من الصفر إلى أحدث ما توصل إليه العلم: تدريب نموذج رؤية قائم على مساحة الحالة بـ 3 مليارات معلمة — كريشنا براساد سرينيفاسان، سارفام
AAI Engineer
Computing/SoftwareSmall Business/StartupsLanguages
Transcript
00:00:00مرحباً بالجميع، مساء الخير. أنا كريشنا، مدير عام في “سيرفام”. اليوم
00:00:24سأخبركم كيف لنموذج بحجم 3 مليارات معامِل، وصغير بما يكفي ليعمل على وحدة معالجة رسومية واحدة، أن
00:00:32يحقق أحدث ما توصل إليه العلم في الذكاء الاصطناعي للمستندات، ويتفوق على نماذج أكبر منه بـ 100 مرة. وهو أيضاً نموذج
00:00:42غير عادي نوعاً ما بطريقتين: أولاً، نموذج اللغة المستخدم ليس محولاً (Transformer) قياسياً، و
00:00:49بناء النموذج بأكمله من البيانات إلى التدريب إلى الحوسبة تم بالكامل من البداية للنهاية في الهند، وللغة
00:00:58الإنكليزية ولـ 22 لغة هندية رسمية، والتي أعتقد شخصياً أنها واحدة من أصعب مشكلات
00:01:06ذكاء المستندات في العالم حالياً. هكذا انتقلنا من الصفر إلى الأفضل. من نحن؟ نحن
00:01:15“سيرفام”، شركة نماذج تأسيسية سيادية في الهند. نعمل عبر وسائط مختلفة: الصوت والنص و
00:01:23الرؤية. في الصوت لدينا نماذج لتحويل الكلام إلى نص والنص إلى كلام، وفي النص لدينا نموذج بـ 30 مليار وآخر بـ 100
00:01:32مليار معامِل، وفي الرؤية لدينا نموذج ذكاء مستندات، وهو ما
00:01:38سنتحدث عنه اليوم. الهند غائبة إلى حد كبير عن العالم القابل للقراءة آلياً. وفقاً لدراسة
00:01:48منشورة عن توزيع اللغات، فإن أقل من 1% من مجموعة بيانات Common Crawl التي تُدرَّب عليها النماذج الرائدة
00:01:55تحتوي على تمثيل للغات الهندية. الآن، في عدة منتديات ربما سمعتم مختبرات رائدة تقول إن
00:02:04الهند موجودة، وتُعد واحدة من أكبر أسواقهم وأسرعها نمواً، ورغم ذلك، لا تزال الهند غائبة من حيث البيانات في
00:02:16النماذج الرائدة التي تُدرَّب كل يوم هنا. لماذا يحدث هذا؟ ليس بسبب نقص البيانات أو عدم وجود المعرفة، بل لأن البيانات لم تُرقمن قط،
00:02:31ونحن نحل هذه المشكلة في “سيرفام”. لماذا يُعد ذكاء المستندات الهندية صعباً؟
00:02:38أولاً، الهدف هو استخراج المعرفة، وليس مجرد استخراج النص. فاستخراج نص مجرد دون
00:02:49تماسك منطقي هو أمر بلا فائدة. وثانياً، في الأبجديات الهندية، شكل الكلمات واللغة التي تراها مختلفان تماماً عما
00:03:01تراه الآلة. حيث تحتوي اللغات الهندية على مجموعة معقدة من رموز يونيكود المدمجة معاً. ولإتقان ذلك، يجب أن يكون نموذج اللغة قوياً في جميع اللغات الـ 22.
00:03:13ثالثاً، غالبية اللغات الهندية تُعتبر منخفضة الموارد، ومما يترتب عليه نقص كبير في البيانات اليوم لتدريب هذه النماذج.
