لنډ ځواب: د بنسټ ماډلونه لوی، عمومي هدف لرونکي AI ماډلونه دي چې په پراخه، پراخو ډیټاسیټونو کې روزل شوي، بیا د هڅونې، ښه کولو، وسیلو، یا بیرته ترلاسه کولو له لارې ډیری دندو (لیکل، لټون، کوډ کول، انځورونه) سره تطابق کیږي. که تاسو د باور وړ ځوابونو ته اړتیا لرئ، نو دوی د ځمکنۍ کولو (لکه RAG)، روښانه محدودیتونو، او چکونو سره یوځای کړئ، د دې پرځای چې دوی ته اجازه ورکړئ چې اصلاح شي.
مهم ټکي:
تعریف : یو پراخ روزل شوی اساس ماډل چې په ډیری دندو کې بیا کارول کیږي، نه د هر ماډل لپاره یو کار.
تطابق : د چلند د لارښوونې لپاره د هڅونې، ښه والي، LoRA/اډاپټرونو، RAG، او وسیلو څخه کار واخلئ.
تولیدي فټ : دوی متن، انځور، آډیو، کوډ، او څو ماډلي منځپانګې تولید ته ځواک ورکوي.
د کیفیت نښې : د کنټرول وړتیا، لږ وهمي فکر، څو ماډل وړتیا، او مؤثره استنباط ته لومړیتوب ورکړئ.
د خطر کنټرولونه : د حکومتدارۍ او ازموینې له لارې د وهم، تعصب، محرمیت لیکیدو، او سمدستي انجیکشن لپاره پلان.
هغه مقالې چې تاسو یې له دې وروسته لوستل خوښولی شئ:
🔗 د مصنوعي ذهانت شرکت څه شی دی؟
پوه شئ چې څنګه د مصنوعي ذهانت شرکتونه محصولات، ټیمونه او د عاید ماډلونه جوړوي.
🔗 د AI کوډ څه ډول ښکاري؟
د AI کوډ مثالونه وګورئ، د پایتون ماډلونو څخه تر API پورې.
🔗 د مصنوعي ذهانت الګوریتم څه شی دی؟
زده کړئ چې د مصنوعي ذهانت الګوریتمونه څه دي او څنګه پریکړې کوي.
🔗 د مصنوعي ذهانت ټیکنالوژي څه ده؟
د اتومات کولو، تحلیلونو، او هوښیار ایپسونو د ځواک ورکولو اصلي AI ټیکنالوژي وپلټئ.
۱) د بنسټ ماډلونه - د غبار نه پاک تعریف 🧠
د بنسټ ماډل یو لوی، عمومي هدف لرونکی AI ماډل دی چې په پراخه معلوماتو (معمولا ډیر) روزل شوی نو دا د ډیری دندو سره تطبیق کیدی شي، نه یوازې یو ( NIST ، Stanford CRFM ).
د دې پر ځای چې د لاندې لپاره جلا ماډل جوړ کړئ:
-
د برېښنالیکونو لیکل
-
د پوښتنو ځواب ورکول
-
د PDF لنډیز کول
-
انځورونه جوړول
-
د ملاتړ ټکټونو طبقه بندي کول
-
د ژبو ژباړه
-
د کوډ وړاندیزونه کول
... تاسو یو لوی اساس ماډل روزئ چې "نړۍ زده کوي" په مبهم احصایوي ډول، بیا تاسو دا د ځانګړو دندو سره د اشارو، ښه کولو، یا اضافه وسیلو سره تطبیق کوئ بوماساني او نور، 2021 ).
په بل عبارت: دا یو عمومي انجن چې تاسو یې چلولی شئ.
او هو، کلیمه "عمومي" ده. دا ټوله چل دی.
۲) په جنریټیو AI کې د بنسټ ماډلونه څه دي؟ (دوی څنګه په ځانګړي ډول مناسب دي) 🎨📝
نو، په جنریټیو AI کې د بنسټ ماډلونه څه دي؟ دا هغه بنسټیز ماډلونه دي چې سیسټمونو ته ځواک ورکوي کوم چې کولی شي تولید کړي - متن، انځورونه، آډیو، کوډ، ویډیو، او په زیاتیدونکي توګه ... د دې ټولو مخلوط ( NIST ، NIST جنریټیو AI پروفایل ).
جنریټیو AI یوازې د "سپیم / نه سپیم" په څیر لیبلونو وړاندوینه کولو په اړه ندي. دا د هغو محصولاتو تولید په اړه دی چې داسې ښکاري چې د یو کس لخوا جوړ شوي وي.
