عندما سُئل عن سبب قيامه بسرقة البنوك، أجاب سارق البنك الأمريكي ويلي ساتون، كما ورد، “لأن هذا هو المكان الذي توجد فيه الأموال”.
إنها وجهة نظر محدودة، لكنها منطقية.
يستمر المقال أدناه
رئيس قسم التكنولوجيا في شركة Tech Mahindra.
في الواقع، إنهم يحاولون بناء قبو آمن بدون أموال. خزنة بدون مال؟ هذا لن يثير اهتمام ويلي، ولا ينبغي أن يثير اهتمام الإدارة أيضًا.
في الواقع، هناك ما هو أسوأ من ذلك: يمكن لنموذج اللغة الكبيرة أن يشكل خطرًا كبيرًا على شركتك، بغض النظر عن موقعها، إذا لم يتم تدريبها خصيصًا على تفاصيل مجال عملك.
إذا لم تتمكن من إخبارك بما تحتاج إلى معرفته – إذا لم تتمكن من اكتشاف انتهاكات اتفاقية بازل 3 في حالة البنك، أو الكشف عن حالات الخروج عن قانون كابا في تصنيع الأدوية، أو فهم معنى القوة القاهرة في السياق المحدد لعقد الطاقة – فلن تكون ذات فائدة كبيرة لك، أينما حدثت.
تحتاج المؤسسات إلى نموذج لغة مخصص يوفر تحليلاً تفصيليًا ودقيقًا للحساسيات التي تحتاج إلى الاهتمام، وليس نظرة عامة سلسة قد تكون خاطئة جدًا. لن يرغب المنظمون في سماع أن عدم امتثالك كان بسبب مساعدة GPT في مشكلة حرجة.
نماذج صغيرة، مزايا كبيرة
بالإضافة إلى كونه أكثر دقة بثلاث إلى خمس مرات، فإن تركيز المجال ونموذج اللغة الخاص بالشركة على المعلومات المتخصصة له مزايا إضافية قد يوافق عليها ويلي: فهو يوفر المال؛ ويمكنك تشغيله في بيئتك الخاصة.
تتطلب النماذج ذات الأغراض العامة قوة حاسوبية هائلة للاحتفاظ بالمعرفة في كل شيء بدءًا من شعر القرن الثامن عشر وحتى فيزياء الكم. يمكن أن يكون حجم نموذج اللغة الصغيرة (SLM) الذي تتراوح معلماته من 1 مليار إلى 13 مليارًا أقل من 1 بالمائة من حجم أحد عمالقة الصناعة.
وبفضل هذا التركيز، تستهلك المطالبات طاقة أقل بكثير ويمكن نشر النموذج محليًا أو على منصة سيادية بسهولة أكبر سحاب.
فكر في الشكل الذي يبدو عليه هذا في الممارسة العملية:
في حالة شركة التأمين، يمكن لإدارة إدارة السيولة المالية (SLM) المالية المدربة على لغة التأمين الخاصة بها ومفردات المخاطر التعامل مع تحليل حالة الائتمان بطريقة لا يمكن لنماذج اللغة الكبيرة أن تؤديها بشكل موثوق.
بالنسبة لمصنعي الأدوية، يمكن استخدام SLM للكشف عن الانحرافات في CAPA وتسجيل مخاطر التفاعل الدوائي في مصطلحات محددة مطلوبة في الملفات التنظيمية.
بالنسبة لموردي السيارات، يمكن تدريب SLM الخاص بك على فك تشفير إشارات الصيانة التنبؤية والتحقق من الحالات الشاذة في سلسلة التوريد، ثم توصيل تلك المعلومات بلغة واضحة ليس فقط إلى لوحات معلومات محلل البيانات، ولكن أيضًا إلى أرضية المتجر مباشرةً.
القبو لا عيب فيه
بالطبع، تظل السلامة أولوية رئيسية، حتى في SLM المتخصصة للغاية.
بمجرد حصولك على SLM الذي تحتاجه، سيصبح الأمان على رأس أولوياتك. ولكن حتى الآن، لا تزال مسألة السيادة أقل أهمية من الهندسة المعمارية. قد يكون البنك الذي تتعامل معه في الشارع الرئيسي، ولكن ما يحميه من ويلي هو جهاز الإنذار ضد السرقة، وسمك جدران القبو، وتعقيد القفل، وليس موقعه الجغرافي.
