باختصار
حدّدوا المهمة بدقة، ثم ابحثوا في منصة نماذج مثل Hugging Face بحسب نوع المهمة، واختبروا نموذجين أو ثلاثة صغيرة على أمثلتكم الخاصة. فالنموذج المصمم لمهمة واحدة قد يكون أرخص تشغيلًا بمراتب عشرية من نموذج توليدي عام يؤدي المهمة نفسها، لذا يستحق الأمر ظهيرة من الاختبار قبل أن تستقروا على روبوت محادثة.
الخطوات
- صِفوا المهمة في سطر واحد، مثل "فرز رسائل الدعم الإلكترونية في ست فئات".
- ابحثوا في منصة نماذج مع التصفية بحسب نوع المهمة، مثل تصنيف النصوص أو الترجمة.
- اختاروا نموذجين أو ثلاثة صغيرة، وتحققوا من تراخيصها ولغاتها.
- اختبروا كلًا منها على 50 إلى 100 من أمثلتكم الحقيقية مع درجة نجاح محددة.
- قارنوا الطاقة لكل طلب حيث يوجد تقييم، واحتفظوا بنموذج عام للحالات التي تفشل فقط.
في المهام المحددة جيدًا، يكون النموذج المدرَّب على تلك المهمة عادةً أرخص، وكثيرًا ما يكون بالجودة نفسها. فروبوت المحادثة العام يدفع، مع كل طلب، ثمن قدرات لا تحتاج إليها مهمتكم أبدًا.
لماذا يهم ذلك؟
قارن Luccioni وJernite وStrubell نماذج كثيرة في مهام شائعة، ووجدوا أن النماذج التوليدية متعددة الأغراض أغلى تشغيلًا بمراتب عشرية من الأنظمة المتخصصة في المهام نفسها. وتفيد UNESCO وUniversity College London بأن النماذج الصغيرة المتخصصة في مهام بعينها يمكن أن تخفّض استهلاك الطاقة بما يصل إلى 90%.
أين أبحث؟
ابدؤوا بمنصة نماذج عامة وابحثوا بحسب المهمة، لا بحسب العلامة التجارية. فمنصة Hugging Face، مثلًا، تتيح لكم تصفية النماذج بحسب المهمة، مثل تصنيف النصوص أو التعرّف على الكيانات المسماة أو التلخيص أو الترجمة أو التعرّف على الكلام. ابحثوا عن:
- نماذج مضبوطة ضبطًا دقيقًا على بيانات تشبه بياناتكم (اللغة نفسها، والنوع نفسه من النصوص)؛
- بطاقة نموذج واضحة تذكر البيانات التي دُرِّب عليها وكيف قُيِّم؛
- حجم تستطيعون تحمّل كلفة تشغيله، يُقاس بعدد المعاملات (parameters).
ولمقارنة الطاقة، يقيّم AI Energy Score النماذج بحسب طاقة GPU في عشر مهام شائعة، من نجمة واحدة إلى خمس نجوم.
أخطاء شائعة
- الحكم استنادًا إلى المقاييس المرجعية العامة وحدها. اختبروا على أمثلتكم الخاصة؛ فهذه هي النتيجة الوحيدة التي تهمكم.
- مطالبة روبوت محادثة بتصنيف كميات كبيرة. إن كنتم تَسِمون آلاف العناصر، فالمصنِّف الصغير أسرع وأرخص.
- نسيان البديل الاحتياطي. احتفظوا بنموذج أكبر للحالات الصعبة، وراجعوا كيف توجّهون الطلبات إلى نماذج أصغر.
للاطلاع على الطريقة كاملة، اقرؤوا اختاروا النموذج المناسب.
المصادر
- Power Hungry Processing: Watts Driving the Cost of AI Deployment?, Luccioni, Jernite and Strubell, ACM FAccT (2024)
- Smarter, smaller, stronger: resource-efficient generative AI and the future of digital transformation, UNESCO and University College London (2025)
- AI Energy Score, Hugging Face (2025)
ذو صلة
كيف أختار نموذج ذكاء اصطناعي أصغر؟
كيف تختارون أصغر نموذج ذكاء اصطناعي يؤدي مهمتكم جيدًا: حدّدوا مستوى الجودة، واختبروا من الأصغر إلى الأكبر، وراجعوا تصنيفات الطاقة، واحتفظوا بنموذج كبير احتياطيًا.
كيف أعرف إن كان التعلم الآلي التقليدي يكفي بدلًا من نموذج لغوي كبير؟
اختبار سريع لعلماء البيانات: متى يتفوق الانحدار أو نموذج الأشجار أو المصنِّف الصغير على النموذج اللغوي الكبير في الكلفة والطاقة والسرعة والموثوقية.
كيف أقارن استهلاك الطاقة بين نماذج الذكاء الاصطناعي المختلفة؟
كيف تقارنون نماذج الذكاء الاصطناعي من حيث الطاقة بإنصاف: استخدموا معايير مثل AI Energy Score، أو قيسوها بأنفسكم على المهمة والعتاد والإعدادات نفسها.
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.