الفصل ١١
١١بناء النماذج: متى نبني ومتى نستخدم الجاهز؟
«لا تبدأ من الصفر إذا لم تكن مضطراً».
نواجه في كل مشروع قراراً استراتيجياً: هل نبني «عقلاً» جديداً من الصفر، أم نستخدم عقلاً خبيراً جاهزاً؟ هذا قرار «البناء مقابل الشراء». بناء نموذج تعلم عميق من العدم يستهلك وقتاً وبيانات وحوسبة باهظة، ولحسن الحظ نادراً ما نضطر إليه اليوم.
نصّ هذا الشكل
تحديد · المشكلة · مشكلة شائعة · مشكلة فريدة · حديقة النماذج + الصقل · نموذج جاهز يتخصص · في ساعات أو دقائق · التعلم الآلي المؤتمت · يجرب مئات الخوارزميات · ويختار الأنسب · ⚠ تجنب تكلفة الغباء: لا تستخدم صاروخاً لتوصيل البيتزا · سلّم الخيارات في عصر النماذج التأسيسية · أمر جيد · استرجاع RAG · صقل LoRA · تقطير · تدريب من الصفر · أبسط وأرخص · أندر وأكلف · شكل ١٥
الخيار الأول: «حدائق النماذج» والتدريب المسبق
القاعدة الذهبية: لا تبدأ من الصفر إذا كانت مشكلتك «شائعة». «حدائق النماذج» أو «مراكز النماذج» مكتبات رقمية تضم آلاف النماذج المدربة مسبقاً على بيانات تفوق قدرات معظم المؤسسات.
- متى نستخدمها؟: للمهام العامة المتكررة: التعرف على الأشياء في الصور، وتحليل المشاعر، والترجمة.
- الاختيار: نختار نموذجاً عاماً، مثلاً خبيراً في ملايين الصور.
- الصقل: تدريب إضافي بسيط على بياناتنا، مثلاً 1000 صورة لأنواع الطيور المحلية.
- النتيجة: بدلاً من أشهر من التدريب، يتخصص النموذج في مهمتنا خلال ساعات أو دقائق.
الخيار الثاني: «التعلم الآلي المؤتمت»
ماذا لو كانت مشكلتك فريدة ولا تملك فريقاً من علماء البيانات؟ «التعلم الآلي المؤتمت» (AutoML) صانع نماذج آلي، وحل وسط بين الجاهز والبناء الكامل.
- متى نستخدمه؟: لبيانات فريدة لمشكلة لا تشبه غيرها، كابتكار وصفة كعكة صحية من مكونات محددة، أو التنبؤ بمبيعات منتج بلا سابقة.
- نحن نزوده بالبيانات: جدول منظم بالمكونات والنكهات وتقييمات الوصفات.
- هو يبني: يجرب مئات الخوارزميات والتركيبات تلقائياً ليجد الأنسب.
- النتيجة: نموذج مخصص عالي الأداء دون كتابة سطر من أكواد النمذجة.
سلّم الخيارات في عصر النماذج التأسيسية
تحديث ٢٠٢٦
مع النماذج التوليدية صار القرار سلّماً من خمس درجات، يُصعد درجةً درجة ولا يُقفز إليه: (١) استخدام نموذج جاهز بأمر جيد، (٢) تزويده بمعرفتك عبر الاسترجاع RAG (الفصل الثاني عشر)، (٣) صقله بكفاءة على بياناتك بتقنيات خفيفة مثل LoRA التي تعدّل جزءاً صغيراً من الأوزان، (٤) «تقطير» نموذج كبير في نموذج صغير أرخص وأسرع لمهمة محددة، (٥) التدريب المسبق من الصفر، وهو نادر ومكلف ولا يلجأ إليه إلا من يملك بيانات وحوسبة استثنائية. ويضاف إلى ذلك اختيار النموذج المغلق عبر واجهة برمجية، أو المفتوح الأوزان داخل بيئتك حين تكون السيادة على البيانات أولوية.
من أرض الواقع
الجانب المظلم للتنفيذ: قبل أن تضغط «تشغيل» انتبه لثلاثة مطبات. (١) تكلفة «الغباء»: استخدام نموذج لغوي ضخم لعملية حسابية بسيطة أو بحث في قاعدة صغيرة كاستخدام صاروخ فضائي لتوصيل البيتزا؛ إن حلّت البرامج التقليدية المشكلة فاستخدمها. (٢) صراع الأنظمة القديمة: التحدي الأكبر جعل الوكيل يتحدث مع «الخادم القديم» في قبو الشركة؛ استعد لمعركة الربط التقني قبل معركة الذكاء. (٣) فخ الفاتورة السحابية: التكلفة تبدو زهيدة في البداية، فإذا نجحت الخدمة التهمت الفاتورة الأرباح. احسب «اقتصاديات الوحدة» من اليوم الأول.
الدروس المستفادة
- ١لا تبدأ من الصفر إذا لم تكن مضطراً.
- ٢للمشكلات الشائعة: نموذج مدرب مسبقاً من حدائق النماذج مع الصقل.
- ٣للمشكلات الفريدة ذات البيانات المنظمة: التعلم الآلي المؤتمت.
- ٤اصعد سلّم الخيارات تدريجياً: أمر، ثم استرجاع، ثم صقل، ثم تقطير، ثم بناء.
- ٥احسب التكلفة واقتصاديات الوحدة وصعوبة الربط قبل البدء.
تلميح: استخدم ← → للتنقل بين الأقسام.