هل شات جي بي تي يسرق أم يجمع البيانات، القرار لك حول ذلك، لكننا هنا سنشرح الخطوات التقنية بشكل تفصيلي.

سنستعرض بالتفصيل عملية جمع البيانات، تنقيتها، تدريب النموذج عليها، والتحسينات المستمرة التي يتم تطبيقها لضمان أداء عالي ودقة فائقة.

خطوات جمع البيانات لشات جي بي تي والتدرّب عليها

تأتي الخطوات الأساسية بالترتيب المنطقي التالي:

1. جمع البيانات (Data Collection).
2. تنقية البيانات (Data Filtering).
3. تجزئة البيانات (Data Segmentation).
4. التدريب المبدئي (Initial Training).
5. التدريب المخصص (Specialized Training).
6. تحسين المعلمات (Parameter Tuning).
7. تصحيح الأخطاء (Error Correction).
8. التجربة والتقييم (Testing and Evaluation).
9. التغذية الراجعة (User Feedback).

1. جمع البيانات (Data Collection)

 إن مصادر البيانات (Data Sources) المعروفة حالياً لـ ChatGPT هي:

1. صفحات الويب (Web Pages): تعتبر صفحات الويب المصدر الرئيسي للبيانات، حيث تحتوي على معلومات متنوعة من مقالات، مدونات، أخبار، ومنتديات.
2. الكتب الإلكترونية (E-books): تُستخدم الكتب الإلكترونية لتوفير محتوى نصي عميق ومفصل في مختلف المجالات.
3. الأبحاث العلمية (Scientific Papers): تساهم الأبحاث العلمية في تعزيز قاعدة المعرفة بالنصوص المتخصصة والدقيقة.
4. البيانات المفتوحة (Open Data): تضم مجموعات البيانات المفتوحة التي توفرها الحكومات والمؤسسات الأكاديمية.

طرق جمع البيانات (Data Collection Methods):
تشمل طرق جمع البيانات استخدام برامج زحف الويب (Web Crawlers) وتقنيات جمع البيانات الآلية التي تقوم بتجميع النصوص من مصادر مختلفة.

يتم تصميم برامج الزحف لجمع البيانات بطريقة فعالة ومنظمة، مع مراعاة سياسات الخصوصية والشروط القانونية لمواقع الويب بحسب زعمهم.

2. تنقية البيانات (Data Filtering)

تعد تنقية البيانات خطوة حاسمة لضمان جودة البيانات المستخدمة في تدريب النماذج.

تهدف هذه العملية إلى إزالة النصوص غير المرغوب فيها والضوضاء (Noise) التي قد تؤثر سلبًا على أداء النموذج.

 خطوات تنقية البيانات (Data Filtering Steps)

1. إزالة التكرار (Duplicate Removal):
   يتم التخلص من النصوص المكررة لضمان تنوع البيانات.
2. تنظيف النصوص (Text Cleaning):
   يشمل إزالة النصوص غير المكتملة أو المشوشة.
3. التصفية حسب المحتوى (Content Filtering):
   يتم تصفية النصوص بناءً على معايير محددة، مثل إزالة المحتويات غير اللائقة أو المسيئة.

3. تجزئة البيانات (Data Segmentation)

وهنا يتم تقسيم البيانات (Data Splitting)، فبعد تنقية البيانات، يتم تقسيمها إلى مجموعات مختلفة لضمان تدريب متوازن وتقييم دقيق للنموذج.

وما هو معلوم, دوماً يوجد مجموعة للتدريب، وبعد ذلك مجموعة لاختبار النموذج المدرّب وفي النهاية مجموعة للتحقق وزيادة الدقة.

وبالتالي تشمل عمليات التقسيم بالتفصيل ما يلي:

1. مجموعة التدريب (Training Set):
   تستخدم هذه المجموعة لتدريب النموذج على التعرف على الأنماط واستخلاص العلاقات بين النصوص.
2. مجموعة الاختبار (Testing Set):
   تستخدم لتقييم أداء النموذج بعد التدريب.
3. مجموعة التحقق (Validation Set):
   تساعد في ضبط المعلمات (Parameter Tuning) أثناء عملية التدريب.

4. التدريب المبدئي (Initial Training)

يستخدم في هذه الخطوة خوارزميات التعلم العميق (Deep Learning Algorithms) لتدريب النموذج على مجموعة التدريب.

من بين هذه الخوارزميات:

1. الشبكات العصبية التلافيفية (Convolutional Neural Networks – CNNs):
   تستخدم في معالجة النصوص وفهم الهياكل المعقدة، كما وتستمد إلهامها من العمليات البيولوجية الحاصلة في الفص البصري بالتحديد في دماغ الكائنات الحية، وتعتبر حلاً للكثير من مشاكل الرؤية الحاسوبية في الذكاء الاصطناعي مثل معالجة الصور والفيديوهات.
2. الشبكات العصبية المتكررة (Recurrent Neural Networks – RNNs):
   تُستخدم لتحليل التسلسلات الزمنية للنصوص، مثل الجمل والفقرات.

