تحسين الطلبات آليًا (APO)

لمساعدتكم بشكل أكبر في طرح حالات استخدام واجهة برمجة التطبيقات ML Kit Prompt API في مرحلة الإنتاج، يسرّنا الإعلان عن ميزة "تحسين الطلبات آليًا" (APO) التي تستهدف النماذج على الجهاز في Vertex AI. ميزة "تحسين الطلبات آليًا" هي 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 جهة 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 مجدية. ومع ذلك، تمنح البنية الفريدة لـ Android AICore الأولوية لنموذج نظام مشترك وفعّال من حيث استخدام 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 ميزة "تحسين الطلبات آليًا" (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 Android. من خلال التركيز على تعليمات النظام الفائقة، تتيح ميزة "تحسين الطلبات آليًا" 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 تتعامل ميزة "تحسين الطلبات آليًا" مع الطلب كنص ثابت، بل كمساحة عرض قابلة للبرمجة يمكن تحسينها. تستفيد هذه الميزة من نماذج 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 آليًا: تحلّل ميزة "تحسين الطلبات آليًا" أنماط الأخطاء من بيانات التدريب لتحديد نقاط الضعف المحدّدة في الطلب الأوّلي تلقائيًا.
2. استخلاص التعليمات الدلالية: تحلّل هذه الميزة 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، تنشئ ميزة "تحسين الطلبات آليًا" وتختبر العديد من الطلبات المرشّحة بالتوازي لتحديد الحد الأقصى العام للجودة.

لماذا يمكن أن تقترب ميزة "تحسين الطلبات آليًا" 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 في حد ذاتها:

• الحفاظ على الإمكانات العامة: يؤدي الضبط الدقيق ( PEFT/LoRA) إلى إجبار أوزان النموذج على التركيز بشكل كبير على توزيع معيّن للبيانات. ويؤدي ذلك غالبًا إلى "النسيان الكارثي"، حيث يتحسّن النموذج في استخدام البنية المحدّدة، ولكنّه يصبح أسوأ في المنطق العام والأمان. لا تغيّر ميزة "تحسين الطلبات آليًا" الأوزان، ما يحافظ على إمكانات النموذج الأساسي.
• اتّباع التعليمات واكتشاف الاستراتيجيات: تم تدريب Gemini Nano v3 بدقة على اتّباع تعليمات النظام المعقّدة. تستفيد ميزة "تحسين الطلبات آليًا" من ذلك من خلال العثور على بنية التعليمات الدقيقة التي تتيح إمكانات النموذج الكامنة، وغالبًا ما تكتشف استراتيجيات قد يصعب على المهندسين البشريين العثور عليها. 

للتحقق من صحة هذا النهج، قيّمنا ميزة "تحسين الطلبات آليًا" في أحمال عمل متنوعة في مرحلة الإنتاج. أظهرت عملية التحقق مكاسب متسقة في الدقة بنسبة تتراوح بين %5 و%8 في حالات استخدام مختلفة.وقد حقّقت ميزة "تحسين الطلبات آليًا" 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 يكون لهندسة الطلبات تأثير كبير في حد ذاتها:

• الحفاظ على الإمكانات العامة: يؤدي الضبط الدقيق ( PEFT/LoRA) إلى إجبار أوزان النموذج على التركيز بشكل كبير على توزيع معيّن للبيانات. ويؤدي ذلك غالبًا إلى "النسيان الكارثي"، حيث يتحسّن النموذج في استخدام البنية المحدّدة، ولكنّه يصبح أسوأ في المنطق العام والأمان. لا تغيّر ميزة "تحسين الطلبات آليًا" الأوزان، ما يحافظ على إمكانات النموذج الأساسي.
• اتّباع التعليمات واكتشاف الاستراتيجيات: تم تدريب Gemini Nano v3 بدقة على اتّباع تعليمات النظام المعقّدة. تستفيد ميزة "تحسين الطلبات آليًا" من ذلك من خلال العثور على بنية التعليمات الدقيقة التي تتيح إمكانات النموذج الكامنة، وغالبًا ما تكتشف استراتيجيات قد يصعب على المهندسين البشريين العثور عليها. 

للتحقق من صحة هذا النهج، قيّمنا ميزة "تحسين الطلبات آليًا" في أحمال عمل متنوعة في مرحلة الإنتاج. أظهرت عملية التحقق مكاسب متسقة في الدقة بنسبة تتراوح بين %5 و%8 في حالات استخدام مختلفة.وقد حقّقت ميزة "تحسين الطلبات آليًا" تحسينات كبيرة في الجودة في ميزات متعدّدة تم نشرها على الجهاز فقط.

الخاتمة

يمثّل إصدار ميزة "تحسين الطلبات آليًا" (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 كنتم في بداية استخدام ميزة "التحسين بدون أمثلة" أو كنتم بصدد التوسّع إلى مرحلة الإصدار العلني باستخدام التحسين المستند إلى البيانات ، أصبح المسار المؤدي إلى الذكاء على الجهاز فقط عالي الجودة أكثر وضوحًا الآن.ابدأوا اليوم طرح حالات استخدامكم على الجهاز فقط في مرحلة الإنتاج باستخدام واجهة برمجة التطبيقات Prompt API في حزمة تعلّم الآلة وميزة "تحسين الطلبات آليًا" 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