-
پراګرافونه
-
شعرونه
-
د محصول توضیحات
-
انځورونه
-
سندرې
-
د اپلیکیشن پروټوټایپونه
-
مصنوعي غږونه
-
او ځینې وختونه په ناڅرګنده توګه باوري بې معنی خبرې 🙃
د بنسټ ماډلونه دلته په ځانګړي ډول
-
دوی د لویو ډیټاسیټونو څخه پراخ نمونې جذب کړې دي ( بوماساني او نور، ۲۰۲۱ )
-
دوی کولی شي نوي وړاندیزونو ته عمومي کړي (حتی عجیب هم) ( براون او نور، ۲۰۲۰ )
-
دوی د لسګونو محصولاتو لپاره بیا کارول کیدی شي پرته له دې چې له سره روزنه ورکړل شي ( بوماساني او نور، ۲۰۲۱ )
دا د "بنسټ طبقه" ده - لکه د ډوډۍ اوړه. تاسو کولی شئ دا په باګویټ، پیزا، یا د دارچیني رولونو کې پخه کړئ ... دا یو بشپړ استعاره نه ده، مګر تاسو ما ترلاسه کوئ 😄
۳) ولې یې هرڅه بدل کړل (او ولې خلک د دوی په اړه خبرې کول نه پریږدي) 🚀
د بنسټیزو ماډلونو څخه مخکې، ډیری مصنوعي ذهانت د دندې پورې اړه درلوده:
-
د احساساتو تحلیل لپاره یو ماډل وروزو
-
بل ته د ژباړې روزنه ورکړئ
-
د انځور طبقه بندي لپاره بل کس ته روزنه ورکړئ
-
د نومول شوي وجود د پیژندنې لپاره بل کس ته روزنه ورکړئ
دا کار وکړ، خو ورو، ګران، او یو ډول ... ماتیدونکی و.
د بنسټ ماډلونو دا بدل کړ:
-
یو ځل مخکې له مخکې روزنه (لویه هڅه)
-
په هر ځای کې بیا کارول (لوی تادیه) ( بومساني او نور، 2021 )
دا بیا کارول ضرب کوونکی دی. شرکتونه کولی شي د یوې ماډل کورنۍ په سر کې 20 ځانګړتیاوې رامینځته کړي، د دې پرځای چې څرخ 20 ځله بیا ایجاد کړي.
همدارنګه، د کاروونکي تجربه نوره طبیعي شوه:
-
تاسو "ډلبندي کوونکی" نه کاروئ
-
ته له ماډل سره داسې خبرې کوې لکه دا چې یو ګټور همکار وي چې هیڅکله نه ویده کیږي ☕🤝
ځینې وختونه دا د یو همکار په څیر هم وي چې په ډاډ سره هرڅه غلط پوهیږي، مګر هو. وده.
۴) اصلي مفکوره: مخکې له مخکې روزنه + تطابق 🧩
نږدې ټول بنسټیز ماډلونه یو نمونه تعقیبوي ( سټنفورډ CRFM ، NIST ):
مخکې له مخکې روزنه (د "انټرنیټ جذبولو" مرحله) 📚
دا ماډل د ځان څارنې زده کړې ( NIST ) په کارولو سره په پراخه، پراخو ډیټاسیټونو کې روزل شوی. د ژبې ماډلونو لپاره، دا معمولا د ورک شوي کلمو یا راتلونکي نښه وړاندوینه کولو معنی لري ( ډیولین او نور، 2018 ، براون او نور، 2020 ).
موخه دا نه ده چې هغه ته یو کار ورزده کړئ. موخه دا ده چې هغه ته عمومي استازیتوب :
-
ګرامر
-
حقایق (ډول)
-
د استدلال نمونې (ځینې وختونه)
-
د لیکلو سټایلونه
-
د کوډ جوړښت
-
ګډ انساني اراده
تطابق (د "عملي کولو" مرحله) 🛠️
بیا تاسو دا د یو یا ډیرو په کارولو سره تطبیق کړئ:
-
هڅونه (په ساده ژبه لارښوونې)
-
د لارښوونو تنظیم کول (د لارښوونو تعقیبولو لپاره یې روزنه ورکول) ( وی او نور، ۲۰۲۱ )
-
ښه والی (ستاسو د ډومین معلوماتو روزنه)
-
LoRA / اډاپټرونه (د سپک وزن ټونینګ میتودونه) ( هو او نور، ۲۰۲۱ )
-
RAG (د ترلاسه کولو لپاره زیات شوی نسل - ماډل ستاسو د اسنادو سره مشوره کوي) ( لیوس او نور، 2020 )
-
د وسیلو کارول (د زنګ وهلو دندې، د داخلي سیسټمونو لټون کول، او نور)
له همدې امله ورته اساس ماډل کولی شي د مینې صحنه ولیکي ... بیا پنځه ثانیې وروسته د SQL پوښتنې ډیبګ کولو کې مرسته وکړي 😭
۵) د بنسټ ماډل ښه نسخه څه شی جوړوي؟ ✅
دا هغه برخه ده چې خلک یې پریږدي، او بیا وروسته پښیمانه کیږي.
د "ښه" بنسټ ماډل یوازې "لوی" نه دی. لوی مرسته کوي، یقینا ... مګر دا یوازینی شی ندی. د بنسټ ماډل ښه نسخه معمولا لري:
قوي عمومي کول 🧠
دا په ډیری دندو کې ښه فعالیت کوي پرته لدې چې د دندې ځانګړي بیا روزنې ته اړتیا ولري ( بوماساني او نور، 2021 ).
د لارښوونې او کنټرول وړتیا 🎛️
دا کولی شي په ډاډمن ډول لارښوونې تعقیب کړي لکه:
-
"مختصر اوسئ"
-
"د ګولیو ټکي وکاروئ"
-
"په دوستانه ژبه ولیکئ"
-
"محرم معلومات مه ښکاره کوئ"
ځینې ماډلونه هوښیار دي خو ښویېږي. لکه په شاور کې د صابون یوه ټوټه نیول. ګټور، خو بې نظمه 😅
د وهمونو کم تمایل (یا لږترلږه واضح ناڅرګندتیا) 🧯
هیڅ ماډل د وهمونو څخه خوندي نه دی، مګر ښه ماډلونه:
-
لږ وهم کول
-
ډېر ځله ناڅرګندتیا ومنئ
-
د ترلاسه کولو په وخت کې چمتو شوي شرایطو ته نږدې اوسئ ( جي او نور، ۲۰۲۳ ، لیوس او نور، ۲۰۲۰ )
ښه څو اړخیزه وړتیا (کله چې اړتیا وي) 🖼️🎧
که تاسو داسې مرستیالان جوړوئ چې انځورونه ولولي، چارټونه تشریح کړي، یا آډیو پوه شي، نو ملټي موډل ډیر مهم دی ( ریډفورډ او نور، ۲۰۲۱ ).
