لماذا تخلينا عن مصنّفات النوايا

أحد أكثر الأسئلة شيوعًا التي نتلقاها من العملاء والمستخدمين المحتملين هو: "أين توجد مصنفات النوايا لديكم؟"

ليس لدينا أي منها. نعم، هذا مقصود.

يستخدم Botpress نماذج اللغة الكبيرة (LLMs) لتحديد نية المستخدم. لماذا؟ إذا كنت تبني روبوت دردشة أو وكيل ذكاء اصطناعي، فهذا أفضل بكثير لكل من المطورين والمستخدمين.

نحن مقتنعون بهذا التوجه، لذا أود أن أشرح لكم سبب عدم وجود مصنّفات نوايا لدينا.

خلاصة: البناء أسهل، والدقة أعلى، والصيانة أبسط.

الأيام القديمة (قبل نماذج اللغة الكبيرة)

(إذا كنت تعرف ما هي مصنّفات النوايا ووظيفتها، يمكنك تجاوز هذا القسم.)

مصنّف النوايا هو أداة تصنف مدخلات المستخدم ضمن نوايا محددة مسبقًا بناءً على بيانات تدريبية.

على المطورين جمع وتصنيف عدد لا يحصى من الأمثلة لكل نية ممكنة، على أمل أن يتمكن النظام من مطابقة مدخلات المستخدم مع هذه الأمثلة.

على سبيل المثال، مع روبوت دردشة للتجارة الإلكترونية، قد يحدد المطورون نية مثل "تتبع الطلب". وقد تتضمن العبارات النموذجية: "أين طلبي؟"، "تتبع طلبي"، و"هل يمكنك التحقق من حالة التوصيل؟"

هم في الأساس يدربون وكيل الذكاء الاصطناعي على التعرف على نية المستخدم من خلال إعطائه أمثلة. ونعم، عليهم إدخال كل ذلك يدويًا.

لحسن الحظ، الحاجة لهذا الربط اليدوي بين العبارات والنوايا اختفت تقريبًا مع تطور نماذج اللغة الكبيرة.

لكن العديد من منصات الذكاء الاصطناعي الحوارية لا تزال تستخدمها. لماذا؟ سنوضح ذلك لاحقًا.

4 سلبيات لمصنّفات النوايا

ليست المسألة فقط أنها عملية أطول – مصنّفات النوايا تعاني من مشاكل عديدة. إليكم بعضها:

1. الاعتماد على البيانات

مصنّفات النوايا تحتاج إلى كميات ضخمة من البيانات. فهي تتطلب مجموعة بيانات ضخمة وممثلة من أمثلة المستخدمين لكل نية حتى تعمل بدقة. بدون ذلك، تجد صعوبة في تصنيف المدخلات بشكل صحيح.

وبناء هذه المجموعات من البيانات عملية مرهقة. يقضي المطورون ساعات طويلة في جمع وتصنيف الأمثلة، وهذا – بلا شك – ليس استخدامًا جيدًا لوقتهم.

2. محدودية التوسع

مصنّفات النوايا ليست مصممة للتوسع. إضافة نوايا جديدة تعني جمع المزيد من البيانات وإعادة تدريب النموذج، مما يصبح بسرعة عائقًا في التطوير. بالإضافة إلى ذلك، قد تكون صيانتها مرهقة – لأن اللغة تتغير باستمرار، وكذلك العبارات المستخدمة.

3. ضعف فهم اللغة

مصنّفات النوايا تفتقر إلى الفهم الحقيقي للغة. فهي تجد صعوبة في التعامل مع تنوعات اللغة مثل:

• المرادفات
• إعادة الصياغة
• العبارات الغامضة
• الأخطاء الإملائية
• التعابير العامية غير المألوفة
• المدخلات المجزأة

غالبًا ما تعالج كل عبارة بشكل منفصل، ما يعني أنها تفتقر إلى القدرة على الحفاظ على سياق المحادثة.

4. الإفراط في التخصيص (Overfitting)

مصنّفات النوايا معرضة للإفراط في التخصيص، حيث تحفظ أمثلة التدريب بدلاً من تعلم الأنماط العامة.

هذا يعني أنها تؤدي بشكل جيد مع العبارات التي شاهدتها من قبل، لكنها تواجه صعوبة مع المدخلات الجديدة أو المتنوعة. وهذا يجعلها أقل مرونة مما هو مطلوب في الاستخدامات المهنية.

6 أسباب تجعل نماذج اللغة الكبيرة أفضل

نماذج اللغة الكبيرة حلت هذه المشكلات تقريبًا. فهي تفهم السياق والدلالات الدقيقة، ولا يحتاج المطورون إلى تزويدها ببيانات تدريبية لبدء العمل. يمكن لأي وكيل معتمد على نموذج لغة كبير أن يبدأ المحادثة فور إنشائه.

