د لینوو RHEL AI کارونکي لارښود

لینوو RHEL AI

د محصول معلومات

مشخصات:

• د محصول نوم: RHEL AI (Red Hat Enterprise Linux AI)
• اصلي دنده: د مصنوعي استخباراتو او ماشین زده کړې پلي کول ګړندي کول
• مهمې ځانګړتیاوې: د لویو ژبو ماډلونو سره د تجربې لپاره امنیت متمرکز، واحد سرور چاپیریال

په مکرر ډول پوښتل شوي پوښتنې

پوښتنه: د RHEL AI اصلي موخه څه ده؟

الف: RHEL AI موخه لري چې د لویو ژبو ماډلونو سره د تجربې کولو او د AI پلي کولو ګړندي کولو لپاره یو خوندي او ارزانه پلیټ فارم چمتو کړي.

پوښتنه: RHEL AI څنګه د بنسټ ماډلونو څخه ګټه پورته کوي؟

الف: RHEL AI د بنسټ ماډلونه کاروي چې د نمونو عمومي شرایطو پوهه لري ترڅو د ځانګړو صنعتي دندو لپاره ښه تنظیم فعال کړي.

پوښتنه: د تولیدي مصنوعي ذهانت لپاره د RHEL مصنوعي ذهانت کارولو ځینې مهمې ګټې کومې دي؟

الف: RHEL AI شرکتونو ته اجازه ورکوي چې د هایبرډ کلاوډ چاپیریالونو کې تولیدي AI ماډلونه وروزي او ځای په ځای کړي او د نور ماډل پراختیا لپاره د Red Hat OpenShift AI پلیټ فارم ته لاسرسی چمتو کوي.

RHEL AI څه شی دی؟ د AI موقعیت معلوماتو لپاره د خلاصې سرچینې لارې لارښود

د مصنوعي استخباراتو او ماشین زده کړې پلي کول ګړندي کول

• مصنوعي ذهانت (AI) د معلوماتي ټکنالوژۍ په صنعت کې یو پیاوړی نوی وسیله ده، مګر، لکه څنګه چې د ډیری ډیجیټل وسیلو سره، یو اندازه ټول مناسب نه وي. یو عمومي AI بوټ چې د پنځو کلونو دمخه د ناڅاپي انټرنیټ مینځپانګې په اړه روزل شوی وي کولی شي یو عادي کارونکی متاثر کړي، مګر ستاسو سازمان احتمال لري چې د پراختیا (او ممکن محرم) ډومینونو په اړه اوسني، تخصصي پوهې ته اړتیا ولري. تاسو یو AI ته اړتیا لرئ چې ستاسو د سازمان لپاره ښه تنظیم شوی وي، او د دې ترلاسه کولو لپاره د Red Hat Enterprise Linux AI (RHEL AI) او InstructLab څخه غوره لاره نشته.
• په هرصورت، د دې ټیکنالوژیو پلي کول پیچلي کیدی شي. لکه څنګه چې د معلوماتو ساینس پوهان د خپلو ماډلونو جوړولو لپاره کار کوي، دوی ډیری وختونه د ګړندي وده کونکي وسیلو ترمنځ د سمون نشتوالي سره مخ کیږي. دا توپیرونه کولی شي د معلوماتو ساینس پوهانو، سافټویر پراختیا کونکو، او معلوماتي ټکنالوژۍ عملیاتو ترمنځ د تولید او همکارۍ مخه ونیسي. د AI/ML پلي کول د سرچینو محدود او اداري پلوه پیچلي کیدی شي، د هارډویر سرعت لپاره ګران ګرافیک پروسس کولو واحد (GPU) سرچینو ته اړتیا لري او د جنریټیو AI (gen AI.) لپاره ویشل شوي کاري بارونه مشهور کلاوډ پلیټ فارمونه د پیمانه کولو وړتیا او زړه راښکونکي وسیلې وړاندې کوي مګر ډیری وختونه کاروونکي بندوي، د معمارۍ او پلي کولو انتخابونه محدودوي.
• د خلاصې سرچینې ټولنې څخه مننه، د مصنوعي ذهانت جوړول هغومره ستونزمن ندي لکه څنګه چې په لومړي نظر کې ښکاري. ډیری LLMs دمخه شتون لري، او د InstructLab څخه مننه چې ستاسو د سازمان اړتیاو لپاره یې تعدیل کول اسانه دي.
• د RHEL AI او د پایتون لومړني پوهه سره او YAML د، تاسو کولی شئ خپل سازمان ته یو دودیز AI راوړئ. په حقیقت کې، ریډ هټ ډیویلپرز خپور کړی دی د مصنوعي ذهانت د زده کړې نوې لاره دا تاسو د پروسې له لارې ګام په ګام پورته کوي. دا بشپړونکی کورس هر هغه څه څرګندوي چې تاسو ورته اړتیا لرئ د معلوماتو راټولولو، مخکې له مخکې روزنې، او د ښه کولو مرحلو، او د موجوده LLM لوړولو په اړه پوه شئ. د زده کړې لاره کې د خپل پایتون چاپیریال د پیل کولو، ماډل ډاونلوډ او روزلو، او دا څنګه خپلو کاروونکو ته د لاسرسي وړ کولو په اړه ګام په ګام لارښود شامل دی.
• ډیری وختونه، د مصنوعي ذهانت کاروونکي غواړي د لویو ژبو ماډلونو (LLMs) سره تجربه وکړي مخکې لدې چې د تولید ډیر لوی چاپیریال ته پراختیا او پراختیا ورکړي. په هرصورت، د مشهور LLM پر بنسټ غوښتنلیکونو لکه ChatGPT سره تجربه کول د حساس شخصي معلوماتو شریکول دي، کوم چې ډیری وختونه د کاروونکو معلوماتو ذخیره کولو او کارولو په اړه اندیښنې راپورته کوي.
• RHEL AI د لویو ژبو ماډلونو سره د تجربې لپاره د ټیټ لګښت، امنیت متمرکز، واحد سرور چاپیریال چمتو کولو سره دا ننګونه حل کوي. RHEL د هغو کاروونکو لپاره چې د ډیټا ساینس لږ یا هیڅ تخصص نلري د ډیټا محرمیت یا امنیت اندیښنو پرