المعالجة

نماذج اللغة

نماذج اللغة هي أنظمة ذكاء اصطناعي متقدمة قادرة على فهم اللغة البشرية وتفسيرها وتوليدها. يتم تدريب هذه النماذج على مجموعات بيانات ضخمة من النصوص وتتعلم الأنماط وتركيبات الكلمات وبنى الجمل وحتى دقة استخدامات اللغات المختلفة. جوهر العديد من نماذج اللغة الحديثة هو بنية المحول (transformer)، التي تستخدم آليات الانتباه الذاتي لتحديد الأجزاء المهمة من النص في سياق معين.

عند معالجة اللغة، تستخدم هذه النماذج طرقًا إحصائية للتنبؤ بالكلمة التالية الأكثر احتمالًا أو الجملة التالية الأكثر احتمالًا في النص. يمكنها فهم السياق عبر مقاطع نصية طويلة، مما يمكنها من توليد نصوص ليست صحيحة نحويًا فحسب، بل أيضًا متماسكة وذات صلة من حيث المحتوى.

عند استخدام نموذج لغة، مثلًا في روبوت دردشة أو مولد نصوص، يُعطى النموذج مطالبات أو بيانات أولية وبناءً على تلك المدخلات يولد النص الذي يتبع منطقيًا السياق المعطى. الهدف من هذه النماذج هو إنتاج نص يبدو بشريًا قدر الإمكان، سواء من حيث المحتوى أو الأسلوب.

نماذج النص إلى صورة

نماذج النص إلى صورة هي أنظمة ذكاء اصطناعي قادرة على توليد تمثيلات بصرية من أوصاف نصية مكتوبة، مثل الصور الفوتوغرافية أو الرسوم التوضيحية أو أنواع أخرى من المواد البصرية. تستخدم هذه النماذج شبكات عصبية متقدمة، وبشكل أكثر تحديدًا الشبكات التنافسية التوليدية (GANs) أو تنويعات عليها مثل نماذج الانتشار (diffusion models).

تبدأ العملية بوصف نصي يُدخله المستخدم. يقوم النموذج بتقييم هذا النص ويحاول فهم معناه وسياقه. بعد ذلك، يولد النموذج صورًا تتطابق مع الوصف النصي، مستفيدًا مما تعلمه أثناء التدريب، حيث يتم تدريبه على مجموعات بيانات ضخمة من أزواج نص-صورة.

أثناء التدريب، يتعلم النموذج الارتباطات بين الأوصاف النصية والخصائص البصرية. على سبيل المثال، إذا رأى النموذج مرارًا وتكرارًا عبارة "شمس صفراء فوق بحر أزرق" مع صور توضح هذا المشهد، فإنه يتعلم التعرف على هذه العناصر وإعادة إنتاجها في إبداعات بصرية مستقبلية.

النتيجة غالبًا ما تكون صورًا دقيقة ومفصلة تتوافق مع الوصف النصي المُدخل. تصبح هذه النماذج أكثر تطورًا وقادرة على تمثيل سيناريوهات معقدة تحتوي على عدة أشياء ومفاهيم مجردة. تُستخدم في مجموعة واسعة من التطبيقات، بما في ذلك الإبداعات الفنية وتصميم الألعاب والواقع الافتراضي والمزيد.

نماذج AI-School المفتوحة

من المهم أن ندرك أن AI-School يفتح الوصول إلى نماذج ذكاء اصطناعي مختلفة مدرجة في الكتالوج المركزي للنماذج. تُقدم هذه النماذج من قبل مزودين خارجيين عبر واجهة برمجة التطبيقات (API). واجهة برمجة التطبيقات، أو API، هي مجموعة من القواعد والتعريفات التي تسمح لبرامج الكمبيوتر بالتواصل مع بعضها البعض. تعمل كنوع من "اللغة" التي تفهمها البرامج لتبادل المعلومات واستدعاء وظائف بعضها البعض. AI-School لا يمتلك نماذج لغة أو نماذج نص إلى صورة أو نماذج نص إلى كلام خاصة به.

نحن غير مسؤولين عن نتائج النماذج المختلفة. ومع ذلك، فقد أولينا اهتمامًا لاختيار أفضل وأهم النماذج للمدارس.

إجراء المعالجة وفقًا لتقييم تأثير حماية البيانات (DPIA)

يصف تقييم تأثير حماية البيانات (DPIA) الإجراء الأساسي لتوليد إجابة كما يلي:

• يدخل المستخدم مطالبة في بوابة AI-School.
• تُحفظ المطالبة في قاعدة بيانات AI-School.
• يقدم AI-School المطالبة عبر رابط API وحساب عام غير مرتبط بحساب AI-School إلى نموذج الذكاء الاصطناعي المختار.
• لا تُضاف بيانات حساب المستخدم أو بيانات إدارة الطلاب تلقائيًا إلى النموذج.
• يُعاد إرسال إجابة نموذج الذكاء الاصطناعي إلى AI-School.
• تُحفظ الإجابة في قاعدة بيانات AI-School.
• تُعرض الإجابة على المستخدم.

لا يرسل AI-School بيانات حساب المستخدم أو بيانات إدارة الطلاب تلقائيًا إلى نموذج الذكاء الاصطناعي. يتلقى النموذج محتوى المطالبة بدون ارتباط بحساب AI-School. قد يكون المستخدم قد أدرج بيانات شخصية في المطالبة؛ في هذه الحالة، يمكن أن تتم معالجة هذه البيانات بواسطة نموذج الذكاء الاصطناعي المختار.

سياق إضافي

في وظائف مثل الدردشة مع المستندات، الإدخال متعدد الوسائط أو أدوات معينة، يمكن أن تُكمل المطالبة بسياق يختاره المستخدم، مثل مقتطفات من المستندات أو الصور أو نتائج البحث. يُقدم هذا السياق أيضًا إلى النموذج بدون ارتباط بمستخدم قابل للتعريف، لكن المحتوى قد يحتوي على بيانات شخصية إذا أضافها المستخدم بنفسه.