سه لایهٔ مهندسی هوش مصنوعی
هر روز ده ابزار تازه معرفی میشود و آدم حس میکند عقب مانده است. راه نجات این است که بهجای دنبال کردن ابزارها، ساختار زیرینشان را بفهمید.
هر اپلیکیشن هوش مصنوعی، هر قدر ساده یا پیچیده، از سه لایه ساخته شده است. معمولاً از بالا شروع میکنید و فقط در صورت نیاز پایین میروید.
چه چیزی عوض شد، چه چیزی نه
نکتهٔ جالب اینجاست: با آمدن مدلهای پایه، لایهٔ بالا منفجر شد — تعداد ابزارهای توسعهٔ اپلیکیشن در یک سال چند برابر شد. اما لایهٔ زیرساخت تقریباً همان ماند. دلیلش روشن است: مدلها و اپلیکیشنها عوض شدهاند، ولی نیاز به مدیریت منابع، سرویسدهی و پایش همان چیزی است که همیشه بوده.
مهندسی هوش مصنوعی در برابر مهندسی یادگیری ماشین
سه تفاوت اصلی وجود دارد و هر سه مهماند:
| محور | ML سنتی | مهندسی هوش مصنوعی امروز |
|---|---|---|
| نقطهٔ شروع | خودتان مدل را میسازید و آموزش میدهید | از مدلی استفاده میکنید که دیگری برایتان آموزش داده |
| تمرکز اصلی | مدلسازی و آموزش | تطبیق مدل و ارزیابی |
| اندازه و منابع | مدلهای کوچکتر، سبکتر | مدلهای غولپیکر → فشار روی بهینهسازی استنتاج و کار با خوشههای GPU |
| خروجی | بسته و قابل شمارش (مثلاً: تقلب/سالم) | باز — انعطاف بیشتر، ولی ارزیابی بهمراتب سختتر |
تطبیق مدل: دو خانوادهٔ بزرگ
همهٔ روشهای تطبیق، بر اساس یک سؤال ساده به دو دسته تقسیم میشوند: آیا وزنهای مدل را عوض میکنیم یا نه؟
| روشهای مبتنی بر پرامپت | تنظیم دقیق | |
|---|---|---|
| وزن مدل عوض میشود؟ | نه | بله |
| چطور مدل را تغییر میدهید | با دستور و زمینهای که به آن میدهید | با تغییر خود مدل |
| داده لازم | چند نمونه | صدها تا هزاران نمونه |
| سختی شروع | بسیار آسان | پیچیدهتر |
| مزیت | میتوانید سریع چند مدل مختلف را امتحان کنید | کیفیت، تأخیر و هزینه را همزمان بهتر میکند |
| محدودیت | برای کارهای پیچیده یا الزامات سختگیرانه کافی نیست | کارهایی که مدل اصلاً ندیده را بدون آن نمیشود یاد داد |
چهار کلمه که مدام قاطی میشوند
این چهار اصطلاح را همهجا میبینید و تفاوتشان اغلب توضیح داده نمیشود:
| اصطلاح | یعنی چه | چه کسی انجامش میدهد |
|---|---|---|
| پیشآموزش (pre-training) | آموزش مدل از صفر؛ وزنها تصادفی شروع میشوند. تا ۹۸٪ کل منابع محاسباتی یک مدل اینجا خرج میشود. | فقط چند شرکت بزرگ دنیا |
| پسآموزش (post-training) | ادامهٔ آموزش بعد از پیشآموزش — مثلاً یاد دادن اینکه دستور را دنبال کند. | سازندهٔ مدل، قبل از انتشار |
| تنظیم دقیق (finetuning) | از نظر مفهومی همان پسآموزش است؛ فقط وقتی شما روی مدل آمادهٔ دیگری انجامش میدهید اینطور صدایش میزنند. | شما، توسعهدهندهٔ اپلیکیشن |
| کوانتیزیشن (quantization) | کم کردن دقت عددی وزنها برای صرفهجویی در حافظه. آموزش حساب نمیشود چون چیزی یاد گرفته نمیشود. | شما، هنگام استقرار |
خودآزمایی
بزرگترین تفاوت مهندسی هوش مصنوعی با مهندسی یادگیری ماشین سنتی چیست؟
کوانتیزیشن نوعی آموزش است یا نه؟
مرور فلشکارتهای این درس
۷ کارت · ۰ مروروارد شوید تا پیشرفتتان ذخیره شود و از همینجا ادامه دهید.