اغېزمن استنباط ⚡
ځنډ او لګښت مهم دی. یو ماډل چې قوي مګر ورو وي د سپورت موټر په څیر دی چې ټایر یې فلیټ وي.
خوندیتوب او سمون چلند 🧩
نه یوازې "هرڅه رد کړئ"، بلکې:
-
د زیان رسوونکو لارښوونو څخه ډډه وکړئ
-
تعصب کم کړئ
-
حساس موضوعات په احتیاط سره اداره کړئ
-
د زندان ماتولو اساسي هڅو سره مقاومت وکړئ (یو څه…) ( NIST AI RMF 1.0 ، NIST جنریټیو AI پروفایل )
اسناد + ایکوسیستم 🌱
دا وچ غږېږي، خو ریښتیا ده:
-
وسایل
-
د ایول هارنسونه
-
د ځای پر ځای کولو اختیارونه
-
د تشبث کنټرولونه
-
د سمون ملاتړ
هو، "ایکوسیستم" یوه مبهم کلمه ده. زه هم ترې کرکه کوم. خو دا مهمه ده.
۶) د پرتله کولو جدول - د بنسټ ماډل عام انتخابونه (او د څه لپاره ښه دي) 🧾
لاندې یو عملي، یو څه نیمګړی د پرتله کولو جدول دی. دا "یوازینی ریښتینی لیست" نه دی، دا ډیر داسې دی: هغه څه چې خلک په ځنګل کې غوره کوي.
| وسیله / ماډل ډول | اورېدونکي | ګران بيه | ولې دا کار کوي؟ |
|---|---|---|---|
| ملکیتي LLM (د چیټ سټایل) | هغه ټیمونه چې سرعت + پالش غواړي | د کارولو پر بنسټ / ګډون | ښه لارښوونې تعقیب، قوي عمومي فعالیت، معمولا غوره "له بکس څخه بهر" 😌 |
| د خلاص وزن LLM (په ځان کوربه توب وړ) | هغه جوړونکي چې کنټرول غواړي | د زیربناوو لګښت (او سر درد) | دودیز، د محرمیت لپاره دوستانه، په محلي ډول چلیدلی شي ... که تاسو په نیمه شپه کې ګډوډي خوښوئ |
| د انفیوژن انځور جنریټر | تخلیقي، ډیزاین ټیمونه | وړیا او پیسې ورکول | د انځورونو غوره ترکیب، د سټایل ډول، تکراري کاري جریان (همدارنګه: ګوتې ممکن بندې وي) ✋😬 ( هو او نور، ۲۰۲۰ ، رومباچ او نور، ۲۰۲۱ ) |
| د "لید ژبې" څو ماډل ماډل | هغه اپلیکیشنونه چې انځورونه + متن لولي | د کارولو پر بنسټ | تاسو ته اجازه درکوي چې د انځورونو، سکرین شاټونو، ډیاګرامونو په اړه پوښتنې وکړئ - په حیرانتیا سره ګټور ( راډفورډ او نور، ۲۰۲۱ ) |
| د بنسټ ایښودلو ماډل | لټون + د RAG سیسټمونه | د هر کال ټیټ لګښت | متن د سیمانټیک لټون، کلستر کولو، سپارښتنې لپاره ویکتورونو ته اړوي - خاموش MVP انرژي ( کارپوخین او نور، 2020 ، ډوز او نور، 2024 ) |
| د وینا څخه متن بنسټ ماډل | د زنګ وهلو مرکزونه، جوړونکي | د کارونې پر بنسټ / سیمه ییز | چټک نقل، څو ژبو ملاتړ، د شورماشور غږ لپاره کافي ښه (معمولا) 🎙️ ( وسوسه ) |
| د متن څخه تر وینا پورې د بنسټ ماډل | د محصول ټیمونه، رسنۍ | د کارولو پر بنسټ | د غږ طبیعي تولید، د غږ سټایلونه، بیان - کولی شي ویرونکی او ریښتینی شي ( شین او نور، ۲۰۱۷ ) |
| کوډ متمرکز LLM | پراختیا ورکوونکي | د کارولو پر بنسټ / ګډون | د کوډ نمونو، ډیبګ کولو، ریفیکٹرونو کې ښه ... بیا هم د ذهن لوستونکی نه دی 😅 |
وګورئ چې څنګه "بنسټیز ماډل" یوازې "چیټ بوټ" معنی نلري. ایمبیډینګونه او د وینا ماډلونه هم بنسټیز کیدی شي، ځکه چې دوی پراخ دي او په دندو کې بیا کارول کیدی شي ( بوماساني او نور، 2021 ، NIST ).
۷) نږدې کتنه: د ژبې بنسټ ماډلونه څنګه زده کوي (د وایب نسخه) 🧠🧃
د ژبې بنسټیز ماډلونه (چې ډیری وختونه LLMs بلل کیږي) معمولا د متنونو په لویو ټولګو کې روزل کیږي. دوی د وړاندوینې نښې ( براون او نور، 2020 ) له لارې زده کړه کوي. بس. هیڅ پټ پری دوړې نشته.