00:03:23لذا، إجابتنا على هذا هي “سيرفام فيجن”، أول نموذج رؤية ولغة سيادي في الهند بُني من الصفر، نموذج بـ 3 مليارات معامِل ببنية فضاء الحالات، والبيانات والحوسبة والتدريب كلها تمت في الهند.
00:03:40عندما بدأنا العمل الأولي في أواخر عام 2025، كانت معظم نماذج VLMs في مجال التعرف الضوئي على الحروف (OCR) أحادية البنية، وتنفذ OCR على مستوى الصفحة، بينما اتخذنا حينها رهاناً معاكساً بالتركيز على OCR على مستوى الكتل، مع إضافة غلاف حماية للمستند حول النموذج.
00:04:02العديد من النماذج الصادرة مؤخراً في عام 2026 التقارب نحو نفس نموذج غلاف الحماية زائد النموذج الصغير للـ OCR، مما يظهر قيمة كبيرة للاتجاه الذي انطلقنا فيه.
00:04:17يحتوي “سيرفام فيجن” تحديداً على وحدتي حماية، واحدة للتخطيط وأخرى للقراءة، ونموذج رؤية ولغة ببنية فضاء الحالات لـ OCR على مستوى الكتل.
00:04:29مجدداً، لماذا نستخدم فضاء الحالات اليوم بدلاً من المحول؟
00:04:36معظم نماذج OCR اليوم، مثل VLMs العامة والمفتوحة المصدر كـ Quen وGemma وغيرها، تعتمد جميعها على المحولات.
00:04:45اتبعنا نهجاً بديلاً باستخدام نموذج فضاء الحالات (SSM). لماذا؟
00:04:50كلاهما في الأساس نماذج تسلسلية، المحولات وSSMs، ولكن بآليات أساسية مختلفة تماماً.
00:04:57في المحول ينظر كل رمز إلى كل الرموز الأخرى، حيث تنمو الحوسبة مع مربع طول التسلسل.
00:05:06تلك هي تفاعلات L في L.
00:05:10وتتزايد الذاكرة أيضاً مع نمو التسلسل.
00:05:13الآن، على الجانب الآخر، تمتلك SSMs حالة واحدة.
00:05:17فهي تحافظ على حالة واحدة عبر التسلسل وتحدثها رمزاً تلو الآخر.
00:05:22الآن، وبما أن الحوسبة تنمو خطياً فقط، تظل الذاكرة ثابتة بالنسبة لـ SSMs.
00:05:27الآن، لماذا تُعد هذه البنية الصحيحة لـ OCR؟
00:05:32يعتمد الأمر حقاً على الموازنات هنا، لا سيما بالنسبة للمستندات الطويلة، والتي قد تصل إلى 5,000 إلى 10,000 رمز بصري في الصفحة الواحدة.
00:05:43والتعقيد التربيعي للحوسبة والذاكرة يصبح مكلفاً للغاية أثناء الاستدلال.
00:05:51من ناحية أخرى، يمكن تبرير إجراء OCR على مستوى الكتل بنسبة استرجاع منقوصة نوعاً ما باستخدام SSMs.
00:06:00لتجنب تكاليف الحوسبة العالية التي تفرضها المحولات.
00:06:08إذاً، كيف تدرب هذا بالفعل؟
00:06:10قمنا ببناء منهج مرحلي من أربع مراحل.
00:06:13كل منها تبني على السابقة، المرحلة الأولى هي التدريب المسبق على النصوص فقط.
00:06:1913 ترليون رمز عبر النصوص الإنكليزية والهندية والرياضيات والبرمجة.
00:06:25هذا يبني العمود الفقري اللغوي بـ 3 مليارات معامِل.
00:06:29والمعرفة اللغوية السابقة القوية هي ما يتيح للنموذج التعرف على النص الملطخ أو الغامض في الصورة.
00:06:38تماماً كما يمكنك قراءة كلمة ضبابية جزئياً.
00:06:41لأنك تعرف الكلمة المفترض وجودها في المكان الصحيح.
