التحسين التلقائي للطلبات (APO)

للمساعدة بشكل أكبر في طرح حالات استخدام واجهة برمجة التطبيقات Prompt API من حزمة تعلّم الآلة في مرحلة الإنتاج، يسعدنا الإعلان عن ميزة "التحسين التلقائي للطلبات" (APO) التي تستهدف النماذج على الجهاز في Vertex AI. "التحسين التلقائي للطلبات" هي أداة تساعدك في العثور تلقائيًا على الطلب الأمثل لحالات الاستخدام الخاصة بك.

لم يعد عصر الذكاء الاصطناعي على الجهاز مجرد وعد، بل أصبح حقيقة واقعة. مع إطلاق Gemini Nano الإصدار 3، نقدّم للمستخدمين إمكانات غير مسبوقة لفهم اللغة والتعامل مع الوسائط المتعددة مباشرةً على أجهزتهم. من خلال مجموعة نماذج Gemini Nano، نوفّر تغطية واسعة للأجهزة المتوافقة في جميع أنحاء منظومة Android المتكاملة. ولكن بالنسبة إلى المطوّرين الذين يعملون على إنشاء الجيل التالي من التطبيقات الذكية، فإنّ الوصول إلى نموذج قوي هو الخطوة الأولى فقط. يكمن التحدي الحقيقي في التخصيص: كيف يمكنك تخصيص نموذج أساسي لتحقيق أداء على مستوى الخبراء في حالة الاستخدام المحدّدة بدون مخالفة قيود أجهزة الجوّال؟

في عالم التطبيقات من جهة الخادم، تميل نماذج اللغات الكبيرة (LLM) إلى أن تكون عالية القدرة ولا تتطلّب الكثير من التكيّف مع المجال. وحتى عند الحاجة إلى خيارات أكثر تقدّمًا، يمكن أن تكون الخيارات مثل الضبط الدقيق لنموذج LoRA (Low-Rank Adaptation) خيارات مجدية. ومع ذلك، تعطي البنية الفريدة لـ Android AICore الأولوية لنموذج نظام مشترك وفعّال من حيث استخدام الذاكرة. وهذا يعني أنّ نشر مهايئات LoRA المخصّصة لكل تطبيق على حدة 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 تقارب الضبط الدقيق، وكل ذلك مع العمل بسلاسة ضمن بيئة التنفيذ الأصلية لنظام التشغيل Android. من خلال التركيز على تعليمات النظام الفائقة، تتيح APO للمطوّرين تخصيص سلوك النموذج بمستوى أعلى 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 المستندة إلى الذكاء الاصطناعي التوليدي في حزمة تعلُّم الآلة من نموذج nano-v3 لتحقيق أعلى جودة للمطوّرين على Android

تتعامل ميزة "التحسين المستند إلى الذكاء الاصطناعي" مع الطلب على أنّه ليس نصًا ثابتًا، بل مساحة عرض قابلة للبرمجة يمكن تحسينها. تستفيد هذه الميزة من النماذج المستندة إلى جهة الخادم (مثل Gemini Pro وFlash) لاقتراح الطلبات وتقييم الصيغ المختلفة والعثور على الصيغة الأفضل لمهمتك المحددة. تستخدم هذه العملية ثلاث آليات فنية محدّدة لتحسين الأداء إلى أقصى حدّ:

1. تحليل الأخطاء المبرمَج: يحلّل APO أنماط الأخطاء من بيانات التدريب لتحديد نقاط ضعف محدّدة تلقائيًا في الطلب الأوّلي.
2. تقطير التعليمات الدلالية: يحلّل هذا النموذج أمثلة تدريبية ضخمة لاستخلاص "النية الحقيقية" للمهمة، ما يؤدي إلى إنشاء تعليمات تعكس توزيع البيانات الحقيقية بشكل أكثر دقة.
3. اختبار المرشّحين المتوازيين: بدلاً من اختبار فكرة واحدة في كل مرة، تنشئ ميزة "تحسين أداء التطبيق" وتختبر العديد من المرشّحين للطلبات بشكل متوازٍ لتحديد الحد الأقصى العالمي للجودة.

