أعلنت شركة Musubi عن نموذج خفيف لاتخاذ القرار يحمل اسم PolicyLM-1.7B، مخصص لإجراء عمليات إشراف ومراقبة المحتوى في الوقت الفعلي خلال مدة تقل عن 50 مللي ثانية، وأتاحته بأوزان مفتوحة.
كيف يعمل نموذج PolicyLM-1.7B للإشراف على المحتوى؟
يعتمد النموذج على تحويل سياسات المحتوى المكتوبة باللغة الإنجليزية البسيطة إلى قواعد قابلة للتطبيق الفوري على الرسائل والمحتوى المنشور. يتميز PolicyLM-1.7B بإصدار حكم ثنائي مباشر، إما بوقوع المحتوى ضمن الفئة المحددة أو عدم وقوعه فيها، مما يتيح له العمل بسرعة وتكلفة تقترب من أنظمة التصنيف التقليدية لمنصات التواصل الاجتماعي.
مميزات نموذج PolicyLM-1.7B في مراقبة المحتوى
- السرعة: ينجز عمليات اتخاذ القرار وتصنيف المحتوى في أقل من 50 مللي ثانية.
- المرونة: يستفيد من بنية نماذج اللغة الكبيرة لتطبيق سياسات معقدة دون تدريب مخصص لكل قاعدة.
- الاستغناء عن إعادة التدريب: لا يتطلب النموذج إعادة التدريب عند تعديل سياسات المحتوى، مما يمنح الفرق البشرية مرونة في تطوير القواعد.
- التصنيف الاستباقي: يمنح مديري المنصات أدوات قابلة للتوسع والتخصيص لمواكبة النمو المتسارع في حجم المحتوى المنشور.
ما هي نماذج اتخاذ القرار في الذكاء الاصطناعي؟
على عكس نماذج الذكاء الاصطناعي التقليدية التي تولد نصوصًا كاملة، تقتصر مخرجات نماذج اتخاذ القرار على تقديم احتمالات النتائج أو أحكام محددة مسبقًا. وبحصر مخرجات النموذج في خيارات معدة سلفًا، تعمل هذه النظام بسرعة أكبر وبتكلفة أقل مقارنة بنرذج اللغة الكبيرة القياسية، مع الاحتفاظ بمرونة بنيتها التحويلية. وقد ظهرت هذه الفئة من النماذج في قطاع الذكاء الاصطناعي مع إطلاق نموذج Jev من شركة TypeSafe AI في شهر سبتمبر، تلتها نماذج منافسة من شركات أخرى.
وفي سياق متصل، تناولت تقارير سابقة OpenAI تكشف عن 372 نتيجة رياضية جديدة عبر نموذج ذكاء اصطناعي، ما يرتبط بهذا الموضوع.
تحول استخدام نماذج اتخاذ القرار من الوكلاء إلى المحتوى
استُخدمت نماذج اتخاذ القرار في بدايتها للحد من السلوكيات غير المرغوب فيها الصادرة عن وكلاء الذكاء الاصطناعي. وتُعد خطوة شركة Musubi بتطوير نموذج PolicyLM-1.7B امتدادًا لهذا التطبيق، ليصبح مخصصًا لمراقبة سلوك المستخدمين والمحتوى المنشور مع إمكانية تشغيله مباشرة من قبل المستخدمين.