يمكن للذكاء الاصطناعي التوليدي إنشاء محتوى جديد مثل النصوص والصور والصوت والكود. ومن أسهل الطرق لفهم كيفية عمله تجربة مثال عملي بسيط.
في هذا الدليل، سنستخدم لغة بايثون ونموذجًا مُدرّبًا مسبقًا لتوليد النصوص من خلال مطالبة بسيطة. تم تصميم المثال للمبتدئين، ويمكن تشغيله في بيئات مثل Google Colab أو Visual Studio Code.
ماذا سنبني؟
سيتبع المثال هذه العملية البسيطة:
المطالبة ← نموذج الذكاء الاصطناعي التوليدي ← النص الناتج ← المراجعة البشرية
سنقدم للنموذج مطالبة نصية قصيرة، وسيقوم بإنشاء نص إضافي استنادًا إلى الأنماط التي تعلمها أثناء التدريب.
الخطوة 1: تثبيت المكتبات المطلوبة
قم بتثبيت مكتبات Transformers وPyTorch:
pip install transformers torchإذا كنت تستخدم Google Colab، يمكنك تشغيل:
!pip install transformers torchالخطوة 2: تحميل نموذج ذكاء اصطناعي توليدي مُدرّب مسبقًا
يمكننا استخدام مكتبة Hugging Face Transformers لتحميل نموذج مُدرّب مسبقًا لتوليد النصوص.
from transformers import pipeline
generator = pipeline(
"text-generation",
model="distilgpt2"
)توفر الدالة pipeline() طريقة بسيطة لاستخدام نموذج مُدرّب مسبقًا دون الحاجة إلى بناء نموذج أو تدريبه من البداية.
الخطوة 3: إنشاء مطالبة
الآن قم بإنشاء مطالبة نصية قصيرة:
prompt = "Artificial intelligence can help businesses by"
result = generator(
prompt,
max_new_tokens=50,
num_return_sequences=1
)
print(result[0]["generated_text"])سيكمل النموذج المطالبة ويُنشئ نصًا جديدًا.
قد تختلف النتيجة في كل مرة لأن نماذج الذكاء الاصطناعي التوليدي يمكن أن تنتج مخرجات مختلفة من المطالبة نفسها أو من مطالبات متشابهة.
كيف يعمل المثال؟
العملية بسيطة:
- المطالبة: نقدم للنموذج نصًا أوليًا.
- تقسيم النص إلى رموز: يتم تحويل النص إلى رموز يستطيع النموذج معالجتها.
- معالجة النموذج: يتوقع النموذج المُدرّب مسبقًا الرموز التالية الأكثر احتمالًا.
- التوليد: يتم إنشاء رموز جديدة لإكمال المطالبة.
- المراجعة البشرية: يجب مراجعة النتيجة للتحقق من دقتها وملاءمتها.
يوضح هذا المثال فكرة مهمة وراء العديد من أنظمة الذكاء الاصطناعي التوليدي، حيث يقوم النموذج بإنشاء محتوى جديد استنادًا إلى الأنماط التي تعلمها من بيانات التدريب.
جرب مطالباتك الخاصة
يمكنك التجربة من خلال تغيير المطالبة:
prompt = "Machine learning is useful because"أو:
prompt = "Generative AI can improve productivity by"تعد مقارنة المطالبات المختلفة طريقة بسيطة لفهم كيفية تأثير صياغة المدخلات وسياقها على الاستجابة التي يولدها النموذج.
قيود مهمة
لا ينبغي التعامل مع النص الناتج تلقائيًا على أنه معلومات صحيحة.
قد ينتج نموذج الذكاء الاصطناعي التوليدي معلومات غير صحيحة أو غير مكتملة أو قديمة أو غير مرتبطة بالمعنى المقصود. لذلك تظل المراجعة البشرية مهمة، خصوصًا عند استخدام المحتوى الذي ينشئه الذكاء الاصطناعي في المهام المهنية أو المهام ذات التأثير الكبير.
لذلك، يُعد هذا المثال البسيط مفيدًا لفهم سير العمل الأساسي، ولكن تطبيقات الذكاء الاصطناعي التوليدي في العالم الحقيقي تحتاج عادةً إلى ضوابط إضافية واختبارات وتقييم، وفي بعض الحالات إلى الوصول إلى معلومات خارجية أو موثوقة.
الخلاصة
يصبح فهم الذكاء الاصطناعي التوليدي أسهل عندما تجربه بشكل مباشر.
باستخدام بضعة أسطر فقط من كود بايثون، يمكننا تقديم مطالبة إلى نموذج مُدرّب مسبقًا وإنشاء نص جديد. وتُستخدم الفكرة الأساسية نفسها في أنظمة أكثر تقدمًا للكتابة والتلخيص والبرمجة والإجابة عن الأسئلة وغيرها من المهام المعتمدة على اللغة.
الخطوة التالية هي تعلم كيفية إعداد بيئة تطوير كاملة للذكاء الاصطناعي وتشغيل مشاريع التعلم الآلي والتعلم العميق باستخدام أدوات مثل Visual Studio Code وGoogle Colab.
تعرّف على الذكاء الاصطناعي. تعلّمه. استخدمه. وتطوّر معه.
المراجع وقراءات إضافية
Hugging Face (n.d.) Transformers: Pipeline. Hugging Face Transformers Documentation. متاح عبر: توثيق Hugging Face Transformers – Pipeline (تاريخ الاطلاع: 15 سبتمبر 2026).
Hugging Face (n.d.) DistilGPT2. Hugging Face Model Hub. متاح عبر: صفحة نموذج DistilGPT2 على Hugging Face (تاريخ الاطلاع: 15 سبتمبر 2026).
Radford, A., Wu, J., Child, R., Luan, D., Amodei, D. and Sutskever, I. (2019) Language Models are Unsupervised Multitask Learners. OpenAI. متاح عبر: تقرير OpenAI حول نموذج GPT-2 ونماذج اللغة (تاريخ الاطلاع: 15 سبتمبر 2026).
Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A.N., Kaiser, Ł. and Polosukhin, I. (2017) ‘Attention Is All You Need’, Advances in Neural Information Processing Systems, 30. متاح عبر: بحث Attention Is All You Need على NeurIPS (تاريخ الاطلاع: 15 سبتمبر 2026).