Decoupling Performance from Energy in AI-Based Business Optimization: An Error-Driven Control Loop for Sustainable Tabular Reasoning
تقترح هذه الورقة إطار عمل لتحسين الأوامر (prompts) القائم على الخطأ، والذي يعامل ضبط الأوامر كحلقة تحكم بالتغذية الراجعة ذات زمن منفصل، مما يثبت أنه يحقق أداءً يضاهي الضبط الدقيق (fine-tuning) في مهام الاستدلال المالي مع استهلاك طاقة أقل بكثير من تقنية LoRA أو الضبط الدقيق الكامل.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
في عالم الأعمال الحديث، تعتمد الشركات بشكل متزايد على الذكاء الاصطناعي لقراءة التقار ت المالية، والإجابة على الأسئلة المتعلقة بالجداول المعقدة، واتخاذ قرارات حاسمة. تُبنى هذه الأنظمة على نماذج لغوية كبيرة، وهي برامج حاسوبية قوية تم تدريبها على كميات هائلة من النصوص. ورغم أن هذه النماذج قادرة بشكل مذهل، إلا أن تعليمها أداء مهام محددة ومتخصصة يتطلب عادةً عملية تسمى "الضبط الدقيق" (fine-tuning). تشبه هذه العملية إعادة تدريب طالب على مادة جديدة؛ فهي تتضمن تمرير النموذج عبر آلاف الأمثلة مع تعديل إعداداته الداخلية. ومع ذلك، فإن إعادة التدريب هذه تستهلك طاقة هائلة، حيث تستهلك كميات ضخمة من الكهرباء وتولد بصمة كربونية كبيرة. ومع تشديد اللوائح التنظيمية وسعي الشركات لتقليل أثرها البيئي، تبرز حاجة متزايدة لطرق يمكنها تطويع هذه الأنظمة للذكاء الاصطناعي لأداء وظائف محددة دون التكلفة الطاقية الباهظة لإعادة التدريب التقليدية.
لقد استكشف فريق من الباحثين في جامعة دبرتسن في المجر مساراً مختلفاً. فبدلاً من إعادة تدريب "الدماغ" الداخلي للنموذج، ركزوا على تغيير التعليمات المقدمة إليه. لقد عاملوا عملية تحسين أداء الذكاء الاصطناعي ليس كجلسة تدريب، بل كحلقة تغذية راجعة، تشبه الطريقة التي يضبط بها منظم الحرارة (الثرموستات) درجة حرارة الغرفة. في نظامهم، يحاول نموذج حاسوبي صغير وفعال حل أسئلة حسابية بناءً على جداول مالية. وعندما يرتكب خطأً، لا يقوم النظام بمجرد تجاهل الخطأ، بل يجمع الأخطاء المتشابهة معاً. ثم يقوم خبير بشري بالاطلاع على هذه المجموعات وكتابة قاعدة بسية بلغة عادية لإصلاح نوع الخطأ المحدد. تُضاف هذه القاعدة إلى التعليمات المقدمة للذكاء الاصطناعي، وتتكرر العملية. وقد قاس الباحثون الكهرباء المستخدمة في هذه الدورة بأكملها مباشرة من مأخذ الحائط، مقارنة بتكلفة الطاقة التقديرية لإعادة التدريب التقليدية.
كانت نتائج هذا النهج مذهلة. فباستخدام نموذج لغوي صغير يحتوي على أربعة مليارات معلمة (parameter)، نجح الباحثون في تحسين قدرة النموذج على الإجابة على الأسئلة المالية من دقة تقارب 57 بالمئة إلى 66 بالمئة. وقد تحقق هذا التحسن من خلال إضافة عدد قليل فقط من القواعد التي كتبها البشر عبر سلسلة من الخطوات. استهلكت العملية بأكملها —من اكتشاف هذه الأخطاء، وكتابة القواعد، واختبار النتائج— 351 واط/ساعة فقط من الكهرباء. ولوضع ذلك في الاعتبار، قدر الباحثون أن استخدام الطريقة القياسية لإعادة تدريب نفس النموذج كانت ستتطلب أكثر من 7,400 واط/ساعة لتحديث جزئي، وأكثر من 3,500 واط/ساعة لإعادة تدريب كاملة. لقد استخدمت الطريقة الجديدة طاقة أقل بنحو عشرين ضعفاً من تقدير إعادة التدريب الجزئي، وعشرة أضعاف أقل من إعادة التدريب الكاملة.
