كيف يتيح التحسين الآلي للطلبات تحقيق مكاسب في الجودة لواجهة برمجة التطبيقات GenAI Prompt API في ML Kit؟

التحسين الآلي للطلبات (APO)

لمساعدتك بشكل أكبر في طرح حالات استخدام واجهة برمجة التطبيقات Prompt API من حزمة تعلّم الآلة في مرحلة الإنتاج، يسعدنا الإعلان عن ميزة "التحسين الآلي للطلبات" (APO) التي تستهدف النماذج على الجهاز فقط في Vertex AI. "التحسين الآلي للطلبات" هي أداة تساعدك في العثور تلقائيًا على الطلب الأمثل لحالات الاستخدام.

لم يعد عصر الذكاء الاصطناعي على الأجهزة مجرد وعد، بل أصبح حقيقة واقعة. مع إطلاق Gemini Nano v3، نقدّم للمستخدمين إمكانات غير مسبوقة لفهم اللغة والتعامل مع الوسائط المتعددة مباشرةً على أجهزتهم. من خلال مجموعة نماذج Gemini Nano، نقدّم تغطية واسعة للأجهزة المتوافقة في منظومة Android المتكاملة. ولكن بالنسبة إلى المطوّرين الذين يعملون على إنشاء الجيل التالي من التطبيقات الذكية، فإنّ الوصول إلى نموذج قوي هو الخطوة الأولى فقط. يكمن التحدي الحقيقي في التخصيص: كيف يمكنك تخصيص نموذج أساسي لتحقيق أداء على مستوى الخبراء لحالة الاستخدام المحدّدة بدون مخالفة قيود أجهزة الجوّال؟

في عالم التطبيقات من جهة الخادم، تميل نماذج اللغات الكبيرة إلى أن تكون عالية الأداء وتتطلّب قدرًا أقل من التكيّف مع المجال. وحتى عند الحاجة إلى خيارات أكثر تقدّمًا، يمكن أن تكون الخيارات مثل الضبط الدقيق لنموذج LoRA (Low-Rank Adaptation) خيارات مجدية. ومع ذلك، تعطي البنية الفريدة لخدمة Android AICore الأولوية لنموذج نظام مشترك وفعّال من حيث استخدام الذاكرة. وهذا يعني أنّ نشر مهايئات LoRA مخصّصة لكل تطبيق على حدة يواجه تحديات في خدمات النظام المشتركة هذه.

ولكن هناك مسار بديل يمكن أن يكون له التأثير نفسه. من خلال الاستفادة من التحسين الآلي للطلبات (APO) على Vertex AI، يمكن للمطوّرين تحقيق جودة تقارب الضبط الدقيق، وكل ذلك مع العمل بسلاسة ضمن بيئة التنفيذ الأصلية لنظام التشغيل Android. من خلال التركيز على تعليمات النظام الفائقة، تتيح APO للمطوّرين تخصيص سلوك النموذج بمستوى أعلى من المتانة وقابلية التوسّع مقارنةً بحلول الضبط الدقيق التقليدية.

ملاحظة: ‫Gemini Nano V3 هو إصدار محسّن من حيث الجودة من نموذج Gemma 3N الذي حظي بإشادة واسعة. سيتم تطبيق أي تحسينات على الطلبات يتم إجراؤها على نموذج Gemma 3N المفتوح المصدر على Gemini Nano V3 أيضًا. على الأجهزة المتوافقة، تستفيد واجهات برمجة التطبيقات GenAI في حزمة تعلُّم الآلة من نموذج nano-v3 لتحقيق أعلى جودة للمطوّرين على Android

لا تتعامل ميزة "التحسين المستند إلى الذكاء الاصطناعي" مع الطلب على أنّه نص ثابت، بل على أنّه مساحة عرض قابلة للبرمجة يمكن تحسينها. يستفيد هذا النموذج من نماذج من جهة الخادم (مثل Gemini Pro وFlash) لاقتراح الطلبات وتقييم الصيغ المختلفة والعثور على الصيغة الأفضل لمهمتك المحددة. تستخدم هذه العملية ثلاث آليات فنية محدّدة لتحسين الأداء إلى أقصى حدّ:

1. تحليل الأخطاء المبرمَج: يحلّل APO أنماط الأخطاء من بيانات التدريب لتحديد نقاط ضعف محدّدة تلقائيًا في الطلب الأوّلي.
2. تقطير التعليمات الدلالية: يحلّل هذا النموذج أمثلة تدريبية ضخمة لاستخلاص "النية الحقيقية" للمَهمّة، ما يؤدي إلى إنشاء تعليمات تعكس توزيع البيانات الحقيقية بشكل أكثر دقة.
3. اختبار المرشّحين المتوازيين: بدلاً من اختبار فكرة واحدة في كل مرة، تنشئ ميزة "تحسين أداء التطبيق" وتختبر العديد من المرشّحين للطلبات بشكل متوازٍ لتحديد الحد الأقصى العالمي للجودة.