خو جادو دا ده چې د ټوکنونو وړاندوینه ماډل دې ته اړ باسي چې جوړښت زده کړي ( CSET ):
-
ګرامر او نحو
-
د موضوع اړیکې
-
د استدلال په څیر نمونې (ځینې وختونه)
-
د فکرونو ګډې لړۍ
-
خلک څنګه شیان تشریح کوي، استدلال کوي، بخښنه غواړي، خبرې اترې کوي، درس ورکوي
دا د انسانانو په څیر د "پوهیدو" پرته د ملیونونو خبرو اترو تقلید زده کولو په څیر دی. کوم چې داسې ښکاري چې دا باید کار ونکړي ... او بیا هم دا کار ته دوام ورکوي.
یوه نرمه مبالغه: دا په اصل کې د انسان لیکنې په یوه لوی احتمالي دماغ کې د فشارولو په څیر دي.
بیا بیا، دا استعاره یو څه لعنتي ده. مګر موږ حرکت کوو 😄
۸) نږدې کتنه: د خپریدو ماډلونه (ولې انځورونه په مختلف ډول کار کوي) 🎨🌀
د انځور بنسټ ماډلونه ډیری وختونه د خپریدو میتودونه کاروي ( هو او نور، ۲۰۲۰ ، رومباچ او نور، ۲۰۲۱ ).
سخت نظر:
-
په انځورونو کې شور اضافه کړئ تر هغه چې دوی په اصل کې د تلویزیون جامد وي
-
یو ماډل ته روزنه ورکړئ چې دا شور ګام په ګام بیرته راولي
-
د نسل په وخت کې، د شور سره پیل وکړئ او د یوې اشارې لخوا لارښود شوي انځور ته "منع کړئ" ( هو او نور، 2020 )
له همدې امله د انځورونو جوړول د یو عکس "جوړولو" په څیر احساس کوي، پرته له دې چې انځور د یو ډریگن وي چې په سوپر مارکیټ کې بوټان اغوستي وي 🛒🐉
د خپریدو ماډلونه ښه دي ځکه چې:
-
دوی د لوړ کیفیت لیدونه تولیدوي
-
دوی د متن له لارې په کلکه لارښوونه کیدی شي
-
دوی د تکراري اصلاح ملاتړ کوي (تنوعات، رنګ کول، لوړول) ( رومباخ او نور، ۲۰۲۱ )
دوی ځینې وختونه د دې سره هم مبارزه کوي:
-
د انځورونو دننه د متن وړاندې کول
-
د اناتومي ښه جزئیات
-
په صحنو کې د کرکټرونو دوامداره هویت (دا ښه کېږي، خو بیا هم)
۹) نږدې کتنه: د څو ماډل بنسټ ماډلونه (متن + انځورونه + آډیو) 👀🎧📝
د څو ماډل بنسټیز ماډلونه موخه لري چې د ډیری معلوماتو ډولونو پوهیدل او تولید کړي:
-
متن
-
انځورونه
-
غږ
-
ویډیو
-
ځینې وختونه د سینسر په څیر ان پټونه ( NIST جنریټیو AI پروفایل )
ولې دا په حقیقي ژوند کې مهم دی:
-
د پیرودونکو ملاتړ کولی شي د سکرین شاټونو تفسیر وکړي
-
د لاسرسي وسایل کولی شي انځورونه تشریح کړي
-
د زده کړې ایپسونه کولی شي ډیاګرامونه تشریح کړي
-
جوړونکي کولی شي په چټکۍ سره فارمیټونه ریمیکس کړي
-
د سوداګرۍ وسایل کولی شي د ډشبورډ سکرین شاټ "لوستل" کړي او لنډیز یې کړي
د هود لاندې، څو ماډل سیسټمونه ډیری وختونه استازیتوبونه تنظیموي:
-
انځور په امبیډینګونو بدل کړئ
-
متن په ایمبیډینګونو بدل کړئ
-
یو ګډ ځای زده کړئ چیرې چې "پیشو" د پیشو پکسلونو سره سمون خوري 😺 ( راډفورډ او نور، ۲۰۲۱ )
دا تل ښکلی نه وي. ځینې وختونه دا د لحاف په څیر سره ګنډل کیږي. مګر دا کار کوي.
۱۰) ښه والی د هڅونې په مقابل کې د RAG په مقابل کې (څنګه تاسو اساس ماډل تطبیق کوئ) 🧰
که تاسو هڅه کوئ چې د یوې ځانګړې ساحې (قانوني، طبي، د پیرودونکو خدمت، داخلي پوهه) لپاره د بنسټ ماډل عملي کړئ، نو تاسو یو څو لیورونه لرئ:
هڅونکی 🗣️
تر ټولو چټک او ساده.
-
ګټې: هیڅ روزنه نه، فوري تکرار
-
نیمګړتیاوې: کیدای شي متضاد وي، د شرایطو محدودیتونه، چټک نازکوالی
ښه والی 🎯
ماډل ته په خپلو مثالونو نوره روزنه ورکړئ.
-
ګټې: ډیر ثابت چلند، غوره ډومین ژبه، کولی شي د اشارې اوږدوالی کم کړي
-
نیمګړتیاوې: لګښت، د معلوماتو کیفیت اړتیاوې، د ډیر فټینګ خطر، ساتنه
سپک ټونینګ (LoRA / اډاپټرونه) 🧩
د ښه کولو یوه ډیره اغیزمنه نسخه ( هو او نور، ۲۰۲۱ ).
