كيف يتيح التحسين التلقائي للطلبات تحقيق مكاسب في الجودة لواجهة برمجة التطبيقات GenAI Prompt API في ML Kit؟

التحسين التلقائي للطلبات (APO)

لمساعدتكم بشكل أكبر 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 تساعدكم في العثور تلقائيًا على الطلب الأمثل لحالات استخدامكم.

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 وإمكانات متعددة 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 يمكنكم تخصيص نموذج أساسي لتحقيق أداء على مستوى الخبراء لحالة استخدامكم المحدّدة بدون مخالفة قيود أجهزة الجوّال؟

في بيئات الخادم، تميل النماذج اللغوية الكبيرة (LLM) إلى أن تكون ذات إمكانات عالية 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 قابلة للتطبيق. 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 التلقائي 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 التشغيل Android. من خلال التركيز على تعليمات النظام المتقدّمة، 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. ستنطبق أيضًا على Gemini Nano V3 أي تحسينات يتم إجراؤها على نموذج Gemma 3N المفتوح المصدر. على الأجهزة المتوافقة، تستفيد واجهات برمجة التطبيقات GenAI في ML Kit من نموذج nano-v3 لتحقيق أقصى قدر من الجودة لمطوّري Android.

لا يتعامل التحسين التلقائي 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 لمهمتكم المحدّدة. تستخدم هذه العملية ثلاث آليات فنية محدّدة لتحقيق أقصى قدر من الأداء:

1. تحليل الأخطاء التلقائي: يحلّل التحسين التلقائي للطلبات أنماط الأخطاء من بيانات التدريب لتحديد نقاط الضعف المحدّدة في الطلب الأولي تلقائيًا.
2. استخلاص التعليمات الدلالية: يحلّل التحسين التلقائي للطلبات أمثلة تدريبية ضخمة لاستخلاص "الهدف الحقيقي" من مهمة، ما يؤدي إلى إنشاء تعليمات تعكس بشكل أكثر دقة 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 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 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 تتراوح بين %5 و%8 في حالات استخدام مختلفة.وقد حقّق التحسين التلقائي للطلبات تحسينات كبيرة في الجودة في ميزات متعدّدة تم نشرها على الجهاز.

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 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 تتراوح بين %5 و%8 في حالات استخدام مختلفة.وقد حقّق التحسين التلقائي للطلبات تحسينات كبيرة في الجودة في ميزات متعدّدة تم نشرها على الجهاز.

الخاتمة

يمثّل إصدار التحسين التلقائي للطلبات (APO) نقطة تحوّل للذكاء الاصطناعي التوليدي على الجهاز. من خلال سد الفجوة بين النماذج الأساسية والأداء على مستوى الخبراء، نمنح المطوّرين الأدوات اللازمة لإنشاء تطبيقات جوّال أكثر متانة. سواء كنتم في بداية استخدام التحسين بدون أمثلة أو كنتم بصدد التوسّع إلى مرحلة الإنتاج باستخدام التحسين المستند إلى البيانات ، أصبح المسار المؤدي إلى الذكاء العالي الجودة على الجهاز أكثر وضوحًا الآن. يمكنكم اليوم طرح حالات استخدامكم على الجهاز في مرحلة الإنتاج باستخدام واجهة برمجة التطبيقات Prompt API في ML Kit وميزة "التحسين التلقائي للطلبات" في Vertex AI. 

روابط ذات صلة: 

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