متى تستخدم النماذج اللغوية الصغيرة بدلاً من النماذج اللغوية الكبيرة

تستمر نماذج اللغة الكبيرة (LLMs) في السير على حبل مشدود بين الكفاءة والثقة. يعتبرها المستخدمون فعالة، لكنهم يشككون في دقتها.

يمكن أن تكون أيضًا مبالغًا فيها لبعض حالات الاستخدام. على سبيل المثال، قد لا يكون استخدام نماذج اللغة الكبيرة الخيار الأفضل لجميع مهام الموارد البشرية الداخلية، نظرًا لتكاليفها الحسابية العالية.

في كل هذه الصراعات، يظهر نوع أحدث من النماذج: نماذج اللغة الصغيرة (SLMs). هذه نماذج أبسط مدربة على مجموعة بيانات أصغر للقيام بوظيفة محددة جدًا. إنها تحقق جميع متطلبات الكفاءة العالية، والمزيد من الثقة، والتكلفة المنخفضة.

تقول بعض الدراسات الحديثة أيضًا أن نماذج اللغة الصغيرة هي مستقبل وكيل الذكاء الاصطناعي. في هذا المقال، قمت بإدراج حالات استخدام حيث يكون نموذج اللغة الصغير أكثر كفاءة من نموذج اللغة الكبير.

أهم حالات استخدام نماذج اللغة الصغيرة عبر وظائف الأعمال المختلفة

إذا كنت تتساءل من أين تبدأ رحلتك مع نماذج اللغة الصغيرة، فقد جمعت أفضل حالات استخدام نماذج اللغة الصغيرة عبر وظائف الأعمال الشائعة أدناه. 

خدمة الزبائن

يمكن أن تكون نماذج اللغة الكبيرة مفيدة لخدمة العملاء، ولكن مع تحذيرات كبيرة. هذه النماذج مدربة مسبقًا على مجموعة بيانات ضخمة، غالبًا ما يتم استخراجها من الإنترنت. قد تكون بعض هذه المعرفة قابلة للتطبيق أو غير قابلة للتطبيق على خدمة العملاء الخاصة بك، خاصة عندما تكون سياسات الشركة محددة. تصبح معرضًا لخطر وجود روبوتات دردشة تواجه العملاء وتهلوس. على سبيل المثال، وعد روبوت دردشة خدمة العملاء على موقع Air Canada عميلاً باسترداد أموال الوفاة ضد سياسة لم تكن موجودة أبدًا.

تعتبر نماذج اللغة الصغيرة أكثر منطقية لروبوتات الدردشة مع العملاء وبوابات الشكاوى. غالبًا ما تتعامل هذه البوابات مع مشكلات/استفسارات متكررة للغاية ولديها مستودع محدود من سياسات الشركة للرجوع إليها. يمكن تدريب النموذج بسهولة على بيانات تذاكر العملاء السابقة وسياسات الشركة. هذا يكفي للنموذج للإجابة على العملاء.

بالطبع، لا يمكن لنموذج اللغة الصغير التعامل مع كل شيء، وحيث لا يستطيع الروبوت الإجابة على الاستفسار، يمكنك دائمًا إشراك إنسان. إذا كان روبوت دردشة، يمكنك تقديم رقم دعم للعميل للاتصال به. إذا كانت منصة إدارة تذاكر، يمكن حل التذكرة تلقائيًا إذا كانت مشكلة معروفة لنموذج اللغة الصغير، وإلا يتم تعيينها لمسؤول دعم العملاء. على الأقل، يمكنك أن تطمئن إلى أن الأتمتة لا تعد العميل بشيء غير ممكن.

المبيعات/التسويق 

تتفوق نماذج اللغة الكبيرة بالتأكيد في بعض حالات الاستخدام في المبيعات والتسويق، خاصة إنشاء المحتوى. تساعد بيانات التدريب الأكبر في التعامل مع مواضيع مختلفة. لكن استخدام نماذج اللغة الكبيرة لمهام أكثر تخصصًا مثل تأهيل/رعاية العملاء المحتملين والتواصل الشخصي قد لا يكون الخيار الأفضل. لن تعطي ردودها العامة انطباعًا جيدًا لعملائك المحتملين.