 مثال على التدريب المبدئي:

عند تدريب النموذج على نصوص طبية، يتم تزويده بمقالات وأبحاث طبية ليتمكن من فهم المصطلحات الطبية والعلاقات بين الأعراض والتشخيصات.

5. التدريب المخصص (Specialized Training)

 وهي مرحلة تحسين أداء النموذج (Model Fine-tuning)، بعد التدريب المبدئي، يتم تحسين أداء النموذج من خلال التدريب المخصص.

يشمل ذلك:

1. التدريب على مجالات محددة (Domain-specific Training):
   تدريب النموذج على بيانات متخصصة في مجالات معينة مثل الطب، القانون، أو العلوم.
2. التدريب التكراري (Iterative Training):
   تحسين النموذج بشكل تكراري من خلال تغذية البيانات الجديدة والتغذية الراجعة.

6. تحسين المعلمات (Parameter Tuning)

وينفذ هنا عملية ضبط المعلمات (Hyperparameter Tuning) التي تتضمن ضبط المعلمات الفائقة (Hyperparameters) للنموذج لتحسين أدائه.

لتبسيط الموضوع يجب أن لا ننسى أننا نتعامل هنا مع نماذج رياضية، ولكل نموذج رياضي معاملات تضبط النموذج الرياضي، وهنا ما نقصده بالضبط.

تشمل هذه المعلمات:

1. معدل التعلم (Learning Rate):
   يؤثر على سرعة تعلم النموذج.
2. عدد الطبقات العصبية (Number of Neural Layers):
   يؤثر على عمق النموذج وقدرته على تعلم الأنماط المعقدة.

7. تصحيح الأخطاء (Error Correction)

 تقنيات تصحيح الأخطاء (Error Correction Techniques) تستخدم لتحسين دقة النموذج واستقراره.

تشمل هذه التقنيات:

1. التحقق المتقاطع (Cross-validation):
   تقسيم البيانات إلى مجموعات متعددة لاختبار النموذج على كل مجموعة بشكل منفصل.
2. التعلم المعزز (Reinforcement Learning):
   استخدام التغذية الراجعة لتعديل النموذج وتحسين أدائه بناءً على الأخطاء السابقة.

8. التجربة والتقييم (Testing and Evaluation)

يتم تقييم أداء (Performance Evaluation) النموذج باستخدام مجموعة الاختبار.

تشمل مقاييس التقييم:

1. الدقة (Accuracy):
   نسبة النصوص التي تم تصنيفها بشكل صحيح.
2. الدقة الاسترجاعية (Recall Precision):
   قياس قدرة النموذج على استرجاع المعلومات الصحيحة.
3. مؤشّر (F1 Score):
   مقياس يجمع بين الدقة والدقة الاسترجاعية لتقديم تقييم شامل لأداء النموذج.

 مثال على التقييم:

عند تقييم نموذج يتم تدريبه على نصوص قانونية، يتم استخدام مجموعة اختبار من المستندات القانونية للتحقق من دقة النموذج في فهم المصطلحات القانونية وتطبيقها بشكل صحيح.

9. التغذية الراجعة (User Feedback)

يتم جمع التغذية الراجعة (Feedback Collection) من المستخدمين لتحسين النموذج باستمرار.

تشمل طرق جمع التغذية الراجعة:

1. الاستبيانات (Surveys):
   جمع آراء المستخدمين حول أداء النموذج وتقديم توصيات للتحسين.
2. التقييمات المباشرة (Direct Evaluations):
   تحليل التفاعلات المباشرة مع المستخدمين لتحديد نقاط الضعف والقوة في النموذج.

10. الخاتمة

تعد عملية جمع البيانات من الإنترنت وتدريب النماذج عليها داخل ChatGPT عملية معقدة وشاملة تتطلب العديد من الخطوات الدقيقة لضمان الحصول على نموذج دقيق وفعّال.

من جمع البيانات وتنقيتها إلى التدريب والتقييم، يتم تحسين النموذج بشكل مستمر باستخدام أحدث التقنيات والأساليب العلمية.

هذا النهج يضمن أن يكون ChatGPT قادرًا على تقديم إجابات دقيقة وموثوقة في مختلف المجالات.

ولكن السؤال هنا، ماذا لو أصبحت البيانات على الإنترنت كلها من صنع الـ AI ؟! حينها على ماذا سيتدرّب؟ أم أن للذكاء الاصطناعي العام AGI رأي آخر؟

مراجع مهمة

1. جي بي تي. (https://openai.com/index/chatgpt/).
2. https://contentatscale.ai/blog/how-does-chatgpt-work/