گیت‌هاب مدل‌های دقیق تنظیم‌شده Copilot را برای کاربران سازمانی رونمایی می‌کند

گیت‌هاب اعلام کرد که نسخه‌ی سازمانی ابزار هوش مصنوعی Copilot را با مدل‌های هوش مصنوعی جدید و بهبودیافته‌ به‌روزرسانی کرده است.

به‌گزارش تک‌ناک، گیت‌هاب دسترسی محدود به مدل‌های دقیق تنظیم‌شده (Fine-Tuned) کوپایلت (Copilot) را برای کاربران سازمانی فراهم کرد. با این مدل‌ها، مشتریان می‌توانند تجربه‌ی هوش مصنوعی را به‌گونه‌ای شخصی‌سازی کنند که بهتر با سبک کدنویسی و زبان‌های برنامه‌نویسی خاص پروژه‌هایشان همخوانی داشته باشد. گیت‌هاب اعلام کرده است که این فرایند دقیق ارتباط و کیفیت پیشنهادهای کد را بهبود درخورتوجهی می‌بخشد.

نئووین می‌نویسد که گیت‌های مدل‌های Fine-Tuned را «گام بعدی بزرگ در سفارشی‌سازی» می‌داند. با آموزش این مدل‌ها روی کد پایه سازمان شما و تحلیل داده‌های استفاده از Copilot به‌واسطه‌ی تیم توسعه، می‌توان پیشنهادهای کد دقیق‌تر و متناسب‌تر با نیازهای پروژه را ارائه داد.

گیت‌هاب گزارش می‌دهد که Copilot با استفاده از مدل‌های دقیق تنظیم‌شده، به‌‌خوبی با کد پایه و استانداردهای کدنویسی سازمان شما سازگار می‌شود. این مدل‌ها نه‌تنها پیشنهادهای نحوی (Syntactically) صحیحی ارائه می‌دهند؛ بلکه با درک عمیق از ماژول‌ها و توابع و حتی زبان‌های تخصصی، به شما کمک می‌کنند تا کدی با‌کیفیت‌تر و مطابق با خواسته‌ی تیم خود بنویسید.

گیت‌هاب برای ساخت این مدل‌ها از روش بهینه‌سازی کم‌رتبه (LoRA) بهره می‌برد. این روش به سازمان‌ها امکان می‌دهد تا با سرعتی بیشتر و هزینه‌ای کمتر، مدل‌های هوش مصنوعی را مطابق با نیازهای خاص خود آموزش دهند. علاوه‌بر‌این، LoRA با تحلیل نحوه‌ی تعامل توسعه‌دهندگان با Copilot، به‌طور مداوم مدل‌ها را ارتقا می‌دهد و آن‌ها را با سبک کدنویسی و استانداردهای سازمان همسو می‌کند.

یکی از دغدغه‌های اصلی در حوزه‌ی هوش مصنوعی مولد، حریم خصوصی داده‌ها است. سرویس‌هایی مانند جمنای و ChatGPT برای بهبود عملکرد خود، داده‌های کاربران را جمع‌آوری می‌کنند. بااین‌حال در Copilot، گیتاب به امنیت داده‌های کاربران اهمیت ویژه‌ای می‌دهد. داده‌ها به طور کامل در‌اختیار کاربران است و هرگز برای آموزش مدل‌های سایر کاربران استفاده نمی‌شود. مدل‌های سفارشی کاربران نیز کاملاً خصوصی هستند و کنترل کامل آن‌ها در دست خود کاربران است.

GitHub درباره‌ی فرآیند آموزش توضیح می‌دهد:

هنگامی که فرایند آموزشی را آغاز می‌کنید، داده‌های مخزن و داده‌های تله‌متری شما توکنیزه و موقتاً به مسیر آموزشی Azure کپی می‌شوند. برخی از این داده‌ها برای آموزش استفاده می‌شوند؛ در‌حالی‌که مجموعه‌ی دیگری برای اعتبارسنجی و ارزیابی کیفیت رزرو می‌شوند. پس از تکمیل فرایند Fine-Tuned، مدل تحت ارزیابی‌های کیفی متعددی قرار می‌گیرد تا اطمینان حاصل شود که از مدل پایه بهتر عمل می‌کند. این شامل آزمایش با داده‌های اعتبارسنجی شما برای تأیید این می‌شود که مدل جدید پیشنهادهای کد را برای مخازن خاص شما بهبود خواهد بخشید.

این مدل‌های دقیق تنظیم‌شده اکنون در بتای عمومی محدود هستند و GitHub به‌تدریج مشتریان را از فهرست انتظار خود وارد می‌کند.