التاليالدليل التالي
سرية العميل عندما يستخدم المحامون أدوات الذكاء الاصطناعي
المجتمع
الدليل الفني
صانع الأدوات واستخدام الأدوات التي يتم تدريسها ذاتيًا
Toolformer هي طريقة Meta للذكاء الاصطناعي لعام 2023 تتيح لنموذج اللغة تعليم نفسه متى وكيف يتم استدعاء الأدوات الخارجية مثل الآلات الحاسبة ومحركات البحث والمترجمين.
استمع إلى هذا الدليلرواه الذكاء الاصطناعي · ~2 min
في هذه الصفحةقراءة لمدة دقيقتين
نظرة عامة
فبدلاً من تصنيف البشر لاستدعاءات الأداة، يقوم النموذج بإنشاء وتصفية أمثلة التدريب الخاصة به، ثم يقوم بضبط تلك التي تساعد بالفعل.
الغوص العميق
Toolformer، من شيك وآخرون. في Meta AI، يعالج مفارقة: النماذج الكبيرة رائعة في اللغة ولكنها سيئة في الحساب، والحقائق الجديدة، وعمليات البحث الدقيقة. حلقة التدريب تخضع للإشراف الذاتي. يتم إعطاء النموذج مجموعة من الأمثلة المكتوبة بواسطة الإنسان والتي تعرض بنية استدعاء واجهة برمجة التطبيقات (API)، ثم تتم مطالبته بإدراج استدعاءات مرشحة (ملفوفة برموز خاصة) في العديد من المواضع عبر مجموعة نصية كبيرة. يتم تنفيذ كل استدعاء مرشح فعليًا، ويتم دمج النتيجة. تحافظ خطوة التصفية الرئيسية على استدعاء الأداة فقط إذا كان الحصول على نتيجة واجهة برمجة التطبيقات (API) يقلل من حيرة النموذج بشأن النص الحقيقي القادم أكثر من عدم الاتصال، أو الاتصال بشكل مختلف. يتم بعد ذلك ضبط النموذج على مجموعة البيانات المفلترة والمولدة ذاتيًا، وتعلم كيفية استدعاء خمس أدوات: آلة حاسبة، ونظام ضمان الجودة، ومحرك بحث، ومترجم، وتقويم.
التنفيذ في العالم الحقيقي
استدعاء منتصف الجملة لواجهة برمجة تطبيقات الآلة الحاسبة للحصول على عملية حسابية دقيقة بدلاً من تخمين إجابة رقمية.
الاستعلام عن نظام بحث أو ضمان الجودة لجلب معلومات واقعية محدثة أو نادرًا ما يتم عرضها.
استدعاء أداة الترجمة الآلية لعرض عبارة بلغة أخرى داخل النص الذي تم إنشاؤه.
استخدام أداة التقويم/التاريخ لحل المراجع النسبية مثل "الجمعة القادمة" إلى تاريخ محدد.
مستقبل استخدام الأدوات والأدوات التي يتم تدريسها ذاتيًا
قام Toolformer بزرع وكلاء استخدام الأدوات واستدعاء الوظائف اليوم. وتنتقل الحدود من مجموعة ثابتة من الأدوات إلى العشرات أو المئات التي يتم اكتشافها في وقت التشغيل، مع نماذج تفكر في الأداة التي يجب استدعاؤها، وتسلسل الاستدعاءات، والتعامل مع حالات الفشل. توقع تكاملًا أكثر إحكامًا مع التعلم المعزز وحلقات الوكيل، بالإضافة إلى التعلم الفوري لواجهات برمجة التطبيقات الجديدة، بحيث يصبح استخدام الأدوات المدروسة ذاتيًا قدرة قياسية بدلاً من ضبط دقيق متخصص.
وضعها موضع التنفيذ
لماذا يهم
- التكلفة والميزانية. تؤدي قرارات الهندسة المعمارية إلى زيادة الأداء وتكلفة التشغيل لسنوات.
- قرارات أوضح. يساعد التعليم الفني الفرق على اختيار المجموعة المناسبة، وليس فقط المجموعة الأحدث.
- مراقبة الجودة. تعمل الخيارات الهندسية الأفضل على تقليل حوادث الموثوقية في الإنتاج.
