في عالم الذكاء الاصطناعي، يتسارع التطور مع بداية عصر نماذج اللغات الضخمة (LLMs)، التي أثبتت قدرتها على التصنيف والتحليل بطرق كانت تُعد مستحيلة سابقًا دون تدريب مخصص. ومع تزايد الاعتماد على أدوات مثل Microsoft Copilot في Excel وClaude من قبل Anthropic، تثار التساؤلات حول ما إذا كان من المجدي استمرار تدريب النماذج التقليدية ومتى يجب أن نفعل ذلك.

لإلقاء الضوء على هذا الموضوع، توصلت دراسة حديثة إلى مفهوم جديد يسمى crossover N*، وهو حجم مجموعة البيانات المعلّمة الذي يتجاوز فيه منحنى تعلم النموذج المدرب أداء نموذج LLM المجمد، والذي لا يعتمد على تدريب مسبق. من خلال تحليل 126 تقييمًا مستقلًا لنماذج صغيرة من GPT تحت ثمانية تكوينات تحفيزية عبر 18 مجموعة بيانات، تم التوصل إلى أن النماذج المدربة تتفوق بسرعة على LLM المجمد في 86% من الحالات، مع ملاحظة أن الحد الأدنى من البيانات المعلّمة المطلوبة لتحقيق هذا التفوق هو حوالي 6% من مجموعة التدريب.

لكن يجب التنويه إلى أن نماذج اللغات الضخمة، عند الاعتماد على أمثلة قليلة داخل سياق معين، لا تؤدي أداء مشابهًا للنماذج المدربة، حيث لا تتبع نسبة الخطأ مع عدد الأمثلة مبدأ القوة. هذا يعني أن النتائج التي تم الوصول إليها قد تكون تقديرات محافظة تتطلب المزيد من التدقيق.

الخلاصة أن جمع بضع مئات من البيانات المعلّمة لتدريب نموذج مدعوم بالتدرجات قد يكون الاستراتيجية الأكثر فعالية لنماذج الأعمال التقليدية، مما يعكس أهمية إعادة تقييم نهجنا في العلاقات بين تقنيات التدريب والنماذج التي نستخدمها.