الكمّية العملية لنماذج الذكاء الاصطناعي التوليدي (GenAI) باستخدام Python

يتطلب تشغيل أحدث نماذج الذكاء الاصطناعي التوليدي موارد حوسبة هائلة، مما يجعل النشر مكلفًا وبطيئًا. تحل الكمّية هذه المشكلة عن طريق ضغط النماذج بأقل قدر من فقدان الدقة، مما يسمح لها بالعمل بكفاءة على الأجهزة القياسية. في هذه الدورة، ستنتقل من فهم هياكل النماذج الأساسية إلى ضغط نماذج الذكاء الاصطناعي التوليدي بشكل فعال باستخدام Python. ستتعلم كيفية تقليل بصمات الذاكرة وتسريع سرعات الاستدلال، مما يجعل تطبيقات الذكاء الاصطناعي الخاصة بك أكثر عملية وفعالية من حيث التكلفة وجاهزة للنشر في بيئة الإنتاج. ما ستتعلمه: - فهم الرياضيات والمفاهيم الأساسية وراء كمّية النماذج، بما في ذلك تنسيقات الدقة مثل FP16 و INT8 و INT4. - تطبيق الكمّية بعد التدريب (PTQ) لضغط نماذج اللغة الكبيرة باستخدام مكتبات Python مفتوحة المصدر. - تكوين تقنيات الكمّية الحديثة مثل GPTQ و AWQ و GGUF للنشر الفعال محليًا وفي السحابة. - تنفيذ تحميل بدقة 8 بت و 4 بت لتشغيل النماذج الكبيرة على أجهزة محدودة. - تقييم أداء النماذج المضغوطة واستخدامها للذاكرة وحيرتها (perplexity) لضمان بقاء جودة التوليد عالية. تبدأ رحلتك التعليمية بالمفاهيم الأساسية لأوزان الشبكة العصبية والدقة قبل الانتقال إلى سير عمل الضغط العملي باستخدام Python. ستقرأ شروحات خطوة بخطوة، وتحلل كتل التعليمات البرمجية المحسّنة، وتتدرب على تطبيق استراتيجيات الكمّية على نماذج العالم الحقيقي. تم تصميم هذه الدورة لمطوري Python ومهندسي الذكاء الاصطناعي الطموحين وعلماء البيانات الذين يرغبون في تحسين نماذج الذكاء الاصطناعي. يوصى بفهم أساسي لـ Python ومفاهيم التعلم الآلي، ولكن لا يلزم وجود خبرة سابقة في تحسين النماذج أو الكمّية. ابدأ في تحسين نماذج الذكاء الاصطناعي التوليدي الخاصة بك اليوم وقم ببناء تطبيقات أسرع وأخف وزنًا.