يساعدك نموذج اللغة الصغير على إنشاء رسائل تواصل أكثر تخصيصًا. يمكن تدريبه على مجموعة البيانات الخاصة بك لتأهيل العملاء المحتملين. يمكنك صياغة بعض رسائل التواصل التي نجحت معك في الماضي واستخدام نماذج اللغة الصغيرة لإنشاء المزيد من رسائل التواصل بناءً عليها. تساعدك نماذج اللغة الصغيرة على الابتعاد عن رسائل التواصل العامة للذكاء الاصطناعي.

التمويل 

يمكن استخدام نماذج اللغة الكبيرة للتحليل العام للسوق. لكنها متأخرة في المهام عالية المخاطر مثل اكتشاف الاحتيال ومراقبة الامتثال. معدلات الاحتيال آخذة في الارتفاع في حسابات المستهلكين والأعمال. على الرغم من قيام الشركات ببناء أنظمة اكتشاف الاحتيال، يستمر المحتالون في إيجاد طرق جديدة لتجاوزها. يحتاج النموذج إلى إعادة تدريب مستمرة. هنا يتألق نموذج اللغة الصغير ويتراجع نموذج اللغة الكبير.

يستغرق الأمر وقتًا وموارد أكثر لإعادة تدريب نموذج اللغة الكبير مقارنة بنموذج اللغة الصغير. يمكن تحديث نموذج اللغة الصغير باستمرار بأحدث بيانات الاحتيال لجعل النظام أكثر قوة.

وبالمثل بالنسبة لبيانات الامتثال. يمكن أن تحتوي نماذج اللغة الكبيرة حتى على معلومات امتثال قديمة، مما يؤدي إلى فقدان بعض المعلومات. نموذج اللغة الصغير المدرب على مجموعة بيانات صغيرة سهل المراجعة والتحسين لضمان توفر أحدث اللوائح فقط في قاعدة المعرفة.

الموارد البشرية 

نماذج اللغة الكبيرة رائعة لصياغة الوصف الوظيفي العام، أو التواصل مع الموظفين، أو محتوى التدريب. المهام ذات مخاطر الامتثال العالية (مثال: إنشاء وثائق السياسة، واتفاقيات التوظيف، ووثائق الهجرة) هي المكان الذي تصبح فيه الأمور معقدة.

تستمر البلدان أو حتى الولايات في تحديث قوانين العمل الخاصة بها. على سبيل المثال، زادت الحكومة الأسترالية إجازة الوالدين إلى 24 أسبوعًا في عام 2025، وسيتم تمديدها بأسبوعين آخرين بدءًا من عام 2026. زادت نيويورك الحد الأدنى للأجر بالساعة لعمال الوظائف المؤقتة مؤخرًا. بدأت اليابان في تعزيز التوازن بين العمل والحياة وترتيبات العمل المرنة للآباء الجدد.

استخدام نماذج اللغة الكبيرة يعني التحقق المستمر من أن قاعدة المعرفة في الخلفية دقيقة ومحدثة. ترك أي ملف سياسة قديم عن طريق الخطأ في قاعدة البيانات سيؤدي إلى هلوسات.  

تعني نماذج اللغة الصغيرة المزيد من التحكم في قاعدة المعرفة والمزيد من الضمان للامتثال. على سبيل المثال، Deel AI هو نموذج لغة صغير تم تنظيمه بواسطة خبراء الامتثال. يقوم هؤلاء الخبراء بتحديث قاعدة المعرفة باستمرار حتى تحصل على أحدث الإجابات وأكثرها دقة.

عمليات الأعمال

يُظهر استطلاع جديد لتبني الذكاء الاصطناعي من G2 أن ما يقرب من 75% من الشركات تستخدم ميزات ذكاء اصطناعي متعددة في عمليات الأعمال اليومية. يقود الذكاء الاصطناعي الكفاءة التشغيلية ويحسن الإنتاجية. كل من نموذج اللغة الصغير ونموذج اللغة الكبير لهما دور في ذلك.