-
ګټې: ارزانه، ماډلر، د تبادلې لپاره اسانه
-
نیمګړتیاوې: لاهم د روزنې پایپ لاین او ارزونې ته اړتیا لري
RAG (د ترلاسه کولو لپاره زیات شوی نسل) 🔎
دا ماډل ستاسو د پوهې له بنسټ څخه اړونده اسناد او د هغوی په کارولو سره ځوابونه راوړي ( لیوس او نور، ۲۰۲۰ ).
-
ګټې: تازه پوهه، په داخلي توګه حوالې (که تاسو یې پلي کوئ)، لږ بیا روزنه
-
نیمګړتیاوې: د ترلاسه کولو کیفیت کولی شي دا جوړ یا مات کړي، ښه ټوټې کول + سرایت ته اړتیا لري
اصلي خبرې: ډیری بریالي سیسټمونه د هڅونې + RAG سره یوځای کوي. ښه تنظیم کول خورا پیاوړي دي، مګر تل اړین ندي. خلک ډیر ژر دې ته ځي ځکه چې دا اغیزمن ښکاري 😅
۱۱) خطرونه، محدودیتونه، او "مهرباني وکړئ دا په ړانده ډول مه کاروئ" برخه 🧯😬
د بنسټ ماډلونه پیاوړي دي، مګر د دودیز سافټویر په څیر مستحکم ندي. دوی ډیر داسې دي ... د باور ستونزې سره د یو باصلاحیته انٹرن په څیر.
د پلان کولو لپاره مهم محدودیتونه:
وهمي 🌀
ماډلونه کولی شي اختراع کړي:
-
جعلي سرچینې
-
غلط حقایق
-
د منلو وړ خو غلط ګامونه ( جي او نور، ۲۰۲۳ )
کمښتونه:
-
RAG د ځمکني شرایطو سره ( لیوس او نور، 2020 )
-
محدود شوي محصولات (سکیماګانې، د وسیلو زنګونه)
-
واضح "اټکل مه کوئ" لارښوونه
-
د تایید طبقې (قوانین، متقابلې معاینې، انساني بیاکتنه)
تعصب او زیان رسونکي نمونې ⚠️
ځکه چې د روزنې معلومات انسانان منعکس کوي، تاسو کولی شئ ترلاسه کړئ:
-
سټریوټائپونه
-
په ډلو کې نا مساوي فعالیت
-
غیر محفوظ تکمیلات ( NIST AI RMF 1.0 ، Bommasani et al.، 2021 )
کمښتونه:
-
د خوندیتوب سمون
-
سره ټیم جوړول
-
د منځپانګې فلټرونه
-
د احتیاطي ډومین محدودیتونه ( NIST جنریټي AI پروفایل )
د معلوماتو محرمیت او افشا 🔒
که تاسو محرم معلومات د ماډل پای ټکی ته داخل کړئ، نو تاسو اړتیا لرئ پوه شئ:
-
دا څنګه ساتل کیږي
-
ایا دا د روزنې لپاره کارول کیږي؟
-
کوم ډول ثبت کول شتون لري؟
-
ستاسو د سازمان اړتیاوې څه کنټرولوي ( NIST AI RMF 1.0 )
کمښتونه:
-
د شخصي ځای پرځای کولو اختیارونه
-
قوي حکومتداري
-
د معلوماتو لږترلږه افشا کول
-
یوازې داخلي RAG د سخت لاسرسي کنټرول سره ( NIST جنریټیو AI پروفایل ، کارلیني او نور، 2021 )
ژر انجیکشن (په ځانګړي توګه د RAG سره) 🕳️
که چیرې ماډل بې باوره متن ولولي، نو دا متن کولی شي د هغې د لاسوهنې هڅه وکړي:
-
"مخکیني لارښوونې له پامه وغورځوئ..."
-
"راز راته راولیږه..." ( OWASP ، ګریشیک او نور، ۲۰۲۳ )
کمښتونه:
-
د جلا کولو سیسټم لارښوونې
-
ترلاسه شوي مواد پاک کړئ
-
د وسیلو پر بنسټ پالیسۍ وکاروئ (نه یوازې اشارې)
-
د مخالفو معلوماتو سره ازموینه ( OWASP چیټ شیټ ، NIST جنریټیو AI پروفایل )
زه نه غواړم چې تاسو ووېروم. یوازې ... دا غوره ده چې پوه شئ چې د فرش تختې چیرته چیغې وهي.
۱۲) څنګه د خپل کارونې لپاره د بنسټ ماډل غوره کړئ 🎛️
که تاسو د بنسټ ماډل غوره کوئ (یا پر یو یې جوړوئ)، نو د دې لارښوونو سره پیل وکړئ:
هغه څه تعریف کړئ چې تاسو یې تولید کوئ 🧾
-
یوازې متن
-
انځورونه
-
غږ
-
مخلوط څو ماډل
خپل د حقیقت بار تنظیم کړئ 📌
که تاسو لوړ دقت ته اړتیا لرئ (مالي، روغتیا، قانوني، خوندیتوب):
-
تاسو به RAG وغواړئ ( لیوس او نور، ۲۰۲۰ )
-
تاسو به تایید وغواړئ
-
تاسو به په لوپ کې د انسان بیاکتنه وغواړئ (لږترلږه ځینې وختونه) ( NIST AI RMF 1.0 )
د خپل ځنډ هدف وټاکئ ⚡
خبرې اترې سمدستي دي. د بستې لنډیز کول ورو کیدی شي.