1. قدرات التعلم بدون أمثلة (Zero-shot)

نماذج اللغة الكبيرة لا تحتاج إلى أمثلة لتتعلم. تدريبها المسبق الواسع يعني أنها تفهم السياق والدلالات والنوايا دون الحاجة إلى أمثلة محددة من المطورين.

2. فهم الدلالات الدقيقة

نماذج اللغة الكبيرة تتفوق حيث تفشل مصنّفات النوايا. يمكنها تفسير التعابير الاصطلاحية، والسخرية، واللغة الغامضة بسهولة.

تدريبها الواسع على مجموعات بيانات متنوعة يمنحها القدرة على فهم الفروق الدقيقة في التواصل البشري التي غالبًا ما تغيب عن مصنّفات النوايا.

3. فهم أفضل للسياق

نماذج اللغة الكبيرة لا تفقد سياق المحادثة. تتذكر ما قيل سابقًا، مما يجعل التفاعل أكثر سلاسة وتماسكًا.

هذا السياق يساعدها أيضًا في توضيح الغموض. حتى عندما يكون الإدخال غامضًا أو معقدًا، يمكنها ربطه بسياق المحادثة الأشمل.

4. قابلية التوسع

نماذج اللغة الكبيرة أفضل بكثير في التوسع. لا تحتاج إلى إعادة تدريب للتعامل مع مواضيع جديدة، بفضل فهمها الواسع للغة.

وهذا يجعلها جاهزة للتعامل مع أي حالة استخدام تقريبًا مباشرة. بالنسبة لـ أنظمة الوكلاء المتعددة، من البديهي استخدام نموذج لغة كبير بدلاً من مصنّف نوايا.

5. المرونة

نماذج اللغة الكبيرة لا تعتمد على قوالب جامدة. مرونتها تعني أن الردود تبدو طبيعية ومتنوعة ومناسبة تمامًا لسياق المحادثة. وهي تجربة أفضل بكثير للمستخدمين مقارنة بمصنّفات النوايا التقليدية.

6. الحاجة إلى بيانات تدريب أقل

نماذج اللغة الكبيرة لا تحتاج إلى بيانات مصنفة خاصة بكل مهمة لإنجاز العمل. قوتها تأتي من التدريب المسبق الضخم على نصوص متنوعة، لذا فهي ليست معتمدة على مجموعات بيانات مشروحة بدقة.

إذا لزم الأمر، يمكن للمطورين دائمًا تخصيص نموذج اللغة الكبير لمشروعهم. على سبيل المثال، يمكن ضبطها بكمية قليلة من البيانات لتتكيف بسرعة مع حالات استخدام أو صناعات متخصصة.

لماذا تستخدم الشركات الأخرى مصنفات النوايا؟

سؤال جيد. إذا كانت نماذج اللغة الكبيرة (LLMs) أفضل بكثير في تصنيف النوايا، فلماذا لا تزال العديد من الشركات تستخدم مصنفات النوايا؟

الإجابة ليست جميلة، وليست دبلوماسية: إنها مشكلة تقنيات قديمة.

معظم الشركات لديها مصلحة في الاستمرار باستخدام مصنّفات النوايا. فقد بنت قواعد مستخدمين ضخمة تعتمد عليها. ولا يوجد سبب يدفعهم لإبعاد المستخدمين عن النظام الذي أنشأوه.

لكن Botpress يعتمد على نماذج اللغة الكبيرة أولاً

نماذج اللغة الكبيرة أفضل بكثير في تحديد النوايا من مصنّفات النوايا التقليدية. لهذا السبب أعدنا بناء النظام بالكامل ليعتمد على نماذج اللغة الكبيرة منذ عام 2020.

كنا نعلم أن التقنية الأفضل قد وصلت، وبدلاً من التمسك بالتقنيات القديمة، استثمرنا في التغيير.

هل سنضيف مصنفات النوايا؟

لا. نحن نهتم كثيرًا بتجربة منشئي المحتوى لدينا وتجربة مستخدميهم.

مستقبل تصنيف النوايا

مصنّفات النوايا أداة من الماضي. لهذا اعتمدنا بالكامل على نماذج اللغة الكبيرة.

ومع استمرار تطور نماذج اللغة الكبيرة، ستتطور أيضًا وكلاء الذكاء الاصطناعي المبنية على Botpress. نحن مستعدون ومتحمسون لمواصلة رفع مستوى ما يمكن أن يقدمه الذكاء الاصطناعي الحواري.

إذا كنت ترغب في بناء وكلاء ذكاء اصطناعي مرنين مدعومين بنماذج اللغة الكبيرة، يمكنك البدء في البناء على Botpress. الخدمة مجانية.