نموذج «رومبل 2 فلاش» ينافس عمالقة التعرف الصوتي ويخفض كلفة التفريغ لفرق المنطقة
استمع لهذا المقال
بصوت راشد (Rashed)
أطلقت شركة «ريزون 8» نموذجها الصوتي الجديد «رومبل 2 فلاش» بحجم 0.5 مليار معامل تحت رخصة «أباتشي 2.0» مفتوحة المصدر، في خطوة تكسر معادلة الحجم التقليدية أمام نماذج تفوقه بعشرات الأضعاف. فحصنا نتائج النموذج الجديد، ووجدنا أنه يقدم كفاءة استدلال تنافس أنظمة أضخم منه بما يتراوح بين ثلاثة أضعاف وستين ضعفًا، مما يفتح لفرق التطوير ومراكز الاتصال في المنطقة مسارًا لخفض تكاليف تشغيل تفريغ الصوت وتحليله محليًا دون الحاجة لاستئجار قدرات حوسبة سحابية هائلة.
بُني النموذج بالاعتماد على معمارية «كيوين 3 إيه إس آر» ليعمل فور صدوره دون شفرات مخصصة. هذا التصميم يمنحه دعمًا أصيلًا ومباشرًا في مكتبتي «ترانسفورمرز» و«في إل إل إم»، متفاديًا متطلبات تشغيل الأكواد الخارجية عن بُعد. وللوصول إلى هذا الحجم الصغير دون التضحية بالدقة، لجأ المطورون إلى تقطير نموذجهم الإنتاجي الأكبر «رومبل 2» عبر التقطير التفاعلي للسياسات؛ حيث يقوم النموذج الطالب بتفريغ الصوت بنفسه، بينما يتولى النموذج المعلم تصحيح المخرجات وتحديد احتمالات الرمز التالي في كل موضع، ما يوفر تقييمًا مباشرًا لكل رمز بدل الاعتماد على درجة تقييم إجمالية للمقطع الصوتي.
ولمعالجة اختلاف المفردات وتقطيع النصوص بين النموذجين، طبّق الفريق تقنية أطلق عليها اسم «غولد». تدمج هذه التقنية الرموز عندما تختلف طريقة التجزئة بين القاموسين، مما يسمح بمقارنة النموذجين على النص ذاته بدقة، عبر مطابقة الرموز المشتركة مباشرة وفرز احتمالات بقية الرموز، وهو ما أتاح نقل المعرفة بدقة من النموذج المعلم الأكبر إلى المعمارية الجديدة الأصغر حجمًا.
وعلى صعيد السرعة والإنتاجية، يتجاوز معدل المعالجة حاجز 7000 ضعف الزمن الحقيقي عند تشغيل دفعات البيانات الكاملة على لوحة تقييم «هاغينغ فيس»، وهو ما يترجم عمليًا إلى تفريغ ساعة كاملة من التسجيل الصوتي في نصف ثانية تقريبًا. تفوّق هذا النموذج الصغير في دقة التعرف الصوتي متعدد اللغات على نماذج عملاقة تجاوزته حجمًا. ففي مسار اللغات المتعددة الذي يغطي 40 لغة، حقق معدل خطأ بلغ 6.96 بالمئة عبر تسع لغات رئيسية شملت الصينية والألمانية والفرنسية والإيطالية والإسبانية والبرتغالية والهندية والهولندية والإنجليزية، ليتفوق بذلك على نموذج ميتا «أومني إيه إس آر إل إل إم» البالغ حجمه 7 مليارات معامل، ويتجاوز كذلك أداء نموذج «ويسبر لارج في 3».
اختبار المكالمات الهاتفية الواقعية شكل الفارق الأبرز في التقييم الميداني؛ إذ أظهرت النتائج على معيار «آب تيك» لمراكز الاتصال، والذي يضم 302 ساعة من مكالمات الدعم الهاتفي عبر 14 لهجة إنجليزية، تسجيل النموذج معدل خطأ في الكلمات بلغ 7.86 بالمئة. تضعه هذه النتيجة في مستوى متطابق تقريبًا مع نموذج إنفيديا «نيموترون 3.5 ترانسكرايب» البالغ حجمه 30 مليار معامل والذي سجل 7.78 بالمئة، مع تفوقه الصريح على نموذج «كيوين 3 إيه إس آر» بحجم 0.6 مليار معامل، وإتاحته تحكمًا دقيقًا بالمخرجات مثل كتابة الأرقام كألفاظ أو رموز ورصد الكلمات الحشوية والتكرار الحرفي.
ماذا يعني هذا للمنطقة
يمثل وصول نموذج مفتوح المصدر بهذا الحجم الصغير والأداء المتقدم نقطة تحول حقيقية لمديري التقنية في مصارف الخليج وشركات الاتصالات ومراكز الخدمة الحكومية في مصر والشام. تفرض لوائح حماية البيانات والسرية المصرفية في المنطقة قيودًا مشددة على إرسال تسجيلات المكالمات إلى واجهات برمجة سحابية خارجية، بينما كان تشغيل النماذج الضخمة مثل «نيموترون» محليًا يتطلب خوادم باهظة التكلفة ومصفوفات معالجة يصعب تبرير ميزانياتها.
تتيح رخصة «أباتشي 2.0» مع التكامل الفوري في «في إل إل إم» لفرق الهندسة الإقليمية نشر أنظمة التفريغ الصوتي على خوادم داخلية محدودة الموارد، وخفض فواتير البنية التحتية بنسبة قياسية مع الحفاظ على زمن استجابة شبه فوري. الرهان التشغيلي لم يعد مرتبطًا بحجز بطاقات المعالجة الضخمة لتفريغ المحادثات، بل بقدرة الفرق المحلية على دمج نماذج نصف المليار معامل مباشرة في خطوط خدمة العملاء.