الذكاء الاصطناعي
#لينكدإن
#الذكاء_الاصطناعي
لينكدإن تتجاوز التلقين: تقنية التقطير ثورة في الذكاء الاصطناعي
تُعد منصة لينكدإن رائدة في أنظمة التوصيات القائمة على الذكاء الاصطناعي، حيث عملت على تطويرها لأكثر من 15 عاماً. ولكن للوصول إلى الجيل التالي من أنظمة التوصيات المناسبة للباحثين عن عمل في المستقبل، احتاجت الشركة إلى تقنية جديدة كلياً تتجاوز النماذج الجاهزة لتحقيق مستويات متقدمة من الدقة والسرعة والكفاءة.
لماذا فشل أسلوب "التلقين" التقليدي؟
أكد إيران بيرغر، نائب رئيس هندسة المنتجات في لينكدإن، في تصريحات حديثة أن الشركة أدركت استحالة تحقيق أهدافها عبر أسلوب "التلقين" (Prompting) البسيط. ويقول بيرغر: "لم نحاول حتى استخدام التلقين لأنظمة التوصيات من الجيل التالي لأننا أدركنا أنها كانت بداية غير موفقة ولن تؤدي للنتيجة المطلوبة".
بدلاً من ذلك، عمل فريقه على تطوير وثيقة سياسة منتج مفصلة للغاية لضبط نموذج أولي ضخم يحتوي على 7 مليارات معلم (Parameter). وتم لاحقاً "تقطير" هذا النموذج إلى نماذج إضافية (معلمين وطلاب) تم تحسينها لتصل إلى مئات الملايين من المعلمات، مما خلق وصفة قابلة للتكرار تُستخدم الآن عبر منتجات الذكاء الاصطناعي في لينكدإن.
ثورة التقطير متعدد المعلمين
هدف بيرغر وفريقه إلى بناء نموذج لغوي كبير (LLM) يمكنه تفسير استفسارات الوظائف الفردية، وملفات تعريف المرشحين، وأوصاف الوظائف في الوقت الفعلي، وبطريقة تعكس سياسة منتج لينكدإن بأكبر قدر ممكن من الدقة. وكما تظهر الصورة المرفقة (صورة 1)، تعتمد العملية على تحويل النماذج الضخمة إلى نماذج أصغر وأكثر كفاءة.
بالتعاون مع فريق إدارة المنتج، قام المهندسون ببناء وثيقة تتراوح بين 20 و30 صفحة لتسجيل وصف الوظيفة ومطابقتها مع الملفات الشخصية عبر أبعاد متعددة. وتم دمج وثيقة السياسة هذه مع "مجموعة بيانات ذهبية" تضم آلاف الأزواج من الاستفسارات والملفات الشخصية.
استخدم الفريق ChatGPT أثناء توليد البيانات والتجريب، حيث تم تلقين النموذج بمرور الوقت لتعلم تسجيل الأزواج وإنشاء مجموعة بيانات اصطناعية أكبر بكثير لتدريب نموذج "المعلم" الذي يبلغ حجمه 7 مليارات معلم.
المزج بين الدقة والتنبؤ
أوضح بيرغر أنه لا يكفي تشغيل نموذج لغوي في الإنتاج يعتمد فقط على سياسة المنتج، قائلاً: "في النهاية، هذا نظام توصيات، ونحتاج إلى القيام بقدر معين من التنبؤ بالنقرات والتخصيص".
لذلك، استخدم الفريق نموذج المعلم الأولي الذي يركز على سياسة المنتج لتطوير نموذج معلم ثانٍ موجه نحو التنبؤ بالنقرات. وباستخدام النموذجين، قاموا بـ "تقطير" نموذج بحجم 1.7 مليار معلم لأغراض التدريب. خضع هذا النموذج الطلابي لعدة جولات تدريبية وتم تحسينه في كل نقطة لتقليل فقدان الجودة.
شبه بيرغر هذه التقنية بوجود وكيل دردشة لديه معلمين مختلفين: أحدهما يدرب الوكيل على دقة الإجابات، والآخر على النبرة وكيفية التواصل. وعلق قائلاً: "من خلال مزجهما الآن، تحصل على نتائج أفضل، ولكن يمكنك أيضاً تكرار العمل عليهما بشكل مستقل. كان هذا إنجازاً كبيراً بالنسبة لنا".
تغيير جذري في تعاون الفرق
أشار بيرغر إلى أن هذه العملية غيرت طريقة العمل داخل الشركة. فالحصول على سياسة منتج ممتازة يتطلب ترجمة خبرة مديري المنتجات إلى وثيقة موحدة. تاريخياً، كان مديرو المنتجات يركزون على الاستراتيجية وتجربة المستخدم، تاركين تكرار النمذجة لمهندسي التعلم الآلي.
الآن، يعمل الفريقان معاً لإنشاء نموذج معلم متوافق. ويختتم بيرغر قائلاً: "كيفية عمل مديري المنتجات مع مهندسي التعلم الآلي الآن مختلفة تماماً عن أي شيء قمنا به سابقاً. لقد أصبح هذا الآن مخططاً أساسياً لأي منتجات ذكاء اصطناعي نقوم بها في لينكدإن".
التعليقات 0
سجل دخولك لإضافة تعليق
لا توجد تعليقات بعد. كن أول من يعلق!