نماذج اللغات الكبيرة LLM الأرشيف - رؤية للبيانات و الذكاء الاصطناعي

دورة مكثفة في الذكاء الاصطناعي التوليدي Generative AI Intensive Course

webbinds / نوفمبر 23, 2024

نشرت Kaggle بالتعاون مع Google دليل للتعليم الذاتي في مجال الذكاء الاصطناعي التوليدي. “Five day Generative AI Intensive Course”، حيث يغطي موضوعات متقدمة ومهمة في هذا المجال. مواضيع الدورة: اليوم الأول: النماذج التأسيسية وهندسة الأوامر “Foundational Models & Prompt Engineering” التعرف بشكل أعمق على تطور النماذج اللغوية الكبيرة LLMs من تقنيات المحولات “Transformers” إلى الضبط الدقيق “Fine-Tuning” وتسريع الاستدلال “Inference Acceleration”. البودكاست , المقالة هندسة الأوامر لتحسين تفاعل النماذج اللغوية البودكاست , المقالة , اكواد برمجية اليوم الثاني: التضمينات وقواعد بيانات المتجهات “Embeddings and Vector Stores/Databases” المبادئ الأساسية للتضمينات وقواعد بيانات المتجهات و تعلم طرق التضمين وخوارزميات البحث عن المتجهات مع أمثلة عملية باستخدام LLMs البودكاست , مقالة كود بناء نظام إجابة على الأسئلة باستخدام RAG (استرجاع-توليد) على مستندات مخصصة كود اكتشاف تشابه النصوص باستخدام التضمينات كود بناء شبكة تصنيف عصبية باستخدام Keras باستخدام التضمينات اليوم الثالث: وكلاء الذكاء الاصطناعي التوليدي “Generative AI Agents” التعرف على كيفية بناء وكلاء ذكاء اصطناعي متقدمة من خلال فهم المكونات الأساسية بودكاست , المقالة كود التحدث إلى قاعدة بيانات باستخدام استدعاء الدوال كود بناء نظام طلبات وكيل في LangGraph كود بناء شبكة تصنيف عصبية باستخدام Keras باستخدام التضمينات اليوم الرابع: النماذج اللغوية المتخصصة “Domain-Specific LLMs” التعمق في معرفة إنشاء وتطبيق النماذج اللغوية المتخصصة مثل SecLM وMed-PaLM، مع التطرق لرؤى الباحثين الذين قاموا بتطويره هذه النماذج بودكاست , مقالة كود استخدام بيانات بحث جوجل في عملية توليد النصوص كود تعديل نموذج Gemini لمهمة مخصصة اليوم الخامس: عمليات تعلم الآلة للذكاء الاصطناعي التوليدي “MLOps for Generative AI” كيفية تكييف التعامل و استخدام MLOps لتطبيقات الذكاء الاصطناعي التوليدي باستخدام أدوات مثل Vertex AI الهدف منها تطوير التطبيقات بشكل متكامل البودكاست , المقالة End-to-End Gen AI App Starter Pack للاطلاع على تفاصيل الدورة: هنا هذه فرصة لتطوير مهارات واستكشاف اخر تقنيات الذكاء الاصطناعي التوليدي و التعرف عليها بشكل عملي