إذا كان هناك شيء واحد تعلمته على مدى عقدين من الزمن في مجال تكنولوجيا المعلومات في مجال التمويل، فهو أن الأمن يحتاج إلى أن يكون مدمجًا في البنية.
أينما توجد بياناتك، يجب عليك تصميم أنظمتك بحيث لا يمكن تسريب عنوان IP ولا يمكن تخزين بيانات الاستعلام من قبل موفري واجهة برمجة التطبيقات التابعة لجهات خارجية، أو تعريضها لهجمات عكس النموذج، أو إدخالها في مسارات الوكلاء.
أنت بحاجة إلى استنتاج فجوات لأعباء العمل الحساسة من المستوى الأول، والخصوصية التفاضلية في مسارات التدريب – الضمانات الرياضية، وليس نماذج الموافقة – ومسارات التدقيق الموقعة بالتشفير لكل قرار يتعلق بالذكاء الاصطناعي.
تريد أن تكون قادرًا على طرح سؤال على فريقك: إذا تمت سرقة أوزان نموذجنا غدًا، فما الذي سيكتشفه الخصم ويحصل على الإجابة “ليس كثيرًا”.
إن تأمين خصوصية العملاء في عصر الذكاء الاصطناعي يعزز استراتيجية مماثلة. هناك نسخة من حماية بيانات الذكاء الاصطناعي للمؤسسات متخيلة في المستندات القانونية، ولكن هناك أيضًا نسخة تعمل.
لا تمنع عمليات التحقق على مستوى السياسة تذكر نماذج المواد الخاصة أثناء التدريب، أو إعادة تحديد وقت الاستدلال، أو تسجيل الاستعلامات بواسطة موفر واجهة برمجة التطبيقات (API) التابع لجهة خارجية.
ولحماية البيانات في الممارسة العملية ــ وليس فقط من الناحية النظرية ــ تحتاج المؤسسات إلى الأمن حسب التصميم: التعلم الموحد، الذي يقوم بتدريب النماذج عبر العقد الموزعة دون نقل البيانات الخام بشكل مستمر؛ الخصوصية التفاضلية، التي توفر ضمانات رياضية ضد الهندسة العكسية للسجلات الفردية؛ وتوليد البيانات الاصطناعية، التي تستبدل بيانات التدريب الحساسة بوكلاء مكافئين إحصائيا.
وأخيرا، من البديهي أن مواكبة اللوائح المتغيرة لا تقل أهمية عما كانت عليه في الماضي.
في الوقت الحالي، يعتمد تنفيذ هذه التدابير على مدى رغبتك في المخاطرة، ولكن قريبًا. إن قانون الذكاء الاصطناعي رقم 10 في الاتحاد الأوروبي، وسياسة DPDP في الهند، والخليط المتنامي من قوانين الولايات المتحدة سوف يتطلب ضوابط فنية، وليس فقط سياسات. وبحلول عام 2027، سيظهر كمعيار قياسي في طلبات تقديم العروض الخاصة بالذكاء الاصطناعي للمؤسسات.
التنفيذ الصحيح
عندما يتم تصميم نماذج اللغات الصغيرة بشكل صحيح ونشرها بأمان، يجب أن تتفوق على منافسيها الأكبر في جميع الجوانب الأكثر أهمية لأصحاب المصلحة: الأداء والقدرة على التنبؤ والالتزام بالنجاح.
وهذه أخبار جيدة بالنسبة لك العمل لأن ويلي ساتون كان مخطئًا – المال الحقيقي هو رعاية أصحاب المصلحة لديك.
تقديم أفضل أدوات الذكاء الاصطناعي.
تم إنشاء المقالة كجزء من توقعات TechRadar بروتعرض قناتنا أفضل وألمع العقول في صناعة التكنولوجيا اليوم.
الآراء الواردة هنا هي آراء المؤلف وليست بالضرورة آراء TechRadarPro أو Future plc. إذا كنت مهتمًا بالتعاون، يمكنك العثور على مزيد من المعلومات هنا: https://www.techradar.com/pro/perspectives-how-to-submit