00:06:46لذا، ركزنا على بناء كفاءة نموذج اللغة أولاً.
00:06:51قبل أن يرى النموذج حتى بكسلاً واحداً.
00:06:54المرحلة الثانية هي حيث نجري تدريباً مسبقاً مستمراً على 300 مليون زوج من الصور والنصوص.
00:07:01هذا يعلم نموذج اللغة قدرات الرؤية العامة.
00:07:05ويعلمه كيفية الرؤية، وتفسير البكسلات، وما إلى ذلك.
00:07:08ثم تأتي المرحلة الثالثة حيث أجرينا ضبطاً دقيقاً موجهاً على 100 مليون صورة OCR.
00:07:15الآن، تتركز المرحلة الثالثة بشكل أساسي على جعل نموذج VLM العام قوياً في OCR.
00:07:26يتضمن ذلك امتلاك بيانات متنوعة عبر جميع اللغات الـ 22 والإنكليزية.
00:07:32وأيضاً دمج جميع أنواع مكونات المستندات مثل الجداول.
00:07:39والمعادلات والمستندات المكتوبة بخط اليد وما إلى ذلك.
00:07:44والمرحلة الرابعة هي التعلم التعزيزي الذي يساعد على تجاوز السقف الذي يحققه الضبط الدقيق الموجه.
00:07:54هنا، ستلاحظون أنها وصفة قياسية.
00:07:57لكن الميزة التنافسية تكمن في الأمرين أدناه.
00:08:02طبقة البيانات وطبقة التقييم.
00:08:05الأول هو محرك البيانات.
00:08:08بالنسبة لمعظم اللغات الـ 22، لا تتوفر بيانات معنونة بسهولة.
00:08:13وحين لا تتوفر بيانات معنونة، يصبح بناء محرك البيانات أمراً صعباً.
00:08:18وهذا شيء قمنا به على نطاق واسع.
00:08:21قمنا ببناء خطوط معالجة لإنشاء بيانات اصطناعية وبيانات من مستندات حقيقية.
00:08:26وساعدنا أيضاً في بناء خط المعالجة للتحسين المستمر للبيانات التي تدخل في التدريب.
00:08:35بناءً على أداء التقييم وما إلى ذلك.
00:08:37لذا، نحن نتطلع حالياً بفاعلية إلى نموذج نماذج التعلم التعزيزي (RLMs).
00:08:42بينما نستكشف قدرات الرؤية الوكيلية لنماذجنا في الإصدارات القادمة.
00:08:48الميزة التنافسية الثانية هي التقييمات.
00:08:51لا يمكنك الوصول إلى أحدث ما توصل إليه العلم إذا لم تكن قادراً على قياس مدى جودة أداء نموذجك.
00:08:57لقد أعددنا تقييمات شاملة لضمان أن ما نقيسه هو بالفعل الأحدث عالمياً.
00:09:03ومجدٍ حقاً أيضاً من حيث الفائدة للمستخدمين النهائيين.
00:09:09لذا، أريد أخذ دقيقة واحدة فقط للتركيز على خط معالجة التعلم التعزيزي لدينا.
