وقتی در اینستاگرام اسکرول میکنید و به یک جفت کفش ورزشی جذاب یا یک کیف دستی برمیخورید، پیدا کردن دقیق آن محصول چقدر برایتان دشوار بوده است؟ این روند آزاردهنده شامل گرفتن اسکرینشات، خروج از اپلیکیشن، آپلود مجدد تصویر و جستجوی آن است. از سوی دیگر، پیدا کردن یک پسزمینه بینقص برای موبایل گاهی بیش از 10 دقیقه وقت میطلبد. همین نقاط اصطکاک روزمره، الهامبخش دو ویژگی جدید مبتنی بر هوش مصنوعی شدهاند: تولید کاغذ دیواریهای هوش مصنوعی و قابلیت Circle to Search یا «دایرهزنی برای جستجو».
بهاوک جین در ارائه اخیر خود با عنوان «مهندسی هوش مصنوعی برای خلاقیت و کنجکاوی در موبایل»، به بررسی مسیر تبدیل مدلهای پایه به محصولات کاربردی پرداخت. او نشان داد که چگونه میتوان با عبور از مراحل پیچیده معماری، به ویژگیهایی کاربردی رسید که خلاقیت و شهود کاربر را افزایش میدهند.
از مدل پایه تا محصول کاربردی
محصولات مدرن هوش مصنوعی معمولاً از صفر شروع نمیشوند؛ بلکه بر پایه یک مدل بنیادی عظیم بنا میگردند. با این حال، یک مدل خام کاملاً غیرقابل پیشبینی و بیمحدودیت است. برای تبدیل این موتور خام به یک محصول قابلاتکا، چهار مرحله معماری الزامی وجود دارد:
- پس از آموزش (Post-Training): همسوسازی مدل پایه با ترجیحات انسانی، سبک مورد نظر و قوانین ایمنی.
- تنظیم دقیق (Fine-Tuning): تخصصی کردن مدل و تبدیل آن از یک ابزار همهکاره به یک متخصص متناسب با نیاز خاص کاربر.
- بازیابی و زمینهسازی (Retrieval & Grounding): مقابله با توهمات هوش مصنوعی و اطمینان از دقت، واقعیتمحوری و بهروز بودن خروجیها.
- استنتاج و گاردریلها (Inference & Guardrails): پیچیدن کل سیستم در یک لایه قوی زیرساختی برای اجرای ایمن و مقیاسپذیر.
چالشهای همسوسازی و انتخاب بین RLHF و DPO
اگر مدل پایه را یک دانشآموز خام اما درخشان بدانیم، فرآیند پس از آموزش به او آداب، شخصیت و ایمنی میآموزد. برای این کار، توسعهدهندگان معمولاً از دو خانواده تکنیک استفاده میکنند. روش RLHF یا یادگیری تقویتی از بازخورد انسانی انعطافپذیر است اما به مدل پاداش جداگانه و حلقهای پیچیده نیاز دارد. در مقابل، روش DPO یا بهینهسازی مستقیم ترجیحات، سادهتر و مقیاسپذیرتر عمل میکند و مستقیماً روی خروجیهای ترجیحدادهشده متمرکز میشود. با این حال، ارزیابی دقیق این رفتارها بسیار حیاتی است.
کاغذ دیواریهای هوش مصنوعی در نقش یک خالق
اولین مطالعه موردی به قابلیت تولید کاغذ دیواری اختصاص دارد. در اینجا توسعهدهندگان به هوش مصنوعی یاد دادند که نقش یک خالق را بازی کند؛ یعنی یک ایده خام دریافت کرده و چیزی کاملاً جدید و زیبا بسازد. این فرآیند از مزایای تنظیم دقیق مدل بهره میبرد تا تصاویر تولیدشده نهتنها از نظر بصری جذاب باشند، بلکه با سبک و ترجیحات کاربر هماهنگ شوند.
قابلیت Circle to Search و جستجوی بصری شهودی
دومین ویژگی، Circle to Search نام دارد که تجربه جستجوی بصری را متحول کرده است. این قابلیت به هوش مصنوعی اجازه میدهد تا پیکسلهای صفحه نمایش موبایل را بررسی کرده و پاسخهای مرتبط با محتوای روی صفحه ارائه دهد. به جای طی کردن مراحل طولانی برای شناسایی یک محصول، کاربر تنها با دایرهزنی دور هر تصویری در صفحه، اطلاعات آن را دریافت میکند. این نقطه اوج همگرایی بین درک مکانیزمهای هوش مصنوعی و رفع نیازهای روزمره کاربران است.
توسعه این دو ویژگی نشان میدهد که مهندسی هوش مصنوعی در موبایل تنها به بهبود سرعت محدود نمیشود، بلکه تمرکز آن بر حذف موانع تجربه کاربری و اضافه کردن لایههایی از خلاقیت و شهود به دستگاههای همراه است.
