به گزارش پایگاه خبری دانا، گروه دانش و فناوری: ظهور مدلهای زبانی بزرگ مانند GPT-4 که موتور محرک ChatGPT است انقلابی در نحوهتعامل ما با اطلاعات و تکنولوژی ایجاد کرده است. این مدلها بر روی حجم عظیمی از دادههایاینترنتی آموزش دیدهاند و توانایی تولید متنهای منسجم، ترجمه، خلاصهسازی و حتیکدنویسی را دارند. با این حال، هنگامی که پای زبانهایی با منابع محدودتر مانند فارسی به میانمیآید، چالشها پیچیدهتر میشوند. نیاز به مدلهایی که نه تنها زبان فارسی را بفهمند، بلکه باظرافتها، لهجهها، اصطلاحات فرهنگی و ساختارهای ادبی آن آشنا باشند، باعث شده تاشرکتها و دانشگاههای داخلی به توسعه مدلهای بومی روی بیاورند. این مقاله قصد دارد تاوضعیت فعلی این مدلها را در مقایسه با استاندارد جهانی یعنی ChatGPT ارزیابی کند.
معماری و زیرساخت:
تفاوت در مبدأ آموزش
مدلهایی نظیر GPT-4 بر اساس معماری ترنسفورمر Transformer ساخته شده اند، اما بامیلیاردها پارامتر که اغلب نیازمند سرمایهگذاریهای عظیم سختافزاری هستند. مدلهای ایرانیاغلب با توجه به محدودیتهای زیرساختی و دسترسی به دادههای برچسبگذاری شده تخصصیفارسی، مقیاس کوچکتری دارند.
دادههای آموزشی (suproC): بزرگترین تفاوت در مجموعه دادههای آموزشی نهفته است.
ChatGPTاز گستره عظیمی از دادههای چندزبانه، شامل حجم قابل توجهی از محتوای فارسی ازوب جهانی بهره برده است. در مقابل، مدلهای بومی تلاش میکنند تا با پالایش دقیقتردادههای فارسی موجود )کتابها، مقالات، محتوای وب فارسی( دقت در زبان هدف را افزایشدهند. اگرچه دادههای موجود فارسی ممکن است حجم کمتری داشته باشند، اما غلظت زبان وفرهنگ در آنها بالاتر است.
ارزیابی کیفی:
سه رکن اصلی مقایسه
مقایسه مدلها را میتوان در سه حوزه اصلی دستهبندی کرد: روان بودن و گرامر، درک زمینه ودانش عمومی، و تطبیقپذیری فرهنگی.
روان بودن و دقت دستوری در فارسی
در نگاه اول، مدلهای بومی پیشرفت چشمگیری داشتهاند. بسیاری از آنها توانایی تولیدجملاتی کاملاً صحیح از نظر ساختار دستوری فارسی را دارند. با این حال، در مواجهه با جملاتپیچیده، تو در تو یا نیازمند درک عمقی از تغییرات زمان و وجه افعال ChatGPT ،اغلب برتریخود را نشان میدهد.
چالشهای مدلهای بومی:
مدلهای ایرانی گاهی اوقات در حفظ انسجام در متون طولانی دچارافت میشوند، یا ممکن است از ساختارهای ترجمهگونه )فارسیزه شده از انگلیسی( استفاده کنندکه برای یک سخنور بومی غیرطبیعی به نظر میرسد. این پدیده به عنوان "توهم زبانی"
.شناخته میشود )Linguistic Hallucination(
درک زمینه و دانش تخصصی
ChatGPTبه دلیل آموزش بر روی دادههای بسیار گسترده، بانک اطلاعاتی وسیعتری از دانشجهانی دارد. این امر در پاسخگویی به سؤالات عمومی، تاریخی یا علمی غربی ملموس است.
