AI/Training
ملاحظة: هذا المستند هو ترجمة آلية للنسخة الإنجليزية الأصلية.
AI/Training
تجمع فئة الذكاء الاصطناعي/التدريب المشاريع التي تركّز على بناء نماذج الذكاء الاصطناعي — مرحلة الإنشاء من دورة حياة الذكاء الاصطناعي حيث تجتمع البيانات والحوسبة لإنتاج نموذج بأنماط متعلَّمة. إذا كان الاستدلال هو فعل استخدام نموذج مدرَّب، فإن التدريب هو فعل صنعه.
في سجلّ DecAIHub، الذكاء الاصطناعي/التدريب أقلّ شيوعًا من الذكاء الاصطناعي/الحوسبة أو الذكاء الاصطناعي/الوكلاء. يعكس هذا صعوبة المهمّة: فتدريب نماذج مفيدة يتطلّب مجموعات بيانات كبيرة، وحوسبة ضخمة، وخبرة متخصّصة، وتقييمًا صارمًا. ادّعاء "تدريب الذكاء الاصطناعي" سهل؛ أما إثبات نتائج تدريب قابلة للتحقّق وإعادة الإنتاج فصعب.
باختصار: يغطّي الذكاء الاصطناعي/التدريب المشاريع التي تبني نماذج الذكاء الاصطناعي أو تضبطها دقيقًا أو تحسّنها من خلال عمليات تعلّم منظَّمة.
ماذا يعني
التدريب هو عملية تغذية مجموعة بيانات في معمارية نموذج وضبط معاملات النموذج حتى يتعلّم التعرّف على الأنماط، أو التنبّؤ، أو توليد المخرجات. يمكن أن تستغرق هذه العملية ساعات أو أسابيع وتتطلّب موارد حوسبية كبيرة.
في الذكاء الاصطناعي للعملات المشفّرة، تحاول المشاريع المركّزة على التدريب جعل أجزاء من هذه العملية لامركزية. فبعضها يبني شبكات تدريب موزَّعة حيث يساهم عدّة مشاركين بالحوسبة والبيانات. ويقدّم آخرون خدمات ضبط دقيق تخصّص النماذج المدرَّبة مسبقًا لمهامّ محدّدة. وتعمل مجموعة فرعية أصغر على التعلّم الموحَّد (federated learning)، حيث يحدث التدريب عبر عقد متعدّدة دون مركزة البيانات الخام.
ما يجعل التدريب قابلًا للتحقّق هو وجود مصنوعات ملموسة: سجلّات تدريب تُظهر كيف تحسّن النموذج مع الوقت، وإصدارات نماذج بتغييرات موثَّقة، وأوصاف مجموعات بيانات تحدّد ما تعلّمه النموذج منه، ونتائج معايير مرجعية تقيس جودة النموذج، وتجارب قابلة لإعادة الإنتاج يستطيع آخرون التحقّق منها.
تشمل مكوّنات الذكاء الاصطناعي النموذجية الموجودة في مشاريع الذكاء الاصطناعي/التدريب منسّقات التدريب الموزَّع، وأطر التعلّم الموحَّد، وخدمات الضبط الدقيق، وأنظمة AutoML، وخطوط أنابيب التدريب، وسجلّات النماذج التي تتعقّب النسب من البيانات عبر التدريب إلى النشر.
ولأن التدريب كثيف الموارد وصعب التحقّق منه عن بُعد، تحمل مشاريع الذكاء الاصطناعي/التدريب تحدّي تحقّق محدّدًا: كيفية إثبات أن تدريبًا مفيدًا حدث فعلًا على شبكة لامركزية، بدلًا من أن يكون محاكاةً أو مكرَّرًا بشكل تافه.
ينبغي للقرّاء الذين يقارنون الفئات أن يتذكّروا أن التدريب يقع في أعلى مجرى النشر: فقد يدرّب مشروع بشكل جيّد لكنه يفشل في التحويل إلى منتج، وعلى العكس، فإن قصّة منتج قويّة لا تُغني عن الدليل على أن النموذج دُرِّب كما وُصِف.