لماذا يمكن أن يساهم تحسين جودة الصوت في APO في تحسين جودة الصوت؟

من المفاهيم الخاطئة الشائعة أنّ الضبط الدقيق يؤدي دائمًا إلى جودة أفضل من تقديم الطلبات. بالنسبة إلى النماذج الأساسية الحديثة، مثل Gemini Nano v3، يمكن أن تكون هندسة الطلبات فعالة في حد ذاتها:

• الحفاظ على الإمكانات العامة: يؤدي الضبط الدقيق ( PEFT/LoRA) إلى فرض استخدام النموذج لوزن أكبر في توزيع معيّن للبيانات. يؤدي ذلك غالبًا إلى "النسيان الكارثي"، حيث يتحسّن النموذج في ما يتعلّق بالصيغة المحدّدة، ولكنّه يصبح أسوأ في ما يتعلّق بالمنطق العام والأمان. لا تعدّل APO الأوزان، ما يحافظ على إمكانات النموذج الأساسي.
• اتّباع التعليمات واستكشاف الاستراتيجيات: تم تدريب Gemini Nano v3 بشكل مكثّف على اتّباع تعليمات النظام المعقّدة. تستغلّ APO ذلك من خلال العثور على بنية التعليمات الدقيقة التي تتيح إمكانات النموذج الكامنة، وغالبًا ما تكتشف استراتيجيات قد يصعب على المهندسين البشريين العثور عليها. 

للتحقّق من صحة هذا الأسلوب، قيّمنا APO على أحمال عمل إنتاجية متنوعة. أظهرت عملية التحقّق التي أجريناها تحسّنًا ثابتًا في الدقة بنسبة تتراوح بين %5 و%8 في مختلف حالات الاستخدام، كما أنّ ميزة "المعالجة الصوتية على الجهاز فقط" حقّقت تحسّنًا كبيرًا في الجودة في العديد من الميزات التي تم تفعيلها على الجهاز فقط.

سير عمل سلس ومتكامل للمطوّرين

من المفاهيم الخاطئة الشائعة أنّ الضبط الدقيق يؤدي دائمًا إلى جودة أفضل من تقديم الطلبات. بالنسبة إلى النماذج الأساسية الحديثة، مثل Gemini Nano v3، يمكن أن تكون هندسة الطلبات فعالة في حد ذاتها:

• الحفاظ على الإمكانات العامة: يؤدي الضبط الدقيق ( PEFT/LoRA) إلى فرض استخدام النموذج لوزن أكبر في توزيع معيّن للبيانات. يؤدي ذلك غالبًا إلى "النسيان الكارثي"، حيث يتحسّن النموذج في ما يتعلّق بالصيغة المحدّدة، ولكنّه يصبح أسوأ في ما يتعلّق بالمنطق العام والأمان. لا تعدّل APO الأوزان، ما يحافظ على إمكانات النموذج الأساسي.
• اتّباع التعليمات واستكشاف الاستراتيجيات: تم تدريب Gemini Nano v3 بشكل مكثّف على اتّباع تعليمات النظام المعقّدة. تستغلّ APO ذلك من خلال العثور على بنية التعليمات الدقيقة التي تتيح إمكانات النموذج الكامنة، وغالبًا ما تكتشف استراتيجيات قد يصعب على المهندسين البشريين العثور عليها. 

للتحقّق من صحة هذا النهج، قيّمنا APO على أحمال عمل إنتاجية متنوعة. أظهرت عملية التحقّق التي أجريناها تحسّنًا ثابتًا في الدقة بنسبة تتراوح بين %5 و%8 في مختلف حالات الاستخدام، كما أنّ ميزة "المعالجة الصوتية على الجهاز فقط" حقّقت تحسّنًا كبيرًا في الجودة في العديد من الميزات التي تم تفعيلها على الجهاز فقط.

الخاتمة

يمثّل إطلاق ميزة "التحسين الآلي للطلبات" (APO) نقطة تحوّل في مجال الذكاء الاصطناعي التوليدي على الجهاز فقط. من خلال سدّ الفجوة بين النماذج الأساسية والأداء على مستوى الخبراء، نقدّم للمطوّرين الأدوات اللازمة لإنشاء تطبيقات أكثر فعالية على الأجهزة الجوّالة. سواء كنت في بداية رحلتك مع Zero-Shot Optimization أو كنت بصدد التحجيم إلى مرحلة الإصدار العلني باستخدام Data-Driven، أصبح مسار الوصول إلى ذكاء عالي الجودة على الجهاز فقط أكثر وضوحًا.يمكنك إطلاق حالات الاستخدام على الجهاز فقط في مرحلة الإصدار العلني اليوم باستخدام Prompt API من حزمة تعلّم الآلة و"التحسين الآلي للطلبات" من Vertex AI. 

روابط ذات صلة: 

• ‫حزمة تعلّم الآلة Prompt API،
• مستندات Vertex AI Prompt Optimizer
• مدونة الإعلان عن Gemma 3N