NLP, البرمجة اللغوية NLP, الذكاء الاصطناعي, نماذج اللغات الكبيرة LLM

هندسة الأوامر Prompt Engineering

webbinds / نوفمبر 17, 2024

هندسة الأوامر من أهم التقنيات في الذكاء الاصطناعي والتي تلعب دورا كبيرا في كيفية التواصل مع النماذج اللغوية الكبيرة وتحقيق الاستفادة المرجوة. وهي تتم من خلال إعطاء أوامر أو صياغة تعليمات مخصصة للنموذج و توجيهه لاعتماد طريقة معينة للإجابة وعرض مخرجات دقيقة وذات صلة. أهمية هندسة الأوامر: عندما نوجه النموذج بطريقة واضحة ومدروسة فهذا يزيد من احتمالية الحصول على أفضل النتائج و بدقة عالية. تحسين دقة الإجابات: عند توجيه الأوامر للنموذج فهذا يساعد على الحصول على اجابات دقيقة ذات علاقة بالموضوع مما يقلل من الأخطاء توفير الوقت: توفير الجهد و الوقت من خلال الحصول على الإجابة في أقل عدد من المحاولات التوجيه لمجالات معينة: باستخدام هندسة الأوامر يمكن توجيه النموذج في مجالات عديدة تخدم قطاعات مختلفة، مثل في قطاع الاعمال خدمة العملاء, في التعليم حل المسائل التعليمية بخطوات التحكم في إجابة النموذج: عند صياغة الأوامر و اعطاء تعليمات محددة تمكننا من التحكم في طريقة عرض الاجابات مثل طول الاجابة او مختصره, اعطاء تحليل مفصل و توضيح الخطوات, أو شرح مادة علمية لفئة معينة مثل الأطفال. معلمات في هندسة الأوامر: Temperature: اذا كانت درجة عالية: تجعل النموذج غير قابل للتنبؤ، وذلك يؤدي إلى تنوع أكبر في الإجابات درجة منخفضة: تجعل النموذج لديه قابلية للتنبؤ، وبالتالي تكون الإجابات دقيقة Top-K: يحدد النموذج مجموعة محدودة من الكلمات التي من الممكن أن تظهر في الجملة التالية، مما يزيد من دقة الإجابة. Top-p:يحدد النموذج مجموعة من الكلمات تكون احتمالاتها عالية للوصول إلى الإجابة الأكثر دقة و ذات علاقة بالموضوع تقنيات هندسة الأوامر Zero-shot: يطلب من النموذج مهمة لم يتدرب عليها مسبقا، ويعتمد على معرفته العامة للإجابة. مثل شرح درس عن النباتات الاطفال. Few-shot: و هو شرح و تعليم النموذج كيفية طريقة استجابته وهيكل الإجابة. مثل عند طلب المستخدم تلخيص كتاب يكون التلخيص في خمسة جمل مختصرة عن محتوى الكتاب, و يتم تقديم عدة أمثلة مشابهة لهذا الأمر حتى يتعلم منها في طريقة إجابته تقنيات متقدمة في هندسة الأوامر System Prompt: وهي تحديد السياق العام للنموذج مما يجعل مخرجات النموذج بصيغة تم تحديدها مسبقا و ذلك لرفع دقة الإجابات و تقليل تكرارهاRole Prompt: إعطاء النموذج دورًا محاكاته مثل مرشد سياحي وتحديد الأسلوب الذي يتبعه، مثل إعطاءه سيناريوهات تحتاج إلى تفاصيلContextual Prompts: تقديم معلومات و خلفية عن موضوع معين للنموذج حول محادثة أو مهمة ما. و الهدف منها الحصول على إجابات دقيقةStep Back Prompting: تشجيع النموذج على التفكير في الأسئلة بشكل أكبر قبل بدء الإجابة. مثل أخذ خطوة للخلف لرؤية الصورة الكبيرة للموضوع قبل تقديم الإجابةChain of Thoughts Prompting: توجيه النموذج لشرح الأسباب و التفكير المنطقي خطوة بخطوة كما يفعل الأشخاص عند حل المهام. مثل إظهار تفاصيل وخطوات الحل بدلاً من تقديم الإجابة النهائية مباشرة، مثل حل مسائل الرياضيات. و الهدف منها تحقيق دقة عالية للنموذجSelf-consistency: مبني على Chain of Thoughts، حيث يتم توليد عدة إجابات ثم اختيار الإجابة المناسبة وأكثر دقة. إذا كانت الإجابات تتكرر باستمرار، فهذا يعني أنه لا يوجد تحيز في النموذج دورات في هندسة الأوامر what is prompt engineering ChatGPT Prompt Engineering for Developers Prompt Engineering for ChatGPT

