بيانات التدريب على الذكاء الاصطناعي

تعد الثقة والشفافية أساس كيفية التعامل مع البيانات لتدريب نماذج الذكاء الاصطناعي هنا في Microsoft.

الغرض من هذه الصفحة هو مشاركة منهجنا، وتحديد فئات البيانات التي نستخدمها للتدريب وما نقوم به لمنح ناشري الويب ومنشئي المحتوى التحكم في كيفية استخدام المحتوى الخاص بهم لتدريب هذه النماذج.

ماذا يعني تدريب نموذج الذكاء الاصطناعي؟

تقوم نماذج الذكاء الاصطناعي بإجراء توقعات استنادا إلى البيانات. أثناء عملية التدريب، يحدد نموذج الذكاء الاصطناعي الأنماط والارتباطات والمفاهيم عبر كميات هائلة من البيانات، ثم يستخدم ما تعلمه لإنشاء إجابات للأسئلة أو الطلبات. يمكن ضبط النموذج باستخدام فئات مختلفة من بيانات التدريب لتحسين قدرات الإنشاء لفئات معينة من المعلومات مثل اللغة الطبيعية أو رمز البرنامج أو الصور. ويمكن أيضا أن يكون على أساس بيانات—خاصة بمؤسسة ما، على سبيل المثال، في مجال عمودي مثل زراعة أو صحة أو بيع بالتجزئة.

لم يتم تصميم نماذج الذكاء الاصطناعي الإنشائية لتخزين بيانات التدريب الأصلية أو الوصول إليها أو إعادة إنتاجها. بدلا من ذلك، تهدف هذه النماذج إلى إنشاء أعمال ومحتوى تعبيرية جديدة.

شخصان يقفان في الداخل، يراجعان لوحة معلومات على جهاز عرض كبير مع مخططات ومقاييس معروضة.

اكتشاف كيفية تدريب Microsoft لنماذج الذكاء الاصطناعي الإنشائية على البيانات المتنوعة

تعد مجموعات البيانات الكبيرة والمتنوعة جزءا لا يتجزأ من إنشاء أنظمة الذكاء الاصطناعي اليوم. من الأهمية بمكان استخدام مجموعة متنوعة من البيانات لتطوير نماذج أكثر دقة، وأكثر تمثيلاً للثقافات واللغات المختلفة، والتي تتعلم وتطبق الطيف الكامل للتجربة البشرية والإبداع.

نحن نتدرب على تحديد البيانات المتوفرة بشكل عام، من مجموعة من مجموعات بيانات التعلم الآلي القياسية في المجال وتتبع ارتباطات الويب. نحن نستبعد المصادر التي تحتوي على أذونات ومحتوى ينتهك سياساتنا، والتي ألغيت الاشتراك في التدريب باستخدام عناصر تحكم الويب التي قمنا بنشرها. تتم تصفية البيانات التي تم تتبع ارتباطاتها على الويب ومعالجتها لإزالة المحتوى غير القانوني، بما في ذلك مواد الإساءة الجنسية للأطفال (CSAM)، بما يتوافق مع القوانين المعمول بها ونهج الذكاء الاصطناعي المسؤول من Microsoft.

نحن نحترم معايير مثل علامات robots.txt التي يستخدمها ناشري الويب لإلغاء الاشتراك في تتبع ارتباطات الويب. لا نستخدم بيانات من المجالات المدرجة في قائمة الأسواق السيئة السمعة للممثل التجاري في الولايات المتحدة (USTR) للتزييف والقرصنة.
هذه هي بيانات التدريب التي يمكننا الوصول إليها من خلال ترتيبات تم التفاوض عليها مثل مع الناشرين ومالكي حقوق النشر.
يتم جمع هذه البيانات من خدمات مستهلك Microsoft محددة ومحمية وفقاً لبيان خصوصية Microsoft الخاص بنا. تشرح مدونة Microsoft Copilot والأسئلة المتداولة Copilot كيفية استخدامنا لبيانات المستهلكين من Copilot وBing وMicrosoft Start (MSN) للمساعدة في تدريب نماذجنا في Copilot. نحن نسهل على المستخدمين إلغاء الاشتراك ووضع ضمانات مثل إزالة المعرفات التي قد تحدد هويتك لحماية خصوصية المستخدم. لا نستخدم بيانات عملاء المؤسسة بدون إذنهم.
في بعض الأحيان، نتدرب على مجموعات البيانات الخارجية. نقوم بإنشائها عن طريق مطالبة نماذج اللغات الكبيرة (LLMs) بإنشاء الإخراج المطلوب بشكل خاص الذي يزيد بيانات العالم الحقيقي المضنية أو المحدودة. بعد ذلك، تتم مراجعة النتائج وتصفيتها، بما في ذلك بواسطة مراجعين بشريين، للتأكد من أنها ذات جودة كافية لتكون جزءا من مجموعة بيانات التدريب.
نقوم بتضمين ملاحظات بشرية من مدربي الذكاء الاصطناعي وفرق العمل الحمراء والموظفين وشركاء التعليق التوضيحي الخارجي، في عمليتنا التدريبية. يشمل ذلك، على سبيل المثال، الملاحظات البشرية التي تعزز جودة الإخراج لمطالبة المستخدم، مما يحسن تجربة المستخدم النهائي. يختبر أعضاء الفريق الأحمر أيضا النموذج ضد الطلبات الضارة أو غير الآمنة، ويتم استخدام ملاحظاتهم لتحسين سلوكيات أمان النموذج’.

إلى جانب نماذج Microsoft الخاصة بنا، نقوم بدمج نماذج أخرى مختلفة، بما في ذلك من OpenAI، في منتجاتنا وخدماتنا. تعرف على المزيد حول كيفية تدريب OpenAI للنماذج.

للذكاء الاصطناعي المفيد والشمولي، يرغب بعض ناشري الويب ومالكي المحتوى في معرفة المزيد حول كيفية استخدام المحتوى الخاص بهم. عناصر تحكم ناشر الويب مفيدة ولكنها ليست الحل الكامل. نحن نعمل مع الآخرين في المجال والنشر والهيئات القياسية ومجتمع المحتوى لتحديد نهج مشترك يمكننا جميعا التقدم فيه واعتماده.