تطلق شركة تصنيف البيانات العالمية SnorkelAI إمكانات الذكاء الاصطناعي المتقدمة لمركز البيانات

أطلقت SnorkelAI مؤخرًا سلسلة من الميزات الجديدة على منصة تطوير بيانات الذكاء الاصطناعي Snorkel Flow، بهدف مساعدة المؤسسات على تسريع التخصص في نماذج الذكاء الاصطناعي والتعلم الآلي. يمكن لهذه القدرات الجديدة أن تقلل بشكل كبير من الوقت والتكلفة والتعقيد في إعداد البيانات في دورة حياة تطوير الذكاء الاصطناعي التنبؤية والتوليدية.

ملاحظة لمصدر الصورة: تم إنشاء الصورة بواسطة الذكاء الاصطناعي، والصورة معتمدة من قبل مزود الخدمة Midjourney

في مؤسسات اليوم، يعد الحصول على "بيانات جاهزة للذكاء الاصطناعي" (بيانات مناسبة للذكاء الاصطناعي) أمرًا بالغ الأهمية. وفقًا لشركة Gartner، لا تعني البيانات الجاهزة للذكاء الاصطناعي أن بياناتك تحتاج إلى تمثيل حالة استخدام محددة فحسب، بل يجب أيضًا أن تغطي كل نمط وخطأ وشذوذ وموقف غير متوقع من أجل تدريب أو تشغيل نموذج الذكاء الاصطناعي بشكل فعال. علاوة على ذلك، فإن إعداد البيانات لا يحدث بين عشية وضحاها، بل يجب أن يتم بشكل مستمر.

يوفر الإصدار الجديد من Snorkel Flow للمؤسسات منصة قوية لتنفيذ وتوسيع نطاق ممارسات تطوير بيانات الذكاء الاصطناعي لتسريع تسليم إنتاج نماذج الذكاء الاصطناعي المتخصصة والدقيقة للغاية.

على وجه التحديد، تتضمن الميزات الجديدة أدوات تقييم LLM، والتي تتيح للمستخدمين إجراء تقييمات مخصصة لحالات استخدام صناعية محددة، والحصول على رؤى حول أنواع أخطاء النماذج، والتدخل بسرعة في تطوير البيانات لإصلاحها. بالإضافة إلى ذلك، هناك سير عمل ضبط RAG يعمل على تحسين دقة الاسترجاع من خلال المعالجة المتقدمة لكتلة المستندات، والضبط الدقيق لنماذج التضمين، واستخراج البيانات التعريفية للوثيقة. يمكن لهذه الميزات أن تقلل بشكل كبير من وقت التطوير المطلوب لتحسين جودة استجابات مساعد الذكاء الاصطناعي.

باستخدام وظيفة التعرف على الكيانات المسماة (NER) الجديدة لملفات PDF، يمكن للمستخدمين استخراج المعلومات بسهولة وسرعة أكبر بمجرد النقر فوق النص، ورسم المربعات المحيطة، وتحديد الأنماط، وتحفيز النموذج الأساسي. هذه المرونة تجعل التقاط المعلومات أسهل، وبالتالي تحسين دقة نموذج NER.

بالإضافة إلى ذلك، يعمل Snorkel Flow على تبسيط عملية التعليقات التوضيحية والملاحظات، مما يسمح للخبراء بتعليق البيانات بطريقة أكثر كفاءة. بالإضافة إلى ذلك، يمكن لأداة تحليل علامات التسلسل المضافة حديثًا مساعدة المستخدمين على اكتشاف الأخطاء في تنبؤات النماذج بشكل أكثر سهولة مع توفير تحليل أداء أكثر تفصيلاً.

فيما يتعلق بتجربة المستخدم، أجرت Snorkel Flow سلسلة من التحسينات لجعل التعاون بين علماء البيانات والخبراء أكثر سلاسة. وهو يدعم التكامل السلس مع منصات تطوير الذكاء الاصطناعي الرئيسية، بما في ذلك Databricks وAmazon SageMaker، لضبط النماذج المتخصصة ونشرها بشكل أسرع.

وقال أليكس راتنر، الرئيس التنفيذي لشركة Snorkel AI: “لقد أصبح الذكاء الاصطناعي أولوية لكل قائد أعمال، ولكن التطوير المستمر والمتسق للذكاء الاصطناعي لا يزال شاقًا للغاية ومكلفًا ويتطلب عمالة كثيفة، لذلك فإن تحديثات هذه المنصات مهمة لمساعدة الشركات على التسريع وتحسين تقديم حلول الذكاء الاصطناعي أمر بالغ الأهمية.

تسليط الضوء على:

ميزات جديدة: يطلق Snorkel Flow أداة تقييم LLM وسير عمل ضبط RAG لتحسين كفاءة إعداد البيانات.

الاستخراج المريح: التعرف على الكيان المسمى الجديد يجعل استخراج المعلومات من ملفات PDF أسهل وأسرع.

تجربة محسنة: تم تحسين تجربة المستخدم لتعزيز التعاون الفعال بين علماء البيانات والخبراء.