الجودة التي يتم الحصول عليها من خلال الضبط الدقيق، مع العمل بسلاسة ضمن بيئة التنفيذ الأصلية لنظام Android. من خلال التركيز على تعليمات النظام المتميّزة، يتيح التحسين الآلي للطلبات للمطوّرين تخصيص سلوك النموذج بقدر أكبر من المتانة وقابلية التوسّع مقارنةً بحلول الضبط الدقيق التقليدية.

ملاحظة: Gemini Nano V3 هو إصدار محسّن من حيث الجودة من نموذج Gemma 3N الذي حظي بإشادة واسعة. وستسري أيضًا على Gemini Nano V3 أي تحسينات يتم إجراؤها على الطلبات في نموذج Gemma 3N المفتوح المصدر. على الأجهزة المتوافقة، تستفيد واجهات حزمة تعلّم الآلة GenAI API من نموذج nano-v3 لتحقيق أقصى قدر من الجودة لمطوّري برامج Android.

لا يتعامل التحسين الآلي للطلبات مع الطلب كنص ثابت، بل كمساحة قابلة للبرمجة يمكن تحسينها. ويستفيد من النماذج من جهة الخادم (مثل Gemini Pro وFlash) لاقتراح الطلبات وتقييم الاختلافات والعثور على الطلب الأمثل لمهمتك المحدّدة. تستخدم هذه العملية ثلاث آليات فنية محدّدة لتحقيق أقصى قدر من الأداء:

1. التحليل الآلي للأخطاء: يحلّل التحسين الآلي للطلبات أنماط الأخطاء من بيانات التدريب لتحديد نقاط الضعف المحدّدة في الطلب الأوّلي تلقائيًا.
2. استخلاص التعليمات الدلالية: يحلّل التحسين الآلي للطلبات أمثلة تدريبية ضخمة لاستخلاص "النية الحقيقية" لمهمة ما، ما يؤدي إلى إنشاء تعليمات تعكس بدقة أكبر توزيع البيانات الحقيقية.
3. اختبار المرشّحين بالتوازي: بدلاً من اختبار فكرة واحدة في كل مرة، ينشئ التحسين الآلي للطلبات ويختبر العديد من الطلبات المرشّحة بالتوازي لتحديد الحد الأقصى العام للجودة.

لماذا يمكن أن تقترب جودة التحسين الآلي للطلبات من جودة الضبط الدقيق؟

من المفاهيم الخاطئة الشائعة أنّ الضبط الدقيق يحقّق دائمًا جودة أفضل من الطلبات. بالنسبة إلى النماذج الأساسية الحديثة، مثل Gemini Nano v3، يمكن أن يكون لهندسة الطلبات تأثير كبير بحد ذاتها:

• الحفاظ على الإمكانات العامة: يجبر الضبط الدقيق ( PEFT/LoRA) أوزان النموذج على التركيز بشكل مفرط على توزيع معيّن للبيانات. ويؤدي ذلك غالبًا إلى "النسيان الكارثي"، حيث يتحسّن النموذج في استخدام البنية المحدّدة، ولكنّه يصبح أسوأ في المنطق العام والسلامة. لا يغيّر التحسين الآلي للطلبات الأوزان، ما يحافظ على إمكانات النموذج الأساسي.
• اتّباع التعليمات واكتشاف الاستراتيجيات: تم تدريب Gemini Nano v3 بدقة على اتّباع تعليمات النظام المعقّدة. يستفيد التحسين الآلي للطلبات من ذلك من خلال العثور على بنية التعليمات الدقيقة التي تطلق الإمكانات الكامنة للنموذج، وغالبًا ما يكتشف استراتيجيات قد يصعب على المهندسين البشريين العثور عليها. 

للتحقق من صحة هذا النهج، قيّمنا التحسين الآلي للطلبات في أحمال عمل متنوعة في مرحلة الإنتاج. أظهرت عملية التحقق مكاسب متسقة في الدقة بنسبة تتراوح بين %5 و%8 في حالات استخدام مختلفة.وقد حقّق التحسين الآلي للطلبات تحسينات كبيرة في الجودة في ميزات متعدّدة تم نشرها على الجهاز فقط.

سير عمل سلس وشامل للمطوّرين

من المفاهيم الخاطئة الشائعة أنّ الضبط الدقيق يحقّق دائمًا جودة أفضل من الطلبات. بالنسبة إلى النماذج الأساسية الحديثة، مثل Gemini Nano v3، يمكن أن يكون لهندسة الطلبات تأثير كبير بحد ذاتها:

• الحفاظ على الإمكانات العامة: يجبر الضبط الدقيق ( PEFT/LoRA) أوزان النموذج على التركيز بشكل مفرط على توزيع معيّن للبيانات. ويؤدي ذلك غالبًا إلى "النسيان الكارثي"، حيث يتحسّن النموذج في استخدام البنية المحدّدة، ولكنّه يصبح أسوأ في المنطق العام والسلامة. لا يغيّر التحسين الآلي للطلبات الأوزان، ما يحافظ على إمكانات النموذج الأساسي.
• اتّباع التعليمات واكتشاف الاستراتيجيات: تم تدريب Gemini Nano v3 بدقة على اتّباع تعليمات النظام المعقّدة. يستفيد التحسين الآلي للطلبات من ذلك من خلال العثور على بنية التعليمات الدقيقة التي تطلق الإمكانات الكامنة للنموذج، وغالبًا ما يكتشف استراتيجيات قد يصعب على المهندسين البشريين العثور عليها. 

للتحقق من صحة هذا النهج، قيّمنا التحسين الآلي للطلبات في أحمال عمل متنوعة في مرحلة الإنتاج. أظهرت عملية التحقق مكاسب متسقة في الدقة بنسبة تتراوح بين %5 و%8 في حالات استخدام مختلفة.وقد حقّق التحسين الآلي للطلبات تحسينات كبيرة في الجودة في ميزات متعدّدة تم نشرها على الجهاز فقط.

الخاتمة

يمثّل إصدار التحسين الآلي للطلبات (APO) نقطة تحوّل للذكاء الاصطناعي التوليدي على الجهاز فقط. من خلال سد الفجوة بين النماذج الأساسية والأداء على مستوى الخبراء، نمنح المطوّرين الأدوات اللازمة لإنشاء تطبيقات جوّال أكثر متانة. سواء كنت في بداية استخدام التحسين بدون أمثلة أو كنت بصدد التوسّع إلى مرحلة الإصدار العلني باستخدام التحسين المستند إلى البيانات ، أصبح المسار المؤدي إلى الذكاء العالي الجودة على الجهاز فقط أكثر وضوحًا الآن.يمكنك طرح حالات استخدامك على الجهاز فقط في مرحلة الإصدار العلني اليوم باستخدام واجهة Prompt API في حزمة تعلّم الآلة وميزة "التحسين الآلي للطلبات" في Vertex AI. 

روابط ذات صلة: 

• واجهة ML Kit Prompt API
• مستندات أداة تحسين الطلبات في Vertex AI
• مدونة الإعلان عن Gemma 3N