احترس من
- يمكن أن يؤدي تحسين معيار واحد إلى إخفاء نقاط ضعف النظام الأوسع.
- غالبًا ما يتم التقليل من تكاليف البنية التحتية والصيانة.
- يمكن أن تنمو الفجوات الأمنية وقابلية المراقبة عندما تصبح الأنظمة أكثر تعقيدًا.
الخطوات التالية
- تحديد الكمون والجودة وأهداف التكلفة قبل التنفيذ.
- المعيار في ظل ظروف التحميل والبيانات الواقعية.
- مراقبة الأدوات للأخطاء والانجراف وتأثير المستخدم.
- قم بإعداد مسارات التراجع والاستجابة للحوادث قبل القياس.
استمر في الاستكشاف
رسالة إخبارية مجانية
احصل على الإحاطة اليومية لمنظمة العفو الدولية
ثلاث قصص تم التحقق منها بواسطة الذكاء الاصطناعي كل صباح من أيام الأسبوع، مكتوبة باللغة الإنجليزية البسيطة. مجاني للأبد، بدون إعلانات.
بريد إلكتروني واحد كل يوم من أيام الأسبوع. إلغاء الاشتراك بنقرة واحدة. نحن لا نبيع أو نشارك عنوانك أبدًا.
اختبر نفسك
شارك في اختبار استخدام أداة Toolformer والأداة التي يتم تدريسها ذاتيًا
تعليقات فورية على كل إجابة، وشهادة قابلة للمشاركة مع معرف يمكن التحقق منه بمجرد اجتياز الدورة التدريبية.
دعم تعليم الذكاء الاصطناعي المجاني. AI Understanding هي منظمة 501(c)(3) غير ربحية - لا إعلانات ولا نظام حظر الاشتراك غير المدفوع على الإطلاق. قم بالتبرع
الأسئلة المتداولة
ما هو استخدام أداة Toolformer والأداة التي يتم تدريسها ذاتيًا؟
Toolformer هي طريقة Meta للذكاء الاصطناعي لعام 2023 تتيح لنموذج اللغة تعليم نفسه متى وكيف يتم استدعاء الأدوات الخارجية مثل الآلات الحاسبة ومحركات البحث والمترجمين. فبدلاً من تصنيف البشر لاستدعاءات الأداة، يقوم النموذج بإنشاء وتصفية أمثلة التدريب الخاصة به، ثم يقوم بضبط تلك التي تساعد بالفعل.
ما الذي يجعل نهج Toolformer في استخدام أداة التعلم مميزًا؟
يتم الإشراف على Toolformer ذاتيًا: يقترح النموذج استدعاءات واجهة برمجة التطبيقات (API) المرشحة، وينفذها، ويحتفظ فقط بالاستدعاءات المفيدة، دون تعليق توضيحي بشري للاستخدام الصحيح.
ما هو المعيار الذي يستخدمه Toolformer لتحديد ما إذا كان سيتم الاحتفاظ باستدعاء API المرشح؟
يتم الاحتفاظ بالاستدعاء فقط إذا أدى إدراج نتيجته إلى تقليل حيرة/خسارة النموذج في النص الحقيقي القادم بما يتجاوز العتبة، مما يشير إلى أنه كان مفيدًا حقًا.
ما هي مجموعة الأدوات التي تعلم Toolformer الأصلي كيفية استخدامها؟
تم تدريب Toolformer لاستدعاء خمس واجهات برمجة التطبيقات: الآلة الحاسبة، ونظام الإجابة على الأسئلة، ومحرك البحث، والمترجم الآلي، والتقويم.
كيف يتم تمثيل استدعاءات الأداة في النص أثناء عملية Toolformer؟
يتم إدراج مكالمات المرشح ونتائجها المرتجعة بشكل مضمن في النص باستخدام رموز خاصة، بحيث يتعلم النموذج الموضع والوسيطات معًا.
ما هو الضعف الكامن في نماذج اللغة الكبيرة التي حفزت Toolformer؟
على الرغم من المهارات اللغوية القوية، فإن طلاب LLM يعانون من العمليات الحسابية الدقيقة والحقائق الحديثة واسترجاع المعلومات الدقيقة، والتي يمكن أن توفرها الأدوات الخارجية.
استمر في التعلم
أدلة ذات صلة
تم اختيار المزيد من الأدلة لهذا الموضوع