00:09:15المرحلة الرابعة، لأن جزءًا كبيرًا من المكاسب يأتي من التعلم المعزز بالأساس
00:09:20في التعرف الضوئي على الحروف، تعد الدقة مسألة قابلة للقراءة آليًا، أليس كذلك؟
00:09:24يمكن إعداد الكثير من الاختبارات لمكافأة النماذج وتقييمها
00:09:30هذه العينات التي تقوم بإنشائها
00:09:34وفي عالم التعرف الضوئي المحدد على الحروف
00:09:37فإن هذه العينات جميعها قابلة للتحقق آليًا
00:09:40ومن ثم، يمنحنا التعلم المعزز دفعة قوية
00:09:44أخذ عينات من مجموعة
00:09:45تقييمها باختبارات الوحدة
00:09:47تعزيز متوسط القيمة المطلوب تجاوزها
00:09:51ثم تكرار العملية
00:09:53وهذا ما يجعل التعلم المعزز القائم على التحقق قابلًا للتوسع للغاية في التعرف الضوئي
00:09:57والآن، بعد كل التدريب من الصفر الذي قمنا به
00:10:01والجهود التي بذلناها في معالجة البيانات
00:10:03تمكنا من تحقيق الأداء الأحدث عالميًا في اثنين من معايير اللغة الإنجليزية العالمية
00:10:08أحدهما هو OCR Bench
00:10:10والآخر هو Omnidoc Bench
00:10:12عند الإطلاق، حققنا 84.3 في OCR
00:10:15ثم 93.2 في Omnidoc Bench
00:10:18النماذج التي تم إصدارها منذ ذلك الحين
00:10:22أحدثت تغييرًا ملحوظًا إلى حد كبير
00:10:24وسيكون لدينا قريباً نموذج أقوى
00:10:26في قائمة الصدارة العالمية أيضًا
00:10:29ثانياً، وهو الأهم
00:10:31في 22 لغة هندية
00:10:34لدينا الصدارة بلا منازع
00:10:36حتى بالمقارنة مع جميع النماذج الرائدة
00:10:38مثل Gemini
00:10:40و ChatGPT
00:10:41و Opus
00:10:42وغيرها
00:10:43وهنا وسعنا الفارق بشكل كبير
00:10:46ونحافظ على قوتنا
00:10:48مقارنة بجميع هذه النماذج الأحدث
00:10:50التي ظهرت مؤخرًا
00:10:52والآن مع Servum Vision
00:10:54تتاح بيئة العمل الذكية للمستندات
00:10:57المسماة Akshar
00:10:59حيث نتيح
00:11:01عمليات رقمنة ووكالة تفاعلية بمشاركة بشرية
00:11:04وستخراج البيانات
00:11:06ثم استيعابها
00:11:07لمختلف مهام ذكاء المستندات اللاحقة.
00:11:11نوفر درجات ثقة
00:11:13ولدين إسناد دقيق على مستوى الكتل،
00:11:16بالإضافة إلى القدرة على التدقيق اللغوي الآلي، وغير ذلك.
00:11:22الآن، الاختبارات القياسية وأحدث ما توصلت إليه التكنولوجيا شيء،
00:11:26ولهما مكانتهما،
00:11:27لكن اليوم تستخدم بعض أضخم المؤسسات في العالم،
00:11:30من قطاع التأمين إلى البنوك
00:11:32والحكومات
00:11:33ومنظمات الحفظ التاريخي،
00:11:36نموذج Servum Vision
00:11:38 لرقمنة أكثر من 35 مليون صفحة
00:11:40باللغة الإنجليزية
00:11:41و22 لغة هندية.
00:11:44النموذج متاح عبر واجهة برمجة التطبيقات (API)
00:11:48وعلى البنية التحتية المحلية،
00:11:49وكذلك على المنصة الذكية.
00:11:51ختامًا،
00:11:54حتى قبل أربعة أشهر،
00:11:56لم يكن هناك نموذج سيادي من الهند،
00:11:59أما اليوم فلدينا Servum Vision
00:12:02الذي تدرب من الصفر
00:12:03وحقق أفضل النتائج الحالية (SOTA)
00:12:06بسعر
00:12:07تنافسي للغاية
00:12:09مقارنة بجميع الحلول الأخرى،
00:12:11بما في ذلك المصادر المفتوحة والمغلقة.
00:12:14في البداية، بدأنا بحل
00:12:16أصعب المشكلات
00:12:18الخاصة بذكاء المستندات باللغات الهندية.
00:12:20وقريبًا سنقوم بإطلاق
00:12:22نماذج لغوية بصرية عامة الأغراض
00:12:24قادرة على تقديم قدرات بصرية
00:12:26أوسع بكثير.