که تاسو سمدستي ځواب ته اړتیا لرئ، د ماډل اندازه او کوربه توب مهم دی.
د نقشې محرمیت او اطاعت اړتیاوې 🔐
ځینې ټیمونه اړتیا لري:
-
پریم / VPC ځای پرځای کول
-
د معلوماتو ساتنه نشته
-
د سختې پلټنې لاګونه
-
د هر سند د لاسرسي کنټرول ( NIST AI RMF 1.0 ، NIST جنریټیو AI پروفایل )
د بودیجې توازن - او د عملیاتو صبر 😅
د ځان کوربه توب کنټرول ورکوي مګر پیچلتیا زیاتوي.
اداره شوي APIs اسانه دي مګر ګران او لږ دودیز کیدی شي.
یوه کوچنۍ عملي لارښوونه: لومړی د یو څه اسانه سره پروټوټایپ جوړ کړئ، بیا وروسته سخت کړئ. د "کامل" تنظیم سره پیل کول معمولا هرڅه ورو کوي.
۱۳) په جنریټیو AI کې د بنسټ ماډلونه څه دي؟ (چټک ذهني ماډل) 🧠✨
راځئ چې دا بیرته راوړو. په جنریټیو AI کې د بنسټ ماډلونه څه دي؟
هغوی دي:
-
لوی، عمومي ماډلونه چې په پراخه معلوماتو روزل شوي ( NIST ، سټینفورډ CRFM )
-
د منځپانګې (متن، انځورونه، آډیو، او نور) د تولید وړتیا لري ( NIST جنریټیو AI پروفایل )
-
د ډیرو دندو سره د اشارې، ښه کولو، او بیرته ترلاسه کولو له لارې د تطبیق وړ ( بوماساني او نور، ۲۰۲۱ )
-
هغه بنسټیزه طبقه چې ډیری عصري تولیدي AI محصولات ځواکمن کوي
دا یو واحد معمارۍ یا برانډ نه دي. دا د ماډلونو یوه کټګوري ده چې د یو پلیټ فارم په څیر چلند کوي.
د بنسټ ماډل د کیلکولیټر په څیر لږ او د پخلنځي په څیر ډیر دی. تاسو کولی شئ پدې کې ډیر خواړه پخ کړئ. تاسو کولی شئ ټوسټ هم وسوځوئ که تاسو پام نه کوئ ... مګر پخلنځی لاهم خورا ګټور دی 🍳🔥
۱۴) لنډیز او اخیستل ✅🙂
بنسټیز ماډلونه د تولیدي AI د بیا کارولو وړ انجنونه دي. دوی په پراخه کچه روزل شوي، بیا د هڅونې، ښه کولو، او بیرته ترلاسه کولو له لارې ځانګړو دندو سره تطابق کیږي ( NIST ، Stanford CRFM ). دوی کولی شي حیرانونکي، ناپاک، ځواکمن، او کله ناکله مسخره وي - ټول په یو وخت کې.
لنډیز:
-
د بنسټ ماډل = د عمومي هدف اساس ماډل ( NIST )
-
جنریټیو AI = د مینځپانګې رامینځته کول، نه یوازې طبقه بندي ( NIST جنریټیو AI پروفایل )
-
د تطبیق طریقې (تشویق، RAG، ټونینګ) دا عملي کوي ( لیوس او نور، ۲۰۲۰ ، هو او نور، ۲۰۲۱ )
-
د ماډل غوره کول د سوداګرۍ په اړه دي: دقت، لګښت، ځنډ، محرمیت، خوندیتوب ( NIST AI RMF 1.0 )
که تاسو د جنراتور مصنوعي ذهانت سره کوم شی جوړوئ، نو د بنسټ ماډلونو پوهیدل اختیاري ندي. دا ټول هغه پوړ دی چې ودانۍ پرې ولاړه ده ... او هو، ځینې وختونه فرش یو څه لړزیږي 😅
پرله پسې پوښتنې
د بنسټ ماډلونه، په ساده اصطلاحاتو کې
د بنسټ ماډل یو لوی، عمومي هدف لرونکی مصنوعي ذهانت ماډل دی چې په پراخه معلوماتو روزل شوی وي نو دا د ډیری دندو لپاره بیا کارول کیدی شي. د هر کار لپاره د یو ماډل جوړولو پرځای، تاسو د قوي "اساس" ماډل سره پیل کوئ او د اړتیا سره سم یې تطبیق کړئ. دا تطبیق اکثرا د هڅونې، ښه کولو، بیرته ترلاسه کولو (RAG)، یا وسیلو له لارې ترسره کیږي. مرکزي مفکوره پراخوالی او د لارښوونې وړتیا ده.
د بنسټ ماډلونه څنګه د دودیزو دندو ځانګړي مصنوعي ذهانت ماډلونو څخه توپیر لري
دودیز مصنوعي ذهانت اکثرا د هر کار لپاره جلا ماډل روزي، لکه د احساساتو تحلیل یا ژباړه. بنسټیز ماډلونه دا نمونه بدلوي: یو ځل مخکې له مخکې روزنه ورکړئ، بیا په ډیری ځانګړتیاو او محصولاتو کې بیا وکاروئ. دا کولی شي تکرار شوي هڅې کمې کړي او د نوي وړتیاو تحویلي ګړندۍ کړي. تبادله دا ده چې دوی د کلاسیک سافټویر په پرتله لږ وړاندوینې وړ کیدی شي پرته لدې چې تاسو محدودیتونه او ازموینه اضافه کړئ.
