كيف يساهم التحسين الآلي للطلبات في تحقيق تحسينات في الجودة لواجهة برمجة التطبيقات Prompt API في حزمة تعلّم الآلة؟

التحسين التلقائي للطلبات (APO)

لمساعدتك بشكل أكبر في طرح حالات استخدام واجهة برمجة التطبيقات ML Kit Prompt API في مرحلة الإنتاج، يسعدنا الإعلان عن ميزة "التحسين التلقائي للطلبات" (APO) التي تستهدف النماذج على الجهاز في Vertex AI. "التحسين الآلي 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 v3، نقدّم للمستخدمين إمكانات غير مسبوقة لفهم اللغة والتعامل مع الوسائط المتعددة مباشرةً على أجهزتهم. من خلال مجموعة نماذج Gemini Nano، نقدّم تغطية واسعة للأجهزة المتوافقة في 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 لحالة الاستخدام المحدّدة بدون مخالفة قيود أجهزة الجوّال؟

في عالم النماذج الكبيرة للّغات (LLM) من جهة الخادم، تميل هذه النماذج إلى أن تكون عالية الأداء وتتطلّب تعديلاً أقل على النطاق. 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 مخصّصة 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 التلقائي 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 تطبيقات الذكاء الاصطناعي التوليدي في حزمة تعلّم الآلة من نموذج nano-v3 لتحقيق أعلى جودة لمطوّري تطبيقات Android

لا تتعامل ميزة "التحسين التلقائي للتطبيق" مع الطلب على أنّه نص ثابت، بل على أنّه مساحة عرض قابلة للبرمجة يمكن تحسينها. يستفيد هذا النموذج من نماذج من 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. التحليل الآلي للأخطاء: يحلّل APO أنماط الأخطاء من بيانات التدريب لتحديد نقاط ضعف معيّنة في الطلب الأولي تلقائيًا.
2. تقطير التعليمات الدلالية: يحلّل هذا النموذج أمثلة تدريبية ضخمة لاستخلاص "النية الحقيقية" للمهمة، ما يؤدي إلى إنشاء تعليمات تعكس توزيع البيانات الفعلي 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 جودة الضبط الدقيق؟

من المفاهيم الخاطئة الشائعة أنّ الضبط الدقيق يؤدي دائمًا إلى جودة أفضل من استخدام 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 يؤثر 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 البشريين العثور عليها. 

للتحقّق من صحة هذا النهج، قيّمنا APO في أحمال عمل إنتاجية متنوعة. أظهرت عملية التحقّق التي أجريناها تحسّنًا ثابتًا في الدقة بنسبة تتراوح بين %5 و%8 في مختلف حالات الاستخدام.وقد أدّت ميزة "التعرّف الصوتي المتقدّم" إلى تحسينات كبيرة في الجودة في العديد من الميزات التي تم نشرها على الجهاز فقط.

سير عمل سلس ومتكامل للمطوّرين

من المفاهيم الخاطئة الشائعة أنّ الضبط الدقيق يؤدي دائمًا إلى جودة أفضل من استخدام 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 يؤثر 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 البشريين العثور عليها. 

للتحقّق من صحة هذا النهج، قيّمنا APO في أحمال عمل إنتاجية متنوعة. أظهرت عملية التحقّق التي أجريناها تحسّنًا ثابتًا في الدقة بنسبة تتراوح بين %5 و%8 في مختلف حالات الاستخدام.وقد أدّت ميزة "التعرّف الصوتي المتقدّم" إلى تحسينات كبيرة في الجودة في العديد من الميزات التي تم نشرها على الجهاز فقط.

الخاتمة

يمثّل إطلاق التحسين الآلي للطلبات 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 Zero-Shot Optimization أو كنت بصدد التحجيم إلى مرحلة الإصدار العلني باستخدام Data-Driven، أصبح مسار الوصول إلى ذكاء عالي الجودة على الجهاز فقط أكثر وضوحًا.يمكنك إطلاق حالات الاستخدام على الجهاز فقط في مرحلة الإصدار العلني اليوم باستخدام Prompt API من حزمة تعلّم الآلة و"التحسين الآلي للطلبات" من Vertex AI. 

روابط ذات صلة: 

• ‫حزمة تعلّم الآلة Prompt API،
• مستندات Vertex AI Prompt Optimizer
• مدوّنة الإعلان عن Gemma 3N