إن ما يجعل هذا الاكتشاف مهماً بشكل خاص هو أن النموذج الصغير والمحسن أدى بشكل جيد تماماً مثل الأنظمة الكبيرة المملوكة لشركات والتي تُستخدم عادةً لهذه المهام. وجد الباحثون أن نموذجهم الصغير، الذي يعمل على أجهزة محلية داخل المؤسسة، يمكنه مطابقة دقة نظام يعتمد على نموذج تجاري أكبر بكثير تم برمجته يدوياً بالقواعد. وهذا يشير إلى أن الشركات لا تحتاج بالضرورة إلى الاستثمار في دورات إعادة تدريب ضخمة ومستهلكة للطاقة للحصول على نتائج عالية الجودة. بدلاً من ذلك، يمكنها استخدام نهج أكثر دقة وتوجيهاً من قبل البشر، مما يحافظ على أمن البيانات داخل شبكاتها الخاصة ويسمح بمراجعة وفهم كل خطوة من خطوات التكيف.
كما سلطت الدراسة الضوء على أن توفير الطاقة يعتمد بشكل كبير على سرعة تفكير النموذج الحاسوبي. فكلما كان النموذج أسرع في الإجابة على الأسئلة، قلّت الطاقة المهدورة خلال مراحل اختبار الحلقة. وبالنسبة للنموذج المحدد الذي اختبروه، كانت وفورات الطاقة كبيرة. ومع ذلك، بالنسبة للنماذج الأبطأ، تقلصت الفجوة بين هذه الطالة الجديدة وإعادة التدريب التقليدية، وإن ظلت الطريقة الجديدة تنافسية. وأكد الباحثون أنه بينما تعتبر وفورات الكهرباء حقيقية وقابلة للقياس، فإن العملية لا تزال تتطلب جهداً بشرياً. فقد قضى خبير متخصص بضعة ساعات في مراجعة مجموعات الأخطاء وكتابة القواعد. ويمثل هذا الوقت البشري تكلفة لا يتم رصدها في عداد الكهرباء، ولكنها تكلفة يمكن إدارتها وتدقيقها، على عكس استهلاك الطاقة الغامض لعمليات التدريب الضخمة.
في نهاية المطاف، يقدم هذا العمل بديلاً عملياً للشركات العاملة في المجالات المنظمة مثل التمويل والطاقة. تتطلب هذه الصناعات قرارات دقيقة، وقابلة للتفسير، ومستدامة. ومن خلال فصل الأداء عن استهلاك الطاقة، أثبت الباحثون أنه من الممكن بناء أدوات ذكاء اصطناعي فعالة للغاية دون العبء البيئي الهائل المرتبط بها عادةً. إن هذه الطريقة دقيقة لأنها تُختبر مقابل إجابات محددة، وقابلة للتفسير لأن كل تغيير هو جملة مقروءة، وقابلة للإثبات لأن استهلاك الطاقة يُقاس مباشرة. ومع مواجهة الشركات لضغوط متزايدة لتوثيق انبعاثاتها الكربونية واستخدامها للطاقة، يوفر هذا النهج طريقة واضحة وشفافة لتكييف الذكاء الاصطناعي مع الاحتياجات الواقعية، محولاً إياه من عبء بيئي محتمل إلى عملية تجارية فعالة وقابلة للإدارة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.