لماذا يمكن أن تقترب APO من ضبط الجودة بدقة؟

من المفاهيم الخاطئة الشائعة أنّ الضبط الدقيق يؤدي دائمًا إلى جودة أفضل من تقديم الطلبات. بالنسبة إلى النماذج الأساسية الحديثة، مثل Gemini Nano v3، يمكن أن تكون هندسة الطلبات فعالة في حد ذاتها:

• الحفاظ على الإمكانات العامة: يؤدي الضبط الدقيق ( PEFT/LoRA) إلى فرض استخدام أوزان النموذج بشكل مفرط في توزيع معيّن للبيانات. يؤدي ذلك غالبًا إلى "النسيان الكارثي"، حيث يتحسّن النموذج في ما يتعلّق بالصيغة المحدّدة، ولكنّه يصبح أسوأ في ما يتعلّق بالمنطق العام والأمان. لا يؤثّر APO في الأوزان، ما يحافظ على إمكانات النموذج الأساسي.
• اتّباع التعليمات واستكشاف الاستراتيجيات: تم تدريب Gemini Nano v3 بشكل مكثّف على اتّباع تعليمات النظام المعقّدة. تستغلّ APO ذلك من خلال العثور على بنية التعليمات الدقيقة التي تتيح الاستفادة من الإمكانات الكامنة للنموذج، وغالبًا ما تكتشف استراتيجيات قد يصعب على المهندسين العثور عليها. 

للتحقّق من صحة هذا النهج، قيّمنا APO على أحمال عمل إنتاجية متنوعة. أظهرت عملية التحقّق التي أجريناها تحسّنًا ثابتًا في الدقة بنسبة تتراوح بين %5 و%8 في مختلف حالات الاستخدام، كما أنّ ميزة "التحسين المستند إلى التطبيق" حقّقت تحسّنًا كبيرًا في الجودة في العديد من الميزات التي تم تفعيلها على الجهاز فقط.

سير عمل سلس ومتكامل للمطوّرين

من المفاهيم الخاطئة الشائعة أنّ الضبط الدقيق يؤدي دائمًا إلى جودة أفضل من تقديم الطلبات. بالنسبة إلى النماذج الأساسية الحديثة، مثل Gemini Nano v3، يمكن أن تكون هندسة الطلبات فعالة في حد ذاتها:

• الحفاظ على الإمكانات العامة: يؤدي الضبط الدقيق ( PEFT/LoRA) إلى فرض استخدام أوزان النموذج بشكل مفرط في توزيع معيّن للبيانات. يؤدي ذلك غالبًا إلى "النسيان الكارثي"، حيث يتحسّن النموذج في ما يتعلّق بالصيغة المحدّدة، ولكنّه يصبح أسوأ في ما يتعلّق بالمنطق العام والأمان. لا يؤثّر APO في الأوزان، ما يحافظ على إمكانات النموذج الأساسي.
• اتّباع التعليمات واستكشاف الاستراتيجيات: تم تدريب Gemini Nano v3 بشكل مكثّف على اتّباع تعليمات النظام المعقّدة. تستغلّ APO ذلك من خلال العثور على بنية التعليمات الدقيقة التي تتيح الاستفادة من الإمكانات الكامنة للنموذج، وغالبًا ما تكتشف استراتيجيات قد يصعب على المهندسين العثور عليها. 

للتحقّق من صحة هذا النهج، قيّمنا APO على أحمال عمل إنتاجية متنوعة. أظهرت عملية التحقّق التي أجريناها تحسّنًا ثابتًا في الدقة بنسبة تتراوح بين %5 و%8 في مختلف حالات الاستخدام، كما أنّ ميزة "التحسين المستند إلى التطبيق" حقّقت تحسّنًا كبيرًا في الجودة في العديد من الميزات التي تم تفعيلها على الجهاز فقط.

الخاتمة

يمثّل إطلاق ميزة "تحسين الطلبات آليًا" نقطة تحوّل في مجال الذكاء الاصطناعي التوليدي على الجهاز فقط. من خلال سدّ الفجوة بين النماذج الأساسية والأداء على مستوى الخبراء، نقدّم للمطوّرين الأدوات اللازمة لإنشاء تطبيقات أكثر فعالية على الأجهزة الجوّالة. سواء كنت في بداية رحلتك مع تحسين Zero-Shot أو كنت بصدد التوسّع إلى مرحلة الإصدار العلني باستخدام التحسين المستند إلى البيانات، أصبح مسار الوصول إلى ذكاء عالي الجودة على الجهاز فقط أكثر وضوحًا.يمكنك إطلاق حالات الاستخدام على الجهاز فقط في مرحلة الإنتاج اليوم باستخدام Prompt API في "حزمة تعلُّم الآلة" و"التحسين التلقائي لطلبات البحث" في Vertex AI. 

روابط ذات صلة: 

• ‫واجهة برمجة تطبيقات توجيه الطلب في حزمة تعلّم الآلة،
• مستندات Vertex AI Prompt Optimizer
• مدوّنة الإعلان عن Gemma 3N