أساسيات تحسين LLM: الضغط و Fine-Tuning

تُعد نماذج اللغة الكبيرة (LLMs) قوية بشكل مذهل، لكن حجمها الهائل غالبًا ما يجعل تشغيلها صعبًا ومكلفًا. كيف يمكنك نشر هذه النماذج على الأجهزة اليومية دون التضحية بالأداء؟ تأخذ هذه الدورة التدريبية القائمة على النصوص عالم تحسين LLM المعقد وتجزئه إلى دروس مكتوبة سهلة الوصول. ستستكشف كيفية تقليص أحجام النماذج، وتسريع الاستدلال (inference)، وتقييم الأداء باستخدام تقنيات الصناعة الحديثة. من خلال التركيز على المفاهيم العملية، ستتعلم كيفية جعل نماذج الذكاء الاصطناعي الثقيلة خفيفة الوزن وسهلة الوصول. ما ستتعلمه: - فهم بنية LLM التأسيسية ولماذا يؤثر حجم النموذج على الموارد الحسابية. - تطبيق تقنيات quantization لتقليل استخدام الذاكرة مع الحفاظ على جودة توليد النصوص. - استكشاف model pruning و knowledge distillation لتصور نماذج أصغر وأسرع. - ممارسة طرق fine-tuning الموفرة للمعلمات مثل LoRA و QLoRA للتطبيقات المخصصة. - تقييم أداء LLM المحلي باستخدام أدوات ومقاييس القياس الحديثة. - اكتشاف كيفية دمج النماذج المحسنة في خطوط Retrieval-Augmented Generation (RAG) الحديثة. تبدأ الدورة بالمصطلحات الأساسية والميكانيكا الأساسية لضغط الشبكات العصبية. ومن هناك، ستتقدم عبر مواد قراءة منظمة وتمارين مكتوبة تغطي طرق fine-tuning واستراتيجيات النشر المحلي. تم تصميم هذه الدورة للمبتدئين والممارسين الطموحين في تعلم الآلة، وهي لا تتطلب خبرة سابقة في هندسة الذكاء الاصطناعي المتقدمة. ابدأ القراءة اليوم لبناء مهاراتك التأسيسية في النشر الفعال للذكاء الاصطناعي.