Soro: A Lightweight Foundation Model and Chatbot for Tajik
تقدم الورقة البحثية Soro، وهي عائلة من النماذج اللغوية الكبيرة الحوارية خفيفة الوزن والمتخصصة في اللغة الطاجيكية والمبنية على Gemma 3، والتي تحقق أداءً فائقاً في مهام اللغة الطاجيكية والمجالات التعليمية مع الحفاظ على القدرات الإنجليزية ودعم النشر الفعال على الأجهزة الطرفية من خلال التكميم.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل عالم الذكاء الاصطناعي كمكتبة ضخمة ومزدحمة. لسنوات طويلة، تم تزويد هذه المكتبة بالكتب باللغة الإنجليزية والصينية بشكل شبه كامل، مع وجود رفوف قليلة جداً مخصصة للغات أخرى. إذا دخلت بحثاً عن كتاب باللغة الطاجيكية (وهي لغة يتحدث بها سكان طاجيكستان، وتُكتب بالأبجدية السيريلية، ولها صلة بالفارسية)، ستجد الرفوف شبه فارغة.
تقدم هذه الورقة البحثية مشروع Soro، وهو مشروع جديد مصمم لملء تلك الرفوف الفارغة خصيصاً للمتحدثين بالطاجيكية. فكر في Soro ليس كمكتبة جديدة تماماً بُنيت من الصفر، بل كأمين مكتبة ماهر يأخذ بعض الكتب الموجودة وعالية الجودة (من نموذج يسمى Gemma 3) ويعيد كتابتها، وترجمتها، وتنظيمها بالكامل إلى اللغة الطاجيكية.
إليكم كيف فعلوا ذلك، باستخدام تشبيهات بسيطة:
1. الوصفة: "التعلم المسبق المستمر" و"ضبط التعليمات"
لم يبدأ الفريق بصفحة بيضاء. لقد بدأوا بنموذج ذكي مفتوح المصدر (Gemma 3) يعرف القليل بالفعل عن الطاجيكية ولكنه ليس طليقاً بها.
الخطوة 1: "دورة الانغماس" (التعلم المسبق المستمر): تخيل أخذ أمين المكتبة الذكي هذا وإرساله إلى مخيم صيفي لا يتحدث فيه سوى الطاجيكية. لقد قرأ 1.9 مليار كلمة من النصوص الطاجيكية. لم تكن هذه النصوص مجرد دردشة عشوائية من الإنترنت؛ بل كانت منسقة بعناقة. تضمنت:
- نصوص الويب المفلترة: أفضل الأجزاء من الإنترنت الطاجيكي.
- ملفات PDF ووثائق: أوراق وتقارير رسمية.
- الكتب المدرسية: والأهم من ذلك، قاموا بمسح وطباعة الكتب المدرسية المادية المستخدمة في المدارس الطاجيكية (من الصف الخامس إلى الحادي عشر). منح هذا الذكاء الاصطناعي فهماً عميقاً للتاريخ والأدب والعلوم الطاجيكية كما تُدرس في طاجيكستان.
- المواد التعليمية المترجمة: أخذوا كتب علوم وتاريخ إنجليزية عالية الجودة وترجموها إلى الطاجيكية لسد الفجوات.
الخطوة 2: "تدريب المعلمين" (ضبط التعليمات): القراءة شيء، والدردشة شيء آخر. بعد ذلك، علم الفريق النموذج كيف يكون معلماً مفيداً. أنشأوا 40,000 مثال من الأسئلة والأجوبة، مكتوبة بأسلوب "يشبه المعلم". علمت هذه الأمثلة الذكاء الاصطناعي كيفية شرح الأشياء ببساطة، واستخدام الاستعارات، وطرح أسئلة متابعة لمساعدة الطلاب على الفهم، بدلاً من مجرد إلقاء الحقائق.
2. سحر "الدمج"
بعد أن تعلم الذكاء الاصطناعي كل هذا الطاجيكي، قلق الفريق من أنه قد ينسى كيفية التحدث بالإنجليزية أو التعامل مع المواضيع العامة. ولحل هذه المشكلة، استخدموا تقنية تسمى الدمج الخطي (Linear Merging).
فكر في الأمر كخلط نوعين من العصائر (Smoothies).
- العصير (أ): نموذج Gemma 3 الأصلي (ممتاز في المعرفة العامة، وجيد في الطاجيكية).
- العصير (ب): نموذج Soro الجديد (خبير في الطاجيكية، وربما أقل حدة في الإنجليزية العامة).
- النتيجة: قاموا بخلطهما معاً، محتفظين بحوالي 80% من خبير الطاجيكية الجديد و 20% من العام المتميز الأصلي. خلق هذا نموذجاً هو خبير في الطاجيكية ولكنه لا يزال يتذكر كيفية التحدث بالإنجليزية والتعامل مع المهام العامة.