لماذا يصعب جعل التدريب لامركزيًّا
تستطيع المختبرات المركزية أن تجمع البيانات ووحدات GPU والمراقبة في مكان واحد. أما التدريب اللامركزي فيجب أن ينسّق الثقة والتوقيت وتحمّل الأخطاء عبر مشاركين قد يكون لديهم عتاد وحوافز ومستويات إفصاح مختلفة. لهذا تؤكّد بروتوكولات كثيرة على التنسيق (orchestration) ونقاط الحفظ (checkpointing) والإثبات (attestation) — لا على الحوسبة الخام فقط — عند وصف كيفية تشغيل التدريب عبر الشبكة.
من منظور السجلّ، يمكن للعلامة نفسها أن تغطّي أعماق عمل مختلفة جدًّا: جهد تدريب مسبق مخصّص كامل، أو برنامج ضبط دقيق جادّ على أوزان مفتوحة، أو مسار عمل رفيع يغلّف في الغالب واجهات برمجة طرف ثالث. تخبرك الفئة عن النيّة؛ وتخبرك البطاقة والأدلّة عن العمق.
التركيبات الفرعية الشائعة
يستخدم DecAIHub الفئات المركّبة. فيما يلي أكثر التركيبات شيوعًا ضمن الذكاء الاصطناعي/التدريب.
| التركيب الفرعي | ماذا يعني |
|---|---|
| الذكاء الاصطناعي/التدريب | Infra | بنية تحتية للتدريب — منصّات وأدوات لتنسيق تدريب النماذج على نطاق واسع. |
| الذكاء الاصطناعي/الحوسبة | الذكاء الاصطناعي/التدريب | حوسبة وتدريب مدمجان — مشاريع توفّر موارد GPU وتتخصّص في أحمال التدريب معًا (مثل Bittensor). |
| الذكاء الاصطناعي/البيانات | الذكاء الاصطناعي/التدريب | Infra | مشاريع خطّ أنابيب كامل — استمداد البيانات وتدريب النماذج والبنية التحتية مجموعة في بروتوكول واحد. |
| الذكاء الاصطناعي/التدريب | الذكاء الاصطناعي/الاستدلال | مشاريع تغطّي بناء النماذج وتقديمها في الإنتاج معًا. |
ما الذي تبحث عنه في بطاقة المشروع
عند قراءة بطاقة الذكاء الاصطناعي/التدريب على DecAIHub، انتبه إلى:
- AI component — هل تدرج البطاقة مكوّن ذكاء اصطناعي ملموسًا (تدريب موزَّع، تعلّم موحَّد، ضبط دقيق، AutoML، مكوّن تدريب)، أم مجرّد ادّعاءات غامضة من نوع "نحن ندرّب الذكاء الاصطناعي"؟
- مصنوعات التدريب — هل توجد مصنوعات Tier-1 مثل سجلّات التدريب، أو تواريخ إصدارات النماذج، أو توثيق مجموعات البيانات، أو نتائج معايير مرجعية منشورة؟
- جودة النموذج — هل يُظهر المشروع معايير مرجعية أو مقاييس جودة للنماذج التي ينتجها؟ هل يمكن مقارنة النتائج بخطوط أساس معروفة؟
- درجة AI reality (
ai_score) — هل يُظهر المشروع نتائج تدريب قابلة للتحقّق، أم أنه يكتفي بادّعاء تدريب النماذج؟ انظر AI reality. - Onchain necessity (
onchain_score) — هل يلعب البلوكتشين دورًا في تنسيق التدريب، أو توزيع الحوافز، أو التحقّق من النماذج، أم أنه يقتصر على إصدار الرمز؟
ما لا تثبته هذه الفئة وحدها
المشروع المُصنَّف ضمن الذكاء الاصطناعي/التدريب قد صُنِّف بوصفه مركَّزًا على التدريب بناءً على توضّعه ومصنوعاته المتاحة. العلامة وحدها لا تؤكّد أن:
- النماذج المدرَّبة مفيدة أو دقيقة أو تنافسية مع البدائل الراسخة؛
- النماذج مملوكة بدلًا من كونها ضبطًا دقيقًا تافهًا لأوزان متاحة علنًا؛
- عملية التدريب لامركزية فعلًا بدلًا من العمل على عنقود واحد؛
- مجموعات بيانات التدريب عالية الجودة، أو مصدرها أخلاقي، أو موثَّقة بشكل سليم؛
- الرمز ضروري لكي تعمل عملية التدريب.