00:12:28و نتطلع إلى
00:12:30تجربتكم جميعًا لنماذجنا
00:12:32شكرًا لكم
00:12:33يسعدني الإجابة عن أي أسئلة
00:12:35يسعدني الإجابة عن أي أسئلة
00:12:37يسعدني الإجابة عن أي أسئلة
00:12:38يسعدني الإجابة عن أي أسئلة
00:12:39يسعدني الإجابة عن أي أسئلة
00:12:39يسعدني الإجابة عن أي أسئلة
00:12:40أجل
00:12:40يسعدني الإجابة عن أي أسئلة
00:12:41يسعدني الإجابة عن أي أسئلة
00:12:42أجل
00:12:43يسعدني الإجابة عن أي أسئلة
00:12:44أجل
00:12:45يسعدني الإجابة عن أي أسئلة
00:12:46نعم
00:12:47نعم
00:12:48نعم، بالتأكيد
00:12:49بشكل عام
00:12:50القدرة اللغوية
00:12:51للغات الـ 22
00:12:53تعزز اللغة الإنجليزية
00:12:54بهامش كبير
00:12:56وهذا ينطبق
00:12:58على أي لغة قليلة الموارد
00:12:59وليس فقط اللغات الهندية قليلة الموارد
00:13:02صحيح
00:13:27نحن لا نتجه إلى ذلك المسار
00:13:29مع هذا النموذج
00:13:30لأنه نموذج يركز على الرؤية البصرية
00:13:33حيث نركز
00:13:34على استخراج المعلومات
00:13:35أو المعرفة من المستندات
00:13:37ولكن نعم
00:13:38قد تكون هناك
00:13:39بعض وجوه التشابه
00:13:40لمساعدة النماذج
00:13:42في استخدام اللغات العامة
00:13:44لتسريع كتابة البرمجيات
00:13:45أيضًا
00:13:46ولكن نعم
00:13:47هذا ليس في
00:13:48نطاق هذا العمل
00:13:50أجل
00:13:53صحيح
00:13:54إذن هناك أمران
00:14:11نحن ننشئ مستندات اصطناعية
00:14:14مستندات مخلقة
00:14:15كما يُطلق عليها
00:14:16لللتدريب اللاحق العام
00:14:18والذي يتضمن
00:14:19SFT
00:14:20و RL
00:14:21مع ذلك
00:14:22وبالعودة إلى سؤالك المحدد
00:14:23حول التعلم بالتعزيز (RL)
00:14:24نحن لا
00:14:25نحن لا
00:14:26يمكنك إنشاء
00:14:27مستندات مخلقة
00:14:28هناك أيضًا
00:14:29لكن
00:14:30أفضل شيء يمكن فعله
00:14:31هو أخذ مستندات من العالم الحقيقي
00:14:32معقدة بما فيه الكفاية
00:14:33بحيث
00:14:34تساعدك في إعداد
00:14:35اختبارات وحدة
00:14:36أو أنواع مختلفة
00:14:37من المكافآت
00:14:39صحيح
00:14:40مثل القول
00:14:41مكافأة قائمة على
00:14:42معدل المحارف
00:14:43أو مكافأة قائمة على
00:14:44هيكل الجدول
00:14:45أو معادلة رياضية
00:14:47أو شيء ما
00:14:48يرتبط ارتباطًا وثيقًا
00:14:49بلغة معينة
00:14:50أو مثل مكافآت القواعد
00:14:51أو ما إلى ذلك
00:14:52ومن ثم مساعدة
00:14:53النموذج
00:14:54على التحسن تدريجيًا
00:14:55بناءً على
00:14:56المخرجات المتسلسلة
00:14:57التي يستطيع النموذج
00:14:58إنتاجها
00:14:58في مختلف
00:14:59الإعدادات
00:15:00أجل
00:15:01نعم
00:15:20هل قلت
00:15:21إنك معجب كبير بـ “شاندرا”؟
00:15:22أجل
00:15:23حسناً
