جعل صعود النماذج اللغوية الكبيرة من الصعب التنبؤ بكيفية إعادة تشكيل الذكاء الاصطناعي للعالم، ويتغير سوق العمل بالفعل. وبدلًا من سرد مسميات وظائف علم البيانات، يتناول هذا المقال ما تغيّر في المجال، ولماذا تظهر أدوار جديدة، وكيف يمكن للمختصين الاستعداد لها.
قبل عصر المحولات، كان علم البيانات منقسمًا عمليًا إلى قسمين. كان علماء البيانات أقرب إلى جانب المنتج، ويركزون على الإحصاء والتجريب وتحليل البيانات واستخلاص الرؤى، مع اعتماد Python وSQL كأدوات أساسية. أما مهندسو تعلم الآلة فكانوا يعملون بالقرب من النموذج نفسه، ويتولون خطوط التدريب والتحسين والشبكات العصبونية والأداء والنشر، عادةً باستخدام مكتبات مثل TensorFlow وPyTorch. وكانت حدود محللي البيانات ومهندسي البيانات أوضح.
أما مسمى عالم التطبيقات، الذي عممته شركات مثل Amazon وMicrosoft، فقد شغل منطقة وسطى. كان علماء التطبيقات يجربون نماذج وخوارزميات جديدة، لكنهم كانوا مطالبين أيضًا بضمان أن يعمل شيفرتهم داخل نظام إنتاج. وقد استمرت الفواصل بين الأدوار لأن إنشاء النماذج الأولية كان يتطلب أسابيع من البرمجة والاختبار والتصحيح اليدوي، دون مساعدين برمجيين.
تغيّر كل شيء مع ورقة Google لعام 2017 بعنوان "Attention Is All You Need"، التي قدمت بنية المحولات التي تقوم عليها النماذج اللغوية الكبيرة مثل GPT. بدأ المجال يولي اهتمامًا جديًا بعد GPT-3، لكن GPT-4 كان نقطة التحول الحقيقية، إذ بدأت الشركات تعيد التفكير في كيفية بناء النماذج ونشرها. وهذا التحول هو ما أدى إلى ظهور الأدوار الأحدث التي يتناولها باقي المقال.
المصدر: Towards Data Science · لخّصه HeadlinesBriefing