تتألق نماذج اللغة الكبيرة في المهام الاستراتيجية مثل إدارة المخاطر، والتنبؤ بالطلب، ومراجعة الموردين، والمزيد. تساعدها قاعدة المعرفة الواسعة على النظر في جميع الزوايا قبل تقديم اقتراح. من ناحية أخرى، يعمل نموذج اللغة الصغير بشكل أفضل للأعمال الروتينية المتكررة. فكر في إدارة الفواتير، وتتبع الشحنات، وتحسين المسار، والتحقق من الخلفية، أو الصيانة التنبؤية. يمكن أن تعمل المهام على مجموعة محدودة من القواعد وبيانات الشركة السابقة.

تستفيد الشركات من استخدام نموذج اللغة الصغير في المهام الروتينية المتكررة. على سبيل المثال، Checkr، وهي منصة فحص خلفية الموظفين، انتقلت من نموذج اللغة الكبير إلى نموذج اللغة الصغير لأتمتة عمليات التحقق من الخلفية وشهدت دقة أفضل، وأوقات استجابة أسرع، وتخفيضًا بمقدار 5 أضعاف في التكاليف.

نموذج اللغة الصغير مقابل نموذج اللغة الكبير: من يفوز في المعركة؟

في مقارنة نموذج اللغة الصغير ونموذج اللغة الكبير، الإجابة ليست الاختيار بين نموذج اللغة الصغير ونموذج اللغة الكبير. النهج الأفضل هو استخدامهما معًا كنموذج هجين. كل من نموذج اللغة الصغير ونموذج اللغة الكبير لديهما نقاط قوة وضعف خاصة بهما. يقوم نموذج اللغة الصغير بعمل جيد في المهام ذات النطاقات المحددة جيدًا ومجموعات البيانات المحدودة. ولكن بالنسبة للمهام التي تتطلب التفكير، فإن نموذج اللغة الكبير هو خيار أفضل بكثير.

لنأخذ إدارة سلسلة التوريد على سبيل المثال. النهج الهجين أفضل لإدارة سلسلة التوريد حيث:

• يتولى نموذج اللغة الكبير المهام الاستراتيجية مثل تحليل المخاطر، والتنبؤ بالطلب، والمزيد
• يقوم نموذج اللغة الصغير بأتمتة المهام التشغيلية ذات الحجم الكبير والمتكررة، مثل إدارة المسار، ومعالجة الفواتير، وما إلى ذلك.

استخدام كل من نموذج اللغة الصغير ونموذج اللغة الكبير معًا يخلق نموذجًا كاملاً للتعامل مع جميع تفاصيل سلسلة التوريد. ​

أفضل نماذج اللغة الصغيرة الجاهزة للتدريب المخصص

الشيء الجيد في البدء بتنفيذ نموذج اللغة الصغير الخاص بك هو أن هناك نماذج متاحة للضبط الدقيق. يمكنك اختيار واحد من هذه اعتمادًا على حالة الاستخدام الخاصة بك:

1. Meta Llama 3.1 (8B parameters): نموذج عالي الكفاءة يتميز بحالات الاستخدام التي تتطلب دعمًا متعدد اللغات
2. Microsoft Phi-3 (3.8B parameters): نموذج صغير مثالي عندما يكون لديك مهمة محددة للغاية تتطلب تفكيرًا قويًا.
3. Google Gemma 2 (2B parameters): نموذج خفيف الوزن مع قدرات متعددة الوسائط، يساعدك على التعامل مع النص والصور.

لم يكن استخدام نماذج اللغة الصغيرة بهذه السهولة من قبل

مع إطلاق المزيد من نماذج اللغة الصغيرة، لا يتعين عليك حتى إنشاء أي نموذج من الصفر. ما عليك سوى اختيار نموذج موجود يناسب حالة الاستخدام الخاصة بك، وبناء قاعدة معرفية للمعلومات له، وستكون جاهزًا للانطلاق.  

\n