نماذج اللغات الكبيرة LLM

تطوير تطبيقات الذكاء الاصطناعي باستخدام LangChain

Hind Althabi / سبتمبر 27, 2024

تعتبر نماذج اللغة الكبيرة LLMs أدوات قوية في تطوير تطبيقات الذكاء الاصطناعي المتقدمة. و للاستفادة من إمكانياتها، نحتاج إلى إطار عمل يسهل علينا دمج هذه النماذج في تطبيقاتنا بطريقة فعالة و سلسة و هنا يأتي دور LangChain. LangChain هو إطار عمل مفتوح المصدر تم تطويره لتمكين المطورين من بناء تطبيقات تعتمد على نماذج اللغة الكبيرة LLMs بمرونة وفاعلية. الهدف من هذا الإطار هو تسهيل إنشاء سلاسل من العمليات المتسلسلة التي تربط بين النماذج اللغوية وبيانات المستخدم. باستخدام LangChain، يمكنك بناء أنظمة معقدة تتضمن قدرات متقدمة مثل الإجابة عن الأسئلة بناء على البيانات، وتخزين واسترجاع المحادثات، واستخدام النماذج كمساعدين في اتمتة العمليات. أهمية LangChain تتيح LangChain للمطورين تجاوز القدرات الأساسية لنماذج اللغة مثل استدعاء النموذج والحصول على استجابات نصية. إنها تقدم أدوات لتنظيم وتسلسل العمليات بشكل يتيح لك بناء تطبيقات قوية تعتمد على الذكاء الاصطناعي. يمكنك، على سبيل المثال، تطوير وكلاء Agents قادرين على فهم الكلام و التفاعل مع المستخدم و تقديم إجابات شافية، والتفاعل بشكل طبيعي مع المستخدمين أو الأنظمة الأخرى. يعد LangChain الحل المثالي إذا كنت ترغب في تطوير تطبيقات ذكية تعتمد على الذكاء الاصطناعي، حيث يوفر لك هذا الإطار الأدوات اللازمة لبناء تطبيقات متقدمة بقدرات كبيرة. تعلم LangChain: دورة شاملة على منصة DeepLearning.AI إذا كنت ترغب في تعلم المزيد عن كيفية استخدام LangChain لتطوير تطبيقات تعتمد على نماذج اللغة الكبيرة LLMs، يمكنك الانضمام إلى دورة LangChain for LLM Application Developmentمقدمة على منصة DeepLearning.AI محاور هذه الدورة؟ 1- النماذج، المطالبات Prompts، والمعالجات Parsers:ستتعلم كيفية استدعاء نماذج LLM، وكيفية تقديم المطالبات للنموذج والحصول على استجابات دقيقة عن طريق معالجة الردود النصية. هذه المهارة ضرورية لتحديد أفضل طريقة للاستفادة من النموذج اللغوي في تطبيقاتك. 2- الذاكرة لـ LLMs:ستتعرف على كيفية استخدام الذاكرة لتخزين المحادثات السابقة وإدارتها، خاصة في الحالات التي يكون فيها النموذج محدودًا في قدرته على التعامل مع السياقات الطويلة. هذا يُحسن تجربة المستخدم من خلال السماح للنماذج بالاستمرار في المحادثات الطويلة مع الحفاظ على سياق الكلام. 3- سلاسل العمليات Chains:ستتعلم كيفية إنشاء سلاسل من العمليات التي تدمج بين LLMs ومصادر بيانات أخرى، مما يتيح لك تطوير تطبيقات متكاملة تحتوي على خطوات متعددة ومترابطة. 4- الإجابة عن الأسئلة باستخدام المستندات:في هذه الوحدة، ستتعلم كيفية استخدام النماذج اللغوية الكبيرة للإجابة عن الأسئلة استنادًا إلى بيانات مملوكة أو مستندات معينة، مما يجعل LLMs مفيدة بشكل خاص لتطبيقات مثل استرجاع المعلومات والبحث داخل بيانات الشركة. 5- الوكلاء Agents:ستكتشف التطورات الحديثة في استخدام LLMs كوكلاء يتمتعون بقدرات تفكير واتخاذ قرارات. ستتعلم كيفية بناء وكلاء يمكنهم التفاعل مع بيئات معقدة وتنفيذ مهام متعددة بناءً على المدخلات.

نماذج اللغات الكبيرة LLM

دورة مكثفة في الذكاء الاصطناعي التوليدي Generative AI Intensive Course

هندسة الأوامر Prompt Engineering

تطوير تطبيقات الذكاء الاصطناعي باستخدام LangChain

روابط سريعة

تواصل معنا