التحسين التلقائي للطلبات (APO)

لمساعدتك أكثر في طرح حالات استخدام واجهة برمجة التطبيقات ML Kit Prompt API في مرحلة الإنتاج، يسرّنا الإعلان عن ميزة "التحسين التلقائي للطلبات" (APO) التي تستهدف النماذج على الجهاز في Vertex AI. التحسين التلقائي للطلبات هو أداة تساعدك في العثور تلقائيًا على الطلب الأمثل لحالات استخدامك.

لم يعُد الذكاء الاصطناعي على الجهاز مجرد وعد، بل أصبح حقيقة في مرحلة الإنتاج. مع إصدار Gemini Nano v3، نضع إمكانات غير مسبوقة لفهم اللغة ومتعددة الوسائط في أيدي المستخدِمين 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 جهة الخادم، تميل النماذج اللغوية الكبيرة (LLM) إلى أن تكون عالية الإمكانات وتتطلب 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. وهذا يعني 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 التلقائي للطلبات (APO) على Vertex AI، يمكن للمطوّرين تحقيق جودة تقترب من الضبط الدقيق، مع العمل بسلاسة ضمن بيئة التنفيذ الأصلية لنظام Android. من خلال التركيز على تعليمات النظام الفائقة، يتيح "التحسين التلقائي للطلبات" للمطوّرين تخصيص سلوك النموذج بمزيد 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. سيتم تطبيق أي تحسينات على الطلبات يتم إجراؤها على نموذج Gemma 3N المفتوح المصدر على Gemini Nano V3 أيضًا. على الأجهزة المتوافقة، تستفيد واجهات برمجة التطبيقات GenAI في حزمة تعلّم الآلة من نموذج nano-v3 لتحقيق أقصى قدر من الجودة لمطوّري تطبيقات Android.

لا يتعامل "التحسين التلقائي للطلبات" مع الطلب كنص ثابت، بل كمساحة قابلة للبرمجة يمكن تحسينها. ويستفيد من نماذج 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 التلقائي للأخطاء: يحلّل "التحسين التلقائي للطلبات" أنماط الأخطاء من بيانات التدريب لتحديد نقاط الضعف المحدّدة في الطلب الأوّلي تلقائيًا.
2. استخلاص التعليمات الدلالية: يحلّل "التحسين التلقائي للطلبات" أمثلة تدريبية ضخمة لاستخلاص "الهدف الحقيقي" من مهمة، 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 التلقائي للطلبات" ويختبر العديد من الطلبات المرشّحة بالتوازي لتحديد الحد الأقصى العام للجودة.

لماذا يمكن أن تقترب جودة "التحسين التلقائي 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 تكون هندسة الطلبات فعّالة بحد ذاتها:

• الحفاظ على الإمكانات العامة: يجبر الضبط الدقيق ( PEFT/LoRA) أوزان النموذج على التركيز بشكل مفرط على توزيع معيّن للبيانات. يؤدي ذلك غالبًا إلى "النسيان الكارثي"، حيث يتحسّن النموذج في استخدام البنية المحدّدة، ولكنّه يصبح أسوأ في المنطق العام والسلامة. لا يغيّر "التحسين التلقائي 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 التلقائي للطلبات" من ذلك من خلال العثور على بنية التعليمات الدقيقة التي تتيح إمكانات النموذج الكامنة، وغالبًا ما يكتشف استراتيجيات قد يصعب على المهندسين البشريين العثور عليها. 

للتحقق من صحة هذا النهج، قيّمنا "التحسين التلقائي للطلبات" في أحمال عمل متنوعة في مرحلة الإنتاج. أظهرت عملية التحقق مكاسب ثابتة في الدقة بنسبة %5 إلى %8 في حالات استخدام مختلفة.وقد حقّق "التحسين التلقائي 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 تكون هندسة الطلبات فعّالة بحد ذاتها:

• الحفاظ على الإمكانات العامة: يجبر الضبط الدقيق ( PEFT/LoRA) أوزان النموذج على التركيز بشكل مفرط على توزيع معيّن للبيانات. يؤدي ذلك غالبًا إلى "النسيان الكارثي"، حيث يتحسّن النموذج في استخدام البنية المحدّدة، ولكنّه يصبح أسوأ في المنطق العام والسلامة. لا يغيّر "التحسين التلقائي 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 التلقائي للطلبات" من ذلك من خلال العثور على بنية التعليمات الدقيقة التي تتيح إمكانات النموذج الكامنة، وغالبًا ما يكتشف استراتيجيات قد يصعب على المهندسين البشريين العثور عليها. 

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

الخاتمة

يمثّل إصدار التحسين التلقائي 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 بدأت للتو باستخدام 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 الإنتاج اليوم باستخدام واجهة برمجة التطبيقات Prompt API في حزمة تعلّم الآلة وميزة "التحسين التلقائي للطلبات" في Vertex AI. 

روابط ذات صلة: 

• واجهة برمجة التطبيقات Prompt API في حزمة تعلّم الآلة
• مستندات أداة تحسين الطلبات في Vertex AI
• مدونة الإعلان عن نموذج Gemma 3N