تكنولوجيا TREX: ثورة في أتمتة تدريب نماذج اللغات الضخمة!
كشف باحثون عن نظام TREX الذي يغير القواعد في أتمتة عملية تدريب نماذج اللغات الضخمة (LLMs). يعتمد النظام على تعاون بين وحدتين رئيسيتين لتحقيق نتائج مبهرة في مهام العالم الحقيقي.
أصبح الذكاء الاصطناعي حديث العصر، ولكن ما زالت عملية تدريب نماذج اللغات الضخمة (Large Language Models) تمثل تحدياً كبيراً. في خطوة رائدة نحو تجاوز تلك العقبات، أطلق الباحثون نظاماً جديداً يُعرف باسم TREX، الذي يهدف إلى أتمتة جميع مراحل تدريب نماذج اللغات الضخمة.
يعمل نظام TREX من خلال تنسيق التعاون بين وحدتين رئيسيتين: الباحث (Researcher) والمنفذ (Executor). يسمح هذا النظام بتسهيل عمليات تحليل المتطلبات، واستكشاف الأدبيات والبيانات المفتوحة، وصياغة استراتيجيات التدريب، بالإضافة إلى إعداد وصفات البيانات، وتدريب النماذج وتقييمها.
النظام مصمم على شكل شجرة بحث، مما يمكّنه من تخطيط مسارات الاستكشاف بشكل فعال، وإعادة استخدام النتائج التاريخية، واستخلاص رؤى عالية المستوى من التجارب المتكررة.
لإثبات كفاءة عملية تدريب نماذج اللغات الضخمة الأوتوماتيكية، تم إنشاء FT-Bench، وهو معيار يتضمن 10 مهام مستمدة من سيناريوهات العالم الحقيقي. تتراوح هذه المهام بين تحسين القدرات الأساسية للنماذج إلى تعزيز الأداء في المهام الخاصة بالمجالات.
أظهرت النتائج التجريبية أن وكيل TREX يقوم بتحسين أداء النموذج بشكل مستمر في المهام المستهدفة، مما يعني أننا أمام نقلة نوعية في مجال أبحاث الذكاء الاصطناعي وأتمتة العمليات.
يعمل نظام TREX من خلال تنسيق التعاون بين وحدتين رئيسيتين: الباحث (Researcher) والمنفذ (Executor). يسمح هذا النظام بتسهيل عمليات تحليل المتطلبات، واستكشاف الأدبيات والبيانات المفتوحة، وصياغة استراتيجيات التدريب، بالإضافة إلى إعداد وصفات البيانات، وتدريب النماذج وتقييمها.
النظام مصمم على شكل شجرة بحث، مما يمكّنه من تخطيط مسارات الاستكشاف بشكل فعال، وإعادة استخدام النتائج التاريخية، واستخلاص رؤى عالية المستوى من التجارب المتكررة.
لإثبات كفاءة عملية تدريب نماذج اللغات الضخمة الأوتوماتيكية، تم إنشاء FT-Bench، وهو معيار يتضمن 10 مهام مستمدة من سيناريوهات العالم الحقيقي. تتراوح هذه المهام بين تحسين القدرات الأساسية للنماذج إلى تعزيز الأداء في المهام الخاصة بالمجالات.
أظهرت النتائج التجريبية أن وكيل TREX يقوم بتحسين أداء النموذج بشكل مستمر في المهام المستهدفة، مما يعني أننا أمام نقلة نوعية في مجال أبحاث الذكاء الاصطناعي وأتمتة العمليات.
