وفقًا لإيران بيرغر، نائب رئيس هندسة المنتجات في LinkedIn، تجاوزت LinkedIn هندسة المطالبات واستخدمت بدلاً من ذلك تقطير النماذج لإنشاء أنظمة التوصية بالذكاء الاصطناعي من الجيل التالي. وفي حديثه في بودكاست Beyond the Pilot، ذكر بيرغر أن المطالبة اعتُبرت "غير مجدية" لتحقيق التحسينات اللازمة في الدقة والاستجابة والكفاءة.

بدلاً من الاعتماد على هندسة المطالبات، طورت LinkedIn وثيقة سياسة منتج مفصلة لضبط نموذج بـ 7 مليارات معلمة، والتي تم تقطيرها لاحقًا إلى نماذج معلم وطالب أصغر ومحسّنة مع مئات الملايين من المعلمات. أصبح هذا النهج، المعروف باسم تقطير المعلمين المتعددين، طريقة قابلة للتكرار تُستخدم في جميع منتجات الذكاء الاصطناعي في LinkedIn.

تعمل LinkedIn على تطوير أنظمة التوصية بالذكاء الاصطناعي منذ أكثر من 15 عامًا. ووجدت الشركة أن النماذج الجاهزة غير كافية لتلبية متطلبات منصة البحث عن وظائف الخاصة بها. تمثل هذه الخطوة نحو تقطير النماذج تحولًا كبيرًا في الإستراتيجية، حيث تعطي الأولوية للحلول المصممة خصيصًا على الاستفادة من نماذج اللغة الكبيرة (LLMs) الحالية من خلال المطالبة.

تقطير النماذج هو أسلوب يتم فيه تدريب نموذج أصغر وأكثر كفاءة (الطالب) لتقليد سلوك نموذج أكبر وأكثر تعقيدًا (المعلم). في حالة LinkedIn، تم استخدام نماذج معلم متعددة لتوجيه نموذج الطالب، مما يعزز أدائه. تتيح هذه العملية إنشاء نماذج ذكاء اصطناعي قوية وفعالة من حيث الموارد، وهو عامل حاسم للتطبيقات واسعة النطاق.

أكد بيرغر على تأثير عملية التقييم الجديدة هذه، قائلاً إنها "ستؤدي إلى تحسين كبير في الجودة لم نشهده على الأرجح منذ سنوات هنا في LinkedIn". تعتقد الشركة أن هذا النهج سيؤدي إلى توصيات وظائف أكثر ملاءمة وشخصية لمستخدميها.

يسلط هذا التطور الضوء على اتجاه متزايد في صناعة الذكاء الاصطناعي: التحرك نحو نماذج متخصصة ومضبوطة بدقة مصممة لمهام محددة. في حين أن نماذج اللغة الكبيرة قد حظيت باهتمام كبير، إلا أن شركات مثل LinkedIn تجد أن الحلول المخصصة يمكن أن توفر أداءً فائقًا في تطبيقات معينة. قد تؤدي الآثار المترتبة على هذا الاتجاه إلى مشهد ذكاء اصطناعي أكثر تنوعًا، حيث تلعب النماذج الأصغر والأكثر كفاءة دورًا متزايد الأهمية.