مع تزايد استخدام نماذج اتخاذ القرار في صناعة الذكاء الاصطناعي، اقترحت شركة Musubi استخدامًا جديدًا لهذه التقنية: إدارة وتعديل المحتوى. كشفت الشركة عن نموذج جديد باسم PolicyLM-1.7B مصمّم لتعديل المحتوى في الوقت الحقيقي وقد نُشرت أوزانه أيضًا علنًا.
تهدف Musubi إلى أن يتمكّن النموذج من تطبيق سياسة محتوى مكتوبة باللغة الإنجليزية البسيطة على رسائل المستخدمين وتقديم النتيجة في أقل من ٥٠ مللي‌ثانية. وبحسب الشركة، فإن PolicyLM-1.7B من حيث السرعة والتكلفة يمكنه المنافسة مع أنظمة التصنيف المعتمدة على الذكاء الاصطناعي المستخدمة في العديد من المنصات الاجتماعية.
الفرق الرئيسي بين هذا النموذج والأنظمة التقليدية هو مرونته. يستطيع PolicyLM-1.7B بالاستفادة من قدرات بنية نماذج اللغة الكبيرة تنفيذ سياسات محتوى معقدة دون الحاجة إلى تدريب مخصص لكل سياسة.
تغيير السياسة، دون إعادة تدريب النموذج
واحدة من الخصائص المهمة لهذا النهج هي أن تغيير قواعد منصة ما لا يعني بالضرورة إعادة تدريب النموذج. يمكن للمسؤولين تغيير سياسة المحتوى ويستعمل النموذج تلك التعليمات الجديدة لفحص المحتوى.
قد تكون هذه القدرة مهمة للمنصات التي تتغير قواعد المحتوى لديها بشكل متكرر. على سبيل المثال، قد تقرر شبكة اجتماعية تعديل تعريفها للمحتوى غير المناسب أو المهين أو المخالف للقواعد. في نظام تقليدي، قد تستلزم مثل هذه التغييرات ضبطًا أو إعادة تدريب للنموذج، لكن نهج Musubi يسعى إلى تبسيط وتسريع هذه العملية.
فيليب يانكوفيتش، أحد المؤسسين والمدير التنفيذي للذكاء الاصطناعي في Musubi، يعتقد أن هذه التقنية يمكن أن تساعد مديري المنصات على الحصول على صورة أدق عن المحتوى المنشور في خدمتهم.
يقول إن فرق المنتج تسعى لفهم أفضل لما يحدث على منصاتها؛ خصوصًا عندما يزداد حجم المحتوى بسرعة كبيرة. من وجهة نظره، فإن إمكانية وسم كمية هائلة من المحتوى بطريقة قابلة للتوسع وقابلة للتعديل يمكن أن يكون لها تطبيقات مهمة.
ما هو نموذج اتخاذ القرار؟
أصبحت نماذج اتخاذ القرار في الأشهر الأخيرة أحد المواضيع المحورية في مجال الذكاء الاصطناعي. بدلاً من توليد نص، تقدّم هذه النماذج احتمالًا أو نتيجة قرار معيّن.
في حالة PolicyLM-1.7B، يكون مخرج النموذج أبسط ويمكنه تقديم حكم ثنائي؛ أي يحدد ما إذا كان المحتوى قيد المراجعة يقع ضمن فئة معينة أم لا.
تقييد مخرج النموذج إلى مجموعة اختيارات محددة يتيح تشغيل نماذج اتخاذ القرار بشكل أسرع وأقل تكلفة من نماذج اللغة الكبيرة العامة، بينما تظل تستفيد من مرونة بنية الترانسفورمر.
جعلت هذه الخاصية نماذج اتخاذ القرار محط اهتمام في التطبيقات التي تكون فيها السرعة والتكلفة ذات أهمية كبيرة.
من مراقبة سلوك عوامل الذكاء الاصطناعي إلى إدارة سلوك المستخدمين
أحد الاستخدامات الأولية لنماذج اتخاذ القرار كان التعرف على سلوكيات غير لائقة لعوامل الذكاء الاصطناعي والتحكم فيها. لذا استخدام نفس التقنية لاكتشاف سلوكيات بشرية غير لائقة ليس بمسافة بعيدة من التوقع.
مع ذلك، يقول يانكوفيتش إن اهتمام Musubi بهذه الفئة من النماذج لا يقتصر على الموجة الحديثة من الاهتمام بها. بحسب قوله، يعود هذا الاهتمام إلى مشروع عام ٢٠٢٤ باسم GLiNER؛ مشروع صُمّم لاكتشاف الكيانات المسماة وكان يستخدم بعض التقنيات المماثلة.
تسعى Musubi الآن إلى توسيع الاهتمام المتولد حول نماذج اتخاذ القرار إلى مجال إدارة المحتوى أيضًا. تقدّم الشركة PolicyLM-1.7B كنموذج مُدرَّب خصيصًا لتعديل المحتوى وقد أُتيح تشغيله أيضًا للمستخدمين.
وفقًا لما كتبه TechCrunch، إذا نجح هذا النهج، قد تصبح نماذج اتخاذ القرار جزءًا من عملية إدارة المحتوى، محوّلة إياها من أنظمة ثابتة وغير مرنة إلى أنظمة تتغير سياساتها بسرعة أكبر وتتكيّف مع قواعد المنصات الجديدة دون الحاجة لإعادة تدريب. بالطبع، ستكون دقة مثل هذه النماذج وأداؤها أمام السياسات المعقدة والحالات الحدية عوامل مهمة في تقييم التطبيق العملي لهذه التقنية.