التعلّم من الأمثلة
تُبنى نماذج اللغة الكبيرة الحديثة LLM باستخدام تعلّم الآلة. لست بحاجة إلى النظرية الكاملة لتبني بها — لكن قدراً يسيراً من الإلمام بتعلّم الآلة يجعل كل قرار سابق أكثر وضوحاً. هذه الوحدة جسر، لا مقرّر كامل في تعلّم الآلة.
التعلّم المُشرَف
أكثر أشكال تعلّم الآلة شيوعاً — وهو ما تستخدمه معظم النماذج التقليدية.
- يتعلّم من أمثلة موسومة — كل مثال يقرن مُدخلاً بمخرجه الصحيح.
- يربط المُدخلات بالإجابات — هكذا يتعلّم النموذج تحويل المُدخل إلى المخرج الصحيح.
- معظم تعلّم الآلة التقليدي من هذا النوع — تصنيف البريد المزعج، وتوقّع الأسعار، ووسم الصور.
التعلّم المعزّز
فكرة مختلفة: التعلّم عبر التجربة والمكافأة. يجرّب الوكيل أفعالاً ويُكافأ على النتائج الجيدة، فيميل مع الوقت إلى ما ينجح.
أين تقع نماذج اللغة الكبيرة
تعتمد نماذج اللغة الكبيرة LLM على كلا الشكلين.
- تُدرَّب على نصوص هائلة — تتعلّم أولاً من كميات ضخمة من النص (تعلّم ذاتي الإشراف).
- تُصقل بالتغذية الراجعة البشرية — ثم تُضبط لتصير إجاباتها أكثر إفادة (خطوة على نمط RL).
- لست بحاجة إلى الرياضيات — يكفيك هذا النموذج الذهني لكيفية نشأتها.
لماذا يهمّك هذا
معرفة هذين الشكلين تعينك على استيعاب ما يمكن للنموذج تعلّمه فعلاً — ومتى يستحق الأمر الضبط الدقيق (الوحدة الخامسة)، ولماذا تتغلّب جودة البيانات على كل شيء آخر تقريباً.
طبّقها
كيف تُطبّقها: لمشكلة واحدة في أداتك، اسأل — هل هذه مهمة تعلّم مُشرَف (تربط مُدخلاً بوسم)، أم شيء يحلّه توجيه نموذج اللغة الكبيرة LLM أصلاً؟ غالباً ما يفوز التوجيه؛ والمهارة أن تعرف متى لا يفوز.
- متتبّع مهام الذكاء الاصطناعي الأسبوعي — تحويل رسالة إلى مهمة مشكلةُ ربط؛ يتولّاها توجيه نموذج اللغة الكبيرة LLM، لكن مع آلاف الأمثلة الموسومة قد يكون مُصنِّف مُشرَف صغير أرخص.
- موقع علامتك الشخصية — توليد محض؛ لا حاجة إلى تدريب.
ما الذي تعلّمته
التعلّم المُشرَف يربط المُدخلات الموسومة بالمخرجات؛ والتعلّم المعزّز يتعلّم من المكافأة. وتستخدم نماذج اللغة الكبيرة LLM كليهما. لست بحاجة إلى الرياضيات — يكفيك النموذج الذهني، لتحكم متى توجّه، ومتى تُجري ضبطاً دقيقاً، ولماذا تفوز جودة البيانات.