باختصار
إن كانت مُدخلاتكم بيانات منظَّمة أو نصوصًا قصيرة موسومة، وكان الناتج رقمًا أو فئة أو ترتيبًا، فجرّبوا نموذجًا تقليديًا أولًا: نموذجًا خطيًا، أو أشجارًا معزَّزة بالتدرج، أو مصنِّفًا صغيرًا. فهي أرخص تشغيلًا بكثير، وأسرع، وأسهل في التفسير، وكثيرًا ما تكون بالدقة نفسها. ولجؤوا إلى نموذج لغوي كبير حين تحتاج المهمة فعلًا إلى لغة مفتوحة.
الخطوات
- دوّنوا نوع المُدخل ونوع الناتج ومستوى الجودة المطلوب.
- ابنوا خط أساس بسيطًا أولًا، مثل قاعدة أو نموذج خطي أو أشجار معزَّزة بالتدرج.
- جرّبوا مصنِّفًا صغيرًا مضبوطًا ضبطًا دقيقًا إن كان المُدخل نصًا حرًا.
- اختبروا نموذجًا لغويًا كبيرًا فقط إن لم تبلغ خطوط الأساس المستوى المطلوب، وعلى مجموعة التقييم نفسها.
- قارنوا الجودة وزمن الاستجابة والطاقة لكل تنبؤ قبل أن تختاروا.
استخدموا أبسط نموذج يبلغ مستوى الجودة المطلوب. ففي البيانات المنظَّمة ومهام الوسم الضيقة، يكون ذلك في العادة نموذج تعلم آلي تقليديًا، لا نموذجًا لغويًا كبيرًا.
لماذا يهم ذلك؟
قاس Luccioni وJernite وStrubell طاقة تشغيل النماذج في مهام كثيرة. وكان تصنيف النصوص من أرخص المهام، بنحو 0.002 kWh لكل 1,000 عملية استدلال، بينما كلّفت النماذج التوليدية العامة أكثر بمراتب عشرية من النماذج المتخصصة للمهمة نفسها. كما تطلب إرشادات استدامة الويب (Web Sustainability Guidelines) الصادرة عن W3C من الفرق تقييم الحاجة إلى الذكاء الاصطناعي قبل تطبيقه.
وقد طرحت ورشة عمل مكثفة (sandpit) بريطانية عن الذكاء الاصطناعي الأخضر عام 2026، ضمّت علماء رياضيات وعلماء حاسوب وممثلين عن الصناعة، النقطة نفسها من زاوية أخرى: كثيرًا ما يلجأ الناس إلى الذكاء الاصطناعي بينما تؤدي طريقة إحصائية أو عددية مفهومة جيدًا المهمة أصلًا.
اختبار سريع
| مهمتكم | جرّبوا أولًا |
|---|---|
| التنبؤ برقم من بيانات جدولية | نموذج خطي أو أشجار معزَّزة بالتدرج |
| إسناد واحدة من بضع تسميات | مصنِّف صغير مضبوط ضبطًا دقيقًا |
| إيجاد عناصر متشابهة | تضمينات (embeddings) مع فهرس أقرب الجيران |
| التنبؤ بسلسلة زمنية | طرق التنبؤ الإحصائية الراسخة |
| الكتابة أو الشرح أو المحادثة | هنا يستحق النموذج اللغوي الكبير كلفته |
أخطاء شائعة
- تخطي خط الأساس. فمن دونه لا يمكنكم معرفة إن كان النموذج اللغوي الكبير يضيف شيئًا.
- استخدام نموذج لغوي كبير لوسم بيانات لا تعيدون التدريب عليها أبدًا. استخدموه مرة واحدة لإنشاء التسميات، ثم درّبوا نموذجًا صغيرًا.
- المقارنة على أساس الدقة وحدها. أدرجوا زمن الاستجابة والطاقة لكل تنبؤ ومدى سهولة تفسير الأخطاء.
اقرؤوا المزيد في اختاروا النموذج المناسب و الرياضيات من أجل ذكاء اصطناعي فعّال.
المصادر
- Power Hungry Processing: Watts Driving the Cost of AI Deployment?, Luccioni, Jernite and Strubell, ACM FAccT (2024)
- Web Sustainability Guidelines, W3C (2025)
ذو صلة
هل أحتاج فعلًا إلى الذكاء الاصطناعي لهذه المهمة؟
اختبار سريع لمعرفة إن كانت مهمة ما تحتاج إلى الذكاء الاصطناعي التوليدي، أو إن كان البحث أو الآلة الحاسبة أو قالب أو قاعدة بسيطة يؤديها أسرع وبطاقة أقل.
كيف أجد نموذجًا متخصصًا في مهمة بعينها بدلًا من استخدام روبوت محادثة عام؟
كيف تجدون نموذجًا صغيرًا مصممًا لمهمة واحدة، مثل التصنيف أو الاستخراج أو الترجمة، وتتحققون من أنه يضاهي روبوت محادثة عامًا بطاقة أقل.
اختاروا النموذج المناسب للمهمة
كيف تختارون ذكاءً اصطناعيًا بالحجم المناسب: متى تستخدمون نماذج صغيرة أو متخصصة، ومتى يستحق نموذج متقدم كلفته، وكيف يعمل التوجيه، ومتى لا تستخدمون الذكاء الاصطناعي.
الرياضيات التي تجعل الذكاء الاصطناعي أكثر كفاءة
التقليم والتناثر والرسم العشوائي ونظرية المصفوفات العشوائية والنماذج المستنيرة بالفيزياء: كيف تقلّص الرياضيات الحوسبة والذاكرة والطاقة التي يحتاج إليها الذكاء الاصطناعي.