00:15:24هذا من مختبر آخر
00:15:25أنا أيضًا معجب كبير
00:15:26بالـمختبر
00:15:27الذي أنتج “شاندرا”
00:15:28ولكن نعم
00:15:29إجابة على سؤالك
00:15:30حول قياس الأداء الهندي (Indic Benchmark)
00:15:31نعم
00:15:32سنصدر
00:15:33معيار Sarvam Indic لقياس الأداء
00:15:34الذي أنشأناه
00:15:36لـ 22 لغة
00:15:37وهو
00:15:38يمتد
00:15:39عبر فترة زمنية ضخمة
00:15:42بدءًا من القرن التاسع عشر
00:15:43وحتى العصر الحديث
00:15:44وأيضًا
00:15:45أنواع مختلفة من التخطيطات
00:15:46أنواع مختلفة من
00:15:47المستندات
00:15:48باللغات الهندية
00:15:49يمكنك تخيل
00:15:49مستندات
00:15:50تتضمن النثر
00:15:51الشعر
00:15:52الأدب
00:15:53الجداول
00:15:53المالية
00:15:54وكل هذه الأشياء
00:15:54سننشر قريبًا
00:15:55معيار قياس الأداء ذاك
00:15:56للعلَن
00:15:57أيضًا
00:15:57للعلَن
00:15:59أيضًا
00:16:00لذا
00:16:02الترجمة من جديد
00:16:02النقل الحرفي مجددًا
00:16:03غير معني بشكل مباشر هنا
00:16:03لأن ما يهمنا في التعرف الضوئي على الحروف هو الدقة العالية
00:16:05في الاستخراج
00:16:07صحيح
00:16:08أنت تريد
00:16:09أنت تريد
00:16:09حتى لو كان هناك خطأ في الصورة
00:16:10تريد أن يُستخرج ذلك الخطأ الموجود بالصورة
00:16:11تريد أن يُستخرج ذلك الخطأ بدقة، وألا يقوم النموذج
00:16:15بإجراء تغييرات وفقًا لهواه
00:16:18بالتالي، فإن هذا لا ينطبق بشكل مباشر
00:16:19بالتالي، لا ينطبق هذا مباشرة، ولكن نعم، ما نراه هو كمية كبيرة من البيانات
00:16:23هناك الكثير من البيانات التي تأتي عبر النقل الحرفي حتى لتدريب
00:16:25التعرف الضوئي على الحروف الآن
00:16:26ولم يُحسم الأمر بعد بشأن ما ستفعله الآن، ولم يُحسم الأمر بشأن ما ستفعله
00:16:28هل تريد القيام بذلك؟
00:16:29إذن
00:16:29النقل الحرفي ليس معنيًا بشكل مباشر هنا، لأن ما يهمنا في التعرف الضوئي هو الدقة العالية
00:16:33في الاستخراج
00:16:35صحيح
00:16:36أنت تريد حتى لو كان هناك خطأ في الصورة، أن يتم استخراج ذلك الخطأ بشكل صحيح وألا يقوم
00:16:40النموذج بإجراء تغييرات دون ضوابط
00:16:43بالتالي، لا ينطبق هذا مباشرة، ولكن نعم، نرى الكثير من البيانات القادمة من خلال
00:16:49النقل الحرفي حتى لتدريب التعرف الضوئي الآن، ولم يُحسم القرار بشأن جودة تلك البيانات ومدى فائدتها وما إلى ذلك
00:16:58أجل
00:17:00نعم
00:17:01نعم
00:17:26صحيح
00:17:27هناك بضعة أمور يجب مراعاتها
00:17:29أولاً، لا يوجد نموذج آخر، سواء كان مغلق المصدر متطوراً أو نموذجاً مفتوحاً، يعمل بشكل جيد مع المستندات الهندية المعقدة
00:17:39صحيح