په تولیدي AI کې د بنسټ ماډلونه
په جنراتوري AI کې، د بنسټ ماډلونه هغه اساس سیسټمونه دي چې کولی شي نوي مینځپانګې لکه متن، انځورونه، آډیو، کوډ، یا څو ماډل محصولات تولید کړي. دوی د لیبل کولو یا طبقه بندي کولو پورې محدود ندي؛ دوی داسې ځوابونه رامینځته کوي چې د انسان لخوا جوړ شوي کار سره ورته وي. ځکه چې دوی د مخکې روزنې په جریان کې پراخه نمونې زده کوي، دوی کولی شي ډیری سمدستي ډولونه او بڼې اداره کړي. دوی د ډیری عصري جنراتوري تجربو تر شا "اساسي طبقه" ده.
د بنسټ ماډلونه د روزنې دمخه زده کړه څنګه کوي
د ژبې د بنسټ ډیری ماډلونه د نښو وړاندوینې له لارې زده کړه کوي، لکه راتلونکې کلمه یا په متن کې ورک شوي کلمې. دا ساده هدف دوی هڅوي چې جوړښت داخلي کړي لکه ګرامر، سټایل، او د وضاحت عام نمونې. دوی کولی شي د نړۍ ډیره پوهه هم جذب کړي، که څه هم تل په باوري ډول نه وي. پایله یو قوي عمومي استازیتوب دی چې تاسو کولی شئ وروسته د ځانګړي کار په لور لارښوونه وکړئ.
د پرامپټینګ، فائن ټونینګ، LoRA، او RAG ترمنځ توپیر
د لارښوونو په کارولو سره د چلند د تنظیمولو لپاره تر ټولو ګړندۍ لاره ده، مګر دا نازک کیدی شي. د ښه تنظیم کول ستاسو په مثالونو کې ماډل ته د ډیر ثابت چلند لپاره روزنه ورکوي، مګر دا لګښت او ساتنه اضافه کوي. LoRA/اډاپټرونه د اسانه تنظیم کولو طریقه ده چې ډیری وختونه ارزانه او ډیر ماډلر وي. RAG اړونده اسناد بیرته ترلاسه کوي او د دې شرایطو په کارولو سره د ماډل ځواب لري، کوم چې د تازه والي او ځمکنۍ کولو سره مرسته کوي.
کله چې د ښه کولو پر ځای RAG وکاروئ
RAG اکثرا یو قوي انتخاب وي کله چې تاسو د خپلو اوسنیو اسنادو یا داخلي پوهې اساس کې ځوابونو ته اړتیا لرئ. دا کولی شي د نسل په وخت کې د اړونده شرایطو سره ماډل چمتو کولو سره "اټکل" کم کړي. کله چې تاسو دوامداره سټایل، ډومین جملې، یا چلند ته اړتیا لرئ چې هڅونه په باوري ډول نشي تولیدولی نو غوره تنظیم کول دي. ډیری عملي سیسټمونه د ښه تنظیم کولو ته رسیدو دمخه هڅونه + RAG سره یوځای کوي.
څنګه وهميان کم کړو او ډیر باوري ځوابونه ترلاسه کړو
یوه عامه طریقه دا ده چې ماډل د بیرته ترلاسه کولو (RAG) سره مینځ ته راشي ترڅو دا د چمتو شوي شرایطو سره نږدې پاتې شي. تاسو کولی شئ د سکیما سره محصولات هم محدود کړئ، د کلیدي مرحلو لپاره د وسیلو غوښتنې ته اړتیا ولرئ، او واضح "اټکل مه کوئ" لارښوونې اضافه کړئ. د تایید پرتونه هم مهم دي، لکه د قواعدو چکونه، کراس چیک کول، او د لوړو دندو کارولو قضیو لپاره انساني بیاکتنه. ماډل سره د احتمالي مرستندویه په توګه چلند وکړئ، نه د ډیفالټ له مخې د حقیقت سرچینې په توګه.
په تولید کې د بنسټ ماډلونو سره ترټولو لوی خطرونه
عام خطرونه په کې شامل دي وهم، د روزنې معلوماتو څخه تعصب یا زیان رسونکي نمونې، او د محرمیت لیکیدل که چیرې حساس معلومات په ناسم ډول اداره شي. سیسټمونه هم کولی شي د سمدستي انجیکشن لپاره زیان منونکي وي، په ځانګړي توګه کله چې ماډل د اسنادو یا ویب مینځپانګې څخه بې باوره متن ولولي. د کمولو کې معمولا حکومتداري، سره ټیم کول، د لاسرسي کنټرولونه، خوندي هڅونې نمونې، او جوړښتي ارزونه شامل دي. د دې خطرونو لپاره ژر پلان جوړ کړئ نه دا چې وروسته یې پیچ کړئ.
