تخيّل طبيبًا قضى سنوات في التكوين: ليصبح اختصاصيًّا في القلب، لا يُعيد تعلّم علم الأحياء من الصفر، بل يتخصّص فحسب. يُطبّق الضبط الدقيق (Fine-tuning) هذه الفكرة على الذكاء الاصطناعي: ننطلق من نموذج مُدرَّب مسبقًا على مدوّنات عامّة ضخمة، ثمّ نواصل تدريبه على مجموعة بيانات أصغر ومُوجَّهة لتكييفه مع مهمّة أو مجال أو أسلوب محدّد.
لماذا الضبط بدل إعادة التعلّم بالكامل
تدريب نموذج كبير من الصفر يكلّف ملايين الدولارات ويتطلّب كمّيات هائلة من البيانات. يستفيد الضبط الدقيق من التعلّم بالنقل: فالمعرفة العامّة (القواعد، الاستدلال، بنية العالم) موجودة سلفًا. لا نفعل سوى تعديل أوزان الشبكة بإشارة خاضعة للإشراف، بتقليل دالّة خسارة على الأمثلة الجديدة:
$$\theta^{*} = \arg\min_{\theta}\ \mathbb{E}{(x,y)\sim \mathcal{D}(x),\, y)\big]$$}}}\big[\mathcal{L}(f_{\theta
ننطلق من الأوزان المُدرَّبة مسبقًا $\theta_0$ وندفعها بلطف نحو المهمّة المستهدفة — ومن هنا استخدام معدّل تعلّم منخفض كي لا «نمحو» المعرفة الأصلية (النسيان الكارثي).
ضبط كامل أم فعّال
| الأسلوب | الأوزان المُعدَّلة | الكلفة | الاستخدام النموذجي |
|---|---|---|---|
| الضبط الكامل | كلّ الأوزان | عالية | تكييف عميق، ميزانية كبيرة |
| LoRA / PEFT | نسبة قليلة | منخفضة | تخصيص سريع، نسخ متعدّدة |
| الضبط بالتعليمات | كلّي أو جزئي | متوسّطة | جعل النموذج «مطيعًا» |
تُدرّب طرائق PEFT (الضبط الفعّال للمَعالم)، مثل LoRA، مصفوفات صغيرة مُضافة فقط، ممّا يجعل العملية ممكنة على عتاد متواضع.
الضبط الدقيق ليس إعادة اختراع للذكاء، بل توجيهه نحو حاجتك.