IBM تُطلق Palette: نموذج مفتوح لبناء عروض تقديمية مخصصة
كشفت IBM Research عن نظام Palette، وهو نهج جديد لتدريب النماذج اللغوية الصغيرة على إنشاء عروض تقديمية احترافية تحترم هوية التصميم الخاصة بالمستخدم، بدلاً من الاعتماد على النماذج الضخمة التي تفرض أسلوباً موحداً.
رضوان عبدالهاديمحرر وكاتب تقني
تجاوز قيود النماذج الضخمة
تواجه الشركات تحدياً عند استخدام النماذج اللغوية المتقدمة (Frontier Models) لإنشاء العروض التقديمية؛ فبينما توفر هذه النماذج جودة عالية، إلا أنها تميل إلى فرض نمط بصري موحّد يفتقر إلى التخصيص، مما يجعل العروض تبدو متشابهة وغير متوافقة مع هوية العلامة التجارية. بالإضافة إلى ذلك، تثير الخصوصية مخاوف كبيرة عندما تتطلب العمليات إرسال بيانات حساسة إلى خوادم خارجية. هنا يأتي دور Palette، الذي يعتمد على نموذج مفتوح الوزن يعمل على بنية تحتية خاصة، مما يضمن بقاء البيانات داخل أنظمة الشركة مع القدرة على التعلم من لغة التصميم الخاصة بها.
منهجية التصميم والمبرمجة
يعتمد نظام Palette على محاكاة العملية البشرية لإنشاء العروض، حيث يقسم المهمة إلى دورين منفصلين يخدمهما مكيّف واحد (LoRA Adapter). الدور الأول هو 'المصمم'، الذي يقرأ الخطة ويكتب ملخصاً منظمًا بصيغة JSON يحدد لوحة الألوان، نظام الخطوط، وتخطيط كل شريحة مع مبررات تصميمية. الدور الثاني هو 'المبرمج'، الذي يتولى تحويل مواصفات الشريحة إلى كود JavaScript باستخدام مكتبة pptxgenjs. هذا الفصل بين الحكم التحريري (المحتوى) والهندسة (الموضع والحجم) يضمن دقة أعلى، كما يسمح بتشغيل عمليات الترميز بشكل متوازٍ لكل شريحة، مما يسرّع مرحلة الترميز بمعدل 6 إلى 7 أضعاف مقارنة بال处理方式 المتسلسل.
توليد البيانات الاصطناعية
نظراً لعدم وجود قاعدة بيانات عامة تحتوي على خطط التصميم ومبرراتها وكود العرض، قامت IBM بتوليد حوالي 1000 عرض تقديمي يغطي 10,000 شريحة باستخدام نموذج معلم كبير. تضمنت البيانات أمثلة متنوعة من الخطط المنظمة إلى المحتوى الخام، لتدريب النموذج على الاختصار والتحرير. الأهم من ذلك هو تضمين 'التفكير المضاد' (Counterfactual Reasoning) في كل مثال، حيث يشرح النموذج لماذا تم رفض خيار تصميمي معين لصالح آخر، مما يعلمه القواعد الكامنة وراء القرارات وليس مجرد النتائج النهائية. على سبيل المثال، يوضح النموذج سبب اختيار مخطط أعمدة بدلاً من جدول لعرض اتجاه صاعد واضح.
ضمان الدقة والموثوقية
واجه الفريق تحدياً رئيسياً يتعلق بـ 'الأمانة' (Faithfulness)، حيث كان النموذج يميل أحياناً إلى اختلاق حقائق غير موجودة في المدخلات، خاصة عند وجود فجوة بين الطلب (مثل جدول 6x5) والمحتوى المتاح. أثبتت التجارب أن إضافة قواعد نصية في التعليمات لم تكن فعالة، بينما كان عرض 'عروض مرجعية' (Reference Decks) في سياق النموذج حلاً فعالاً، حيث يقلد النموذج الأنماط المرئية بدقة أكبر مما يتبع التعليمات النصية. كما أتاح النظام للمستخدمين تقديم توجيهات دقيقة (Directives) مغلقة بين قوسين مزدوجين [[ ]] لتعديل عناصر محددة، مثل تحويل جدول إلى خط زمني أو تغيير لون الغلاف، وقد تم تدريب النموذج على فهم نية هذه التوجيهات بصياغات متعددة.
آلية التحقق والإصلاح
حتى مع التدريب المكثف، قد تنتج النماذج شرائح تحتوي على أخطاء بصرية مثل تداخل الأشكال أو اختفاء النصوص بسبب تطابق الألوان. لذلك، لا يعيد Palette مخرجات النموذج مباشرة، بل يمررها عبر آلية تحقق (Harness) تشبه تلك المستخدمة في وقت الاستدلال. تقوم هذه الآلية بفحص كل شريحة بحثاً عن التداخلات والامتدادات خارج الحدود، ثم تقوم بإصلاحها تلقائياً. كل خطأ يتم رصده يصبح مثالاً تدريبياً أفضل، حيث تُعاد كتابة المبررات لتغطي سبب الخطأ وكيفية إصلاحه. تضمن هذه الحلقة المغلقة أن العرض النهائي خالٍ من العيوب البصرية الشائعة في النماذج الصغيرة.
الأداء والتقييم
اختبر فريق IBM Research أداء النموذج على معيار التقييم PresentBench، حيث حقق المركز الأول في اثنين من المجالات الثلاثة التي تم قياسها، متفوقاً على أنظمة أخرى. يبرز هذا النجاح كدليل على أن النماذج الصغيرة المفتوحة الوزن، عند تدريبها بشكل صحيح على بيانات اصطناعية عالية الجودة ومزودة بآليات تحقق قوية، يمكنها منافسة النماذج الضخمة في مهام محددة ومعقدة مثل بناء العروض التقديمية، مع الحفاظ على مزايا الملكية والخصوصية.
المصادر
- Hugging Face BlogPalette: teaching a small model to build decks in your design language
تابع التسلسل الزمني
أخبار مرتبطة
آي بي إم تطلق نموذجاً جماعياً للتنبؤ بالسلع الزمنية
تقدم آي بي إم نموذج Granite Timeseries Ensemble الذي يجمع أربعة نماذج مفتوحة للتنبؤ الدقيق دون إعادة تدريب، مما يوفر حلاً موثوقاً للبيانات الصناعية والتجارية.
نظام ALTK-Evolve يتصدر مهام خدمة العملاء
يتصدر نظام ALTK-Evolve من أبحاث آي بي إم مؤشرات تقييم وكلاء خدمة العملاء على τ²-bench باستخدام الذاكرة المُتعلّمة ودون تحديث الأوزان.
ميتا تطلق نموذج Muse Spark Open مفتوح الأوزان يعمل على أجهزة ماك
أعلنت ميتا عن إطلاق نموذج Muse Spark Open، وهو نموذج ذكاء اصطناعي مفتوح الأوزان مصمم خصيصاً للعمل محلياً على أجهزة ماك، بالتعاون مع شركة آبل.
مستريال تطلق نموذج Le Chonk مفتوح الأوزان
أطلقت شركة مستريال الفرنسية نموذجها الجديد Le Chonk، وهو نموذج ذكاء اصطناعي مفتوح الأوزان يتفوق على المنافسين خارج الصين، ويهدف إلى تعزيز السيادة التقنية الأوروبية.
