وفقًا لإيران بيرغر، نائب رئيس هندسة المنتجات في LinkedIn، في حديثه على بودكاست Beyond the Pilot، تجاوزت LinkedIn هندسة المطالبات واستخدمت بدلاً من ذلك تقطير النماذج لإنشاء نظام التوصيات من الجيل التالي. ووجدت الشركة، وهي رائدة منذ فترة طويلة في أنظمة التوصية القائمة على الذكاء الاصطناعي، أن هندسة المطالبات غير كافية لتحقيق المستويات المطلوبة من الدقة والاستجابة والكفاءة اللازمة لمطابقة الباحثين عن عمل بالفرص المتاحة.

ذكر بيرغر أن المطالبات اعتُبرت "غير قابلة للتطبيق" لهذا التطبيق المحدد. وبدلاً من ذلك، طورت LinkedIn وثيقة سياسة منتج مفصلة لضبط نموذج أولي بـ 7 مليارات معلمة. ثم تم تقطير هذا النموذج إلى نماذج معلم وطالب أصغر وأكثر كفاءة، ومُحسَّنة لتصل إلى مئات الملايين من المعلمات. وقد أثبتت عملية التقطير متعددة المعلمين هذه أنها الاختراق الرئيسي.

تقطير النماذج هو أسلوب في التعلم الآلي حيث يتم تدريب نموذج أصغر وأكثر كفاءة (الطالب) لتقليد سلوك نموذج أكبر وأكثر تعقيدًا (المعلم). يتيح ذلك نشر نماذج الذكاء الاصطناعي في بيئات محدودة الموارد دون التضحية بدقة كبيرة. في حالة LinkedIn، كان النموذج الأولي بـ 7 مليارات معلمة بمثابة الأساس لإنشاء نماذج أصغر وأكثر تخصصًا مصممة خصيصًا لمهام التوصية المحددة.

أدى تطوير هذا النهج الجديد إلى "دليل إرشادي" متكرر يتم تطبيقه الآن عبر العديد من منتجات الذكاء الاصطناعي داخل LinkedIn. يتوقع بيرغر أن يؤدي اعتماد عملية التقييم الشاملة هذه إلى تحسينات كبيرة في الجودة، تتجاوز تلك التي شوهدت في السنوات الأخيرة.

تسلط تجربة LinkedIn الضوء على اتجاه متزايد في مجتمع الذكاء الاصطناعي: التحول نحو نماذج متخصصة ومضبوطة بدقة بدلاً من الاعتماد فقط على هندسة المطالبات باستخدام نماذج لغوية كبيرة. في حين أن للمطالبات مكانها، فقد لا تكون دائمًا الحل الأكثر فعالية أو كفاءة للمهام المعقدة التي تتطلب دقة عالية وزمن انتقال منخفض. يشير نجاح الشركة في تقطير النماذج إلى أن اتباع نهج أكثر استهدافًا، يتضمن تصميمًا وتدريبًا دقيقين للنماذج، يمكن أن يحقق نتائج متفوقة في تطبيقات معينة. يمكن أن تمتد آثار هذا النهج إلى ما وراء أنظمة التوصية، مما يؤثر على تطوير حلول الذكاء الاصطناعي في مختلف الصناعات.