3. جعله يناسب حقيبة الظهر (الكمّية - Quantization)
طاجيكستان لديها أجهزة حاسوب محدودة، خاصة في المناطق الريفية. لا يمكنك تشغيل نموذج ذكاء اصطناعي ضخم على حاسوب محمول عادي؛ الأمر يشبه محاولة وضع ثلاجة كاملة الحجم في سلة دراجة هوائية.
استخدم الفريق تقنية الكمّية (Quantization) لتقليص حجم النموذج.
- FP8 (نصف الحجم): قاموا بضغط النموذج بحيث يشغل حوالي نصف الذاكرة، مثل طي معطف ثقيل ليناسب حقيبة صغيرة.
- INT4 (حجم ضئيل): قاموا بضغطه أكثر (4-bit)، مما يجعله صغيراً بما يكفي للعمل على حاسوب ألعاب قياسي أو حتى هاتف قوي. هذا أمر بالغ الأهمية للمدارس في المناطق النائية حيث الإنترنت ضعيف؛ حيث يمكن للذكاء الاصطناعي أن يعمل محلياً على حاسوب المدرسة دون الحاجة إلى اتصال دائم بمزرعة خوادم ضخمة.
4. "تجربة القيادة" (الاختبارات والنموذج التجريبي)
بسبب عدم وجود اختبارات موجودة للطاجيكية، اضطر الفريق لبناء اختباراتهم الخاصة. أنشأوا مجموعة من 6 اختبارات جديدة (مثل اختبار رخصة القيادة للذكاء الاصطناعي) تغطي:
- التاريخ والأدب الطاجيكي: هل تعلم قصص السلالة السامانية والشعراء المشهورين؟
- اللسانيات: هل يفهم قواعد اللغة والإملاء الطاجيكي؟
- المعرفة العامة: هل يمكنه الإجابة على أسئلة حول الجغرافيا والمؤسسات الطاجيكية؟
النتائج:
- سجل Soro درجات أعلى بكثير في هذه الاختبارات الطاجيكية مقارنة بالنماذج الأخرى من نفس الحجم.
- لم يفقد مهاراته في الإنجليزية؛ بل حافظ على قوتها.
- حتى النسخ الصغيرة المضغوطة (INT4) كان أداؤها يقارب تقريباً النسخة الضخمة غير المضغوطة.
5. الاستخدام في العالم الحقيقي: التجربة المدرسية
تصف الورقة البحثية تجربة واقعية تسمى مشروع Soro.
- أين: 100 مدرسة في جميع أنحاء طاجيكستان، من العاصمة (دوشانبي) إلى المناطق الجبلية النائية.
- من: 770 معلماً وأكثر من 2,000 طالب.
- كيف يعمل:
- للطلاب: يعمل كمعلم خصوصي. يمكن لطالب خجول أن يطلب من Soro شرح مسألة رياضية صعبة بالطاجيكية دون الشعور بالإحراج أمام الفصل.
- للمعلمين: يساعد في صياغة خطط الدروس وتلخيص المواد، مما يوفر وقتهم.
- الهدف: جزء من استراتيجية وطنية لتدريس "مقدمة في الذكاء الاصطناعي" كمادة مدرسية.
6. ماذا وجدوا (وما لم يجدوه)
- النجاح: أحب المعلمون والطلاب أن الذكاء الاصطناعي يتحدث طاجيكية طليقة وطبيعية. بدا الأمر وكأنك تتحدث مع صديق محلي واسع المعرفة. وقد ساعد الطلاب على التفاعل أكثر مع دروسهم.
- التحديات:
- السرعة: في بعض الأماكن، كان الذكاء الاصطناعي بطيئاً قليلاً في الرد، مما جعل الاستخدام المباشر في الفصل أمراً صعباً.
- الدقة: أحياناً، يرتكب أخطاء في بعض الحقائق المحلية الدقيقة جداً (مثل التغييرات الأخيرة في الحكومة المحلية)، مما يظهر أنه لا يزال بحاجة إلى المزيد من التدريب على "المعرفة المحلية".
- الأمان: يقر الفريق بأن الذكاء الاصطناعي يمكن أن "يهلوس" (يختلق أشياء) أحياناً، لذا فهم يبنون فلاتر لإبقاء المحتوى آمناً للأطفال.
الملخص
Soro هو روبوت دردشة ذكاء اصطناعي خفيف الوزن ومتخصص تم بناؤه خصيصاً لطاجيكستان. يأخذ ذكاءً اصطناعياً عاماً وذكياً، ويعلمه كل ما يحتا-جه من معرفة بالثقافة الطاجيكية والمناهج المدرسية، ويقلص حجمه ليناسب أجهزة الكمبيوتر المحلية، ويضعه في المدارس لمساعدة المعلمين والطلاب. إنه يثبت أنك لست بحاجة إلى سوبر كمبيوتر لجلب الذكاء الاصطناعي الحديث إلى لغة ذات موارد منخفضة؛ أنت فقط بحاجة إلى البيانات الصحيحة وقليل من الإبداع الهندسي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.