فصل ۱ · درس ۴ از ۴۳

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.

لایهٔ اول — توسعهٔ اپلیکیشنمهندسی پرامپت · ساخت زمینه · رابط کاربری · ارزیابیبیشترین کار یک مهندس هوش مصنوعی اینجاست — فصل‌های ۳ تا ۶لایهٔ دوم — توسعهٔ مدلمدل‌سازی و آموزش · تنظیم دقیق · مهندسی دیتاست · بهینه‌سازی استنتاجقلمرو کلاسیک مهندسی یادگیری ماشین — فصل‌های ۷ تا ۹لایهٔ سوم — زیرساختسرویس‌دهی مدل · مدیریت داده و محاسبات · پایش و رصدکمترین تغییر را داشته؛ نیازهایش با قبل یکی است — فصل ۱۰
سه لایهٔ پشتهٔ مهندسی هوش مصنوعی. رنگ پررنگ‌تر یعنی وقت بیشتری از یک مهندس هوش مصنوعی امروز آنجا می‌گذرد.

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:

محورML سنتیمهندسی هوش مصنوعی امروز
نقطهٔ شروعخودتان مدل را می‌سازید و آموزش می‌دهیداز مدلی استفاده می‌کنید که دیگری برایتان آموزش داده
تمرکز اصلیمدل‌سازی و آموزشتطبیق مدل و ارزیابی
اندازه و منابعمدل‌های کوچک‌تر، سبک‌ترمدل‌های غول‌پیکر → فشار روی بهینه‌سازی استنتاج و کار با خوشه‌های GPU
خروجیبسته 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 پرامپتتنظیم دقیق
وزن مدل عوض می‌شود؟نهبله
چطور مدل را تغییر می‌دهیدبا دستور و زمینه‌ای که به آن می‌دهیدبا تغییر خود مدل
داده لازمچند نمونهصدها تا هزاران نمونه
سختی شروعبسیار آسانپیچیده‌تر
مزیتمی‌توانید سریع چند مدل مختلف را امتحان کنیدکیفیت، تأخیر و هزینه را همزمان بهتر می‌کند
محدودیتبرای کارهای پیچیده یا الزامات سخت‌گیرانه کافی نیستکارهایی 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:

اصطلاحیعنی چهچه 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

آزمونک ۱

بزرگ‌ترین تفاوت مهندسی هوش مصنوعی با مهندسی یادگیری ماشین سنتی چیست؟

آزمونک ۲

کوانتیزیشن نوعی آموزش است یا نه؟

مرور فلش‌کارت‌های این درس

۷ کارت · ۰ مرور

وارد شوید تا پیشرفتتان ذخیره شود و از همین‌جا ادامه دهید.

آکادمی هوش مصنوعی شیدهوش — بخشی از shidhoosh.com