00:17:40لذا، بالنسبة لبلد يضم 1.4 مليار نسمة، فأنت تريد أن تكون قادرًا على معالجة حياتهم اليومية فيما يتعلق بمشكلات ذكاء المستندات
00:17:52لأن هناك الكثير من المعاملات الورقية في الهند، أليس كذلك؟
00:17:55إنه بلد واعد وما زال يجري رقمنته في الوقت الحالي، ومن المهم أن يتوفر التمثيل أو القدرة على رقمنة البلد في المقام الأول
00:18:05ثانياً، فيما يتعلق بالتدريب، ما قمنا به على وجه الخصوص هو إنشاء بيانات يمكن إضافتها إلى الكثير من عمليات التدريب اللاحقة
00:18:18لذلك نحن في مرحلة مبكرة جدًا من حيث أن يصبح الذكاء الاصطناعي جزءًا عاديًا من حياتنا، ونحتاج إلى البدء بإنشاء البيانات لنصل في النهاية إلى مكان يمكننا فيه
00:18:31امتلاك وكلاء مخصصين باللغة التي تفضلها وباللغة التي أفضلها وكيفما أريد
00:18:38لذا، للقيام بكل ذلك، نحتاج إلى البدء من مكان ما، ويجب إنشاء البيانات، وإذا كانت البيانات ذات جودة عالية، فهذا يساعد النموذج ليصبح الأحدث والأفضل (SOTA)
00:18:47وإذا كان النموذج هو الأفضل، بدءًا من شركات التأمين إلى المؤسسات الحكومية إلى الآخرين المهتمين بالسيادة في مجال الذكاء الاصطناعي، أليس كذلك؟
00:18:58كجهة حكومية، لا يمكنني نشر نموذج في مكان آخر وأنا لا أعرف أين تذهب البيانات الخاصة بالتفريغ الصوتي
00:19:06لذا يلزمني القدرة على التحكم في مكان إرسال البيانات، ومتى تُستخدم، وكمية استخدامها، وما إلى ذلك
00:19:13لذلك تصبح السيادة حاسمة للغاية، ولهذا السبب فإن هذا النموذج الآن حقًا
00:19:17لقد مرت أربعة أشهر فقط منذ إطلاقنا له، ونحن بالفعل نقوم برقمنة 35 مليون صفحة
00:19:23وهذا يظهر أن السوق كان ينتظر حلًا سياديًا في هذا المجال يمكنه حقًا إطلاق موجة الرقمنة بالذكاء الاصطناعي في الهند
00:19:32لذا نعم، يتركز الأمر أساسًا في ثلاثة جوانب: أحدهما يتعلق بالسيادة، والآخر بقدرة النموذج نفسه، والثالث بالبيانات المطلوبة لتدريب هذه النماذج
00:19:42نعم، إنها بنسبة 40% باللغات الهندية والباقي باللغة الإنجليزية ويتكون من الرياضيات والبرمجة وما إلى ذلك
00:20:03حسناً
00:20:07حسناً
00:20:08نعم
00:20:09مجرد سؤال جاد
00:20:24حالياً، عمليات النشر التي قمنا بها باستخدام هذا النموذج توجد في ولايات مختلفة
00:20:31حيث تحاول رقمنة اللغات الإقليمية جنباً إلى جنب مع جميع المستندات باللغة الإنجليزية والمستندات ذات اللغات المختلطة
00:20:39وبالتالي سنتمكن قريبًا من التدريب باستخدام الآراء والملاحظات التي نحصل عليها من عملية النشر الحالية
00:20:48لذا نعم، لقد بدأنا خط الإنتاج ذاك أيضًا
00:20:50ولقد بدأنا خط الإنتاج ذاك أيضًا
Community Posts
No posts yet. Be the first to write about this video!
Write about this video