تحقّق دائمًا من درجة DecAI Fit الكاملة وكتلة الأدلّة في بطاقة المشروع.
لا تخلط بين
- الذكاء الاصطناعي/الحوسبة — يوفّر موارد حوسبية خام؛ يتطلّب التدريب حوسبة لكنه نشاط متمايز يركّز على بناء النماذج، لا توريد العتاد. انظر الذكاء الاصطناعي/الحوسبة.
- الذكاء الاصطناعي/الاستدلال — يشغّل النماذج المدرَّبة في الإنتاج؛ الاستدلال هو ما يحدث بعد اكتمال التدريب. انظر الذكاء الاصطناعي/الاستدلال.
- الذكاء الاصطناعي/البيانات — يجمع البيانات ويعدّها؛ يستهلك التدريب البيانات لكن الفئتين تعالجان شواغل مختلفة (بناء النماذج مقابل توريد مجموعات البيانات). انظر الذكاء الاصطناعي/البيانات.
- الضبط الدقيق عبر واجهة برمجة — استدعاء واجهة برمجة لضبط نموذج طرف ثالث دقيقًا ببيانات قليلة قد لا يُشكّل تدريبًا ذا معنى. يعتمد التمييز على عمق التخصيص وما إذا كان المشروع يُظهر تحسينات في جودة النموذج.
الأسئلة الشائعة
كيف يختلف الذكاء الاصطناعي/التدريب عن الذكاء الاصطناعي/الحوسبة على البطاقة؟
الذكاء الاصطناعي/الحوسبة يؤكّد على توريد العتاد أو سعة الحوسبة لأحمال كثيرة. الذكاء الاصطناعي/التدريب يؤكّد على بناء النماذج أو تكييفها عبر حلقات التعلّم ومجموعات البيانات والتقييم. يمكن لمشروع أن يفعل كليهما؛ والعلامات المركّبة تصف ذلك التداخل.
هل يعني التعلّم الموحَّد دائمًا أن البيانات لا تغادر أجهزة المستخدمين؟
ليس بالضرورة. تتفاوت إعدادات التعلّم الموحَّد: فبعضها يُبقي البيانات الخام محليّة ويشارك التدرّجات أو التحديثات فقط؛ ويستخدم آخرون نماذج ثقة هجينة. تشير فئة السجلّ إلى النهج؛ أما ادّعاءات الخصوصية ومعالجة البيانات فيجب التحقّق منها مقابل الوثائق والأدلّة.
إذا نشر مشروع أرقام معايير مرجعية، فهل هذا كافٍ؟
تساعد المعايير المرجعية، لكن ينبغي أن تكون مرتبطة بظروف قابلة لإعادة الإنتاج (تقسيمات البيانات، إصدار النموذج، ميزانية التدريب). انظر المعايير المرجعية ومقاييس الجودة ودليل Tier-1 لمعرفة ما يُعدّ دعمًا قويًّا.
مراجع خارجية
- PyTorch — Training with PyTorch — مقدّمة محايدة وواسعة الاستخدام لـحلقة التدريب ونقاط الحفظ ومفاهيم التحسين التي تظهر في كثير من أوصاف المشاريع.
- Google Machine Learning Crash Course — Training and test sets — تأسيس مفاهيمي مختصر عن التعميم، وتقسيمات البيانات، ولماذا لا تكفي مقاييس التدريب وحدها.
No comments to display
No comments to display