مزیت مدلهای بومی در دانش محلی: مدلهای داخلی در حوزههای مرتبط با قوانین داخلیایران، جغرافیای محلی، ادبیات معاصر فارسی و رویدادهای اخیر کشور عملکرد بهتری از خودنشان میدهند ChatGPT .ممکن است در مورد جزئیات دقیق قانون مدنی ایران یا جزئیات یکرویداد فرهنگی خاص محلی، اطلاعات قدیمی یا نادرست ارائه دهد، در حالی که مدلهای بومیاین نقاط ضعف را پوشش میدهند.
حساسیت فرهنگی و لحن مناسب
این بخش حیاتیترین نقطه تمایز است. زبان فارسی سرشار از کنایهها، ضربالمثلها و نکاتظریفی است که تنها با درک عمیق فرهنگ مشترک قابل فهم است.
ChatGPTدر تقلید از لحن مودبانه و رسمی فارسی موفق است، اما گاهی اوقات درموقعیتهایی که نیاز به شوخطبعی، کنایه ظریف یا استفاده از اصطلاحات محاورهای خاص یکمنطقه است، دچار لغزش میشود. مدلهای ایرانی، با تمرکز بر این نوع دادهها، پتانسیل بالاتریبرای تولید محتوایی دارند که از نظر فرهنگی "بومی" و قابل قبول باشد.
سنجش عملکرد فنی: معیارها و بنچمارکها
برای ارزیابی عینیتر، محققان از معیارهایی مانند egaugnaL ksatitluM evissaM) ULMM )Understandingو معیارهای اختصاصی فارسی استفاده میکنند.
توانایی استدلال (gninosaeR): در مسائل منطقی پیچیده، به ویژه آنهایی که نیازمند استنتاجچند مرحلهای هستند، شکاف بین GPT-4 و مدلهای ایرانی هنوز قابل توجه است GPT-4 .درحل مسائل ریاضی پیچیده یا استنتاجهای قیاسی بهتر عمل میکند، چرا که توانایی آن درنگهداری وضعیت State Managementدر طول فرآیند حل مسئله قویتر است.
تولید کد:
اگرچه این حوزه مستقیماً مربوط به زبان فارسی نیست، اما توانایی تولید کدهایکارآمد در مدلهای خارجی همچنان استاندارد طلایی است. مدلهای بومی در این زمینه معمولاًبه عنوان ابزارهای کمکی یا برای کدهای سادهتر کاربرد دارند.
چالشهای پیش رو برای مدل های فارسی
برای کاهش فاصله با رقبای جهانی، مدلهای ایرانی باید بر سه چالش اصلی غلبه کنند:
مقیاسه پذیری داده:
نیاز به ایجاد منابع دادههای فارسی بسیار بزرگتر و با کیفیتتر، ازجمله دادههای گفتاری و تصویری برچسبگذاری شده.
قدرت محاسباتی:
دسترسی به ابررایانهها وGPU های قوی برای آموزش مدلهایی با تعدادپارامترهای بالاتر.
بهینه سازی مدل:
استفاده از تکنیکهایی مانند Quantizaon و Pruning برای کاهشحجم مدلها بدون افت شدید کارایی، تا امکان اجرای آنها بر سختافزارهای معمولیترفراهم شود.
نتیجه گیری: همگرایی یا واگرایی؟
در حال حاضر ChatGPT ،به ویژه نسخههای پیشرفته آن همچنان در زمینههای وسعتدانش، توانایی استدلال چندوجهی و کارایی کلی برتری دارد. با این حال، مدلهای بومی فارسینه تنها یک گزینه جایگزین، بلکه یک ضرورت استراتژیک برای حفظ حاکمیت زبانی و فرهنگی درفضای دیجیتال هستند. آنها در حوزه محتوای محلی و حساسیت فرهنگی قویتر عمل میکنند.
آینده احتمالاً ترکیبی از استفاده از هر دو خواهد بود: مدلهای جهانی برای وظایف عمومی ومدلهای بومی برای تعاملات عمیق فرهنگی و تخصصی ایرانی.