په چټکۍ سره انجیکشن ورکول او ولې دا په RAG سیسټمونو کې مهم دي
سمدستي انجیکشن هغه وخت وي کله چې بې باوره متن هڅه کوي لارښوونې له پامه وغورځوي، لکه "مخکیني لارښوونې له پامه غورځول" یا "رازونه ښکاره کول". په RAG کې، ترلاسه شوي اسناد کولی شي دا ناوړه لارښوونې ولري، او ماډل ممکن دوی تعقیب کړي که تاسو محتاط نه یاست. یو عام چلند دا دی چې د سیسټم لارښوونې جلا کړئ، ترلاسه شوي مینځپانګې پاکې کړئ، او یوازې د اشارې پرځای د وسیلې پر بنسټ پالیسیو باندې تکیه وکړئ. د مخالفو معلوماتو سره ازموینه د ضعیف ځایونو په څرګندولو کې مرسته کوي.
ستاسو د کارونې قضیې لپاره د بنسټ ماډل څنګه غوره کړئ
د هغه څه په تعریف کولو سره پیل کړئ چې تاسو ورته اړتیا لرئ تولید کړئ: متن، انځورونه، آډیو، کوډ، یا څو ماډل محصولات. بیا خپل د حقیقت بار تنظیم کړئ - د لوړ دقت ډومینونه ډیری وختونه ځمکني (RAG)، اعتبار، او ځینې وختونه انساني بیاکتنې ته اړتیا لري. ځنډ او لګښت په پام کې ونیسئ، ځکه چې یو قوي ماډل چې ورو یا ګران وي لیږدول یې ستونزمن کیدی شي. په پای کې، د نقشې محرمیت او اطاعت د ځای پرځای کولو اختیارونو او کنټرولونو ته اړتیا لري.
ماخذونه
-
د معیارونو او ټیکنالوژۍ ملي انسټیټیوټ (NIST) - د بنسټ ماډل (د لغتونو اصطلاح) - csrc.nist.gov
-
د معیارونو او ټیکنالوژۍ ملي انسټیټیوټ (NIST) - NIST AI 600-1: د تولیدي AI پروفایل - nvlpubs.nist.gov
-
د معیارونو او ټیکنالوژۍ ملي انسټیټیوټ (NIST) - NIST AI 100-1: د AI د خطر مدیریت چوکاټ (AI RMF 1.0) - nvlpubs.nist.gov
-
د بنسټیزو ماډلونو په اړه د څیړنې لپاره د سټینفورډ مرکز (CRFM) - راپور - crfm.stanford.edu
-
arXiv - د بنسټ د موډلونو د فرصتونو او خطرونو په اړه (Bommasani et al., 2021) - arxiv.org
-
arXiv - د ژبې ماډلونه لږ زده کونکي دي (براون او نور، 2020) - arxiv.org
-
arXiv - د پوهې ژورې NLP دندو لپاره د ترلاسه کولو-زیات شوي نسل (لیوس او نور، 2020) - arxiv.org
-
arXiv - LoRA: د لویو ژبو ماډلونو ټیټ رتبه تطبیق (هو او نور، ۲۰۲۱) - arxiv.org
-
arXiv - BERT: د ژبې د پوهیدو لپاره د ژورو دوه اړخیزه ټرانسفارمرونو دمخه روزنه (ډیولین او نور، ۲۰۱۸) - arxiv.org
-
arXiv - د ژبې غوره ماډلونه د صفر شاټ زده کونکي دي (وی او نور، ۲۰۲۱) - arxiv.org
-
د ACM ډیجیټل کتابتون - د طبیعي ژبې په نسل کې د وهم سروې (جی او نور، ۲۰۲۳) - dl.acm.org
-
arXiv - د طبیعي ژبې څارنې څخه د لیږد وړ بصري ماډلونو زده کړه (ریډفورډ او نور، ۲۰۲۱) - arxiv.org
-
arXiv - د شور کمولو د خپریدو احتمالي ماډلونه (هو او نور، ۲۰۲۰) - arxiv.org
-
arXiv - د پټ خپریدو ماډلونو سره د لوړ ریزولوشن انځور ترکیب (رومباخ او نور، ۲۰۲۱) - arxiv.org
-
arXiv - د خلاصې ډومین پوښتنې ځوابولو لپاره د ګڼې لارې ترلاسه کول (کارپوخین او نور، ۲۰۲۰) - arxiv.org
-
arXiv - د فایس کتابتون (Douze et al., 2024) - arxiv.org
-
اوپن ای آی - د ویسپر معرفي کول - openai.com
-
arXiv - د میل سپیکٹروګرام وړاندوینو په اړه د ویو نیټ د کنډیشن کولو له لارې طبیعي TTS ترکیب (شین او نور، 2017) - arxiv.org
-
د امنیت او راڅرګندېدونکي ټیکنالوژۍ مرکز (CSET)، د جورج ټاون پوهنتون - د بلې کلمې وړاندوینې حیرانونکې ځواک: د لویو ژبو ماډلونه تشریح شوي (لومړۍ برخه) - cset.georgetown.edu
-
USENIX - د لویو ژبو ماډلونو څخه د روزنې معلوماتو استخراج (کارلیني او نور، ۲۰۲۱) - usenix.org
-
OWASP - LLM01: پرامپټ انجیکشن - genai.owasp.org
-
arXiv - له هغه څه څخه ډیر چې تاسو یې غوښتنه کړې ده: د غوښتنلیک سره یوځای شوي لویو ژبو ماډلونو ته د ناول پرامپټ انجیکشن ګواښونو جامع تحلیل (ګریشیک او نور، 2023) - arxiv.org
-
د OWASP د درغلۍ پاڼې لړۍ - د LLM پرامپټ انجیکشن مخنیوي د درغلۍ پاڼه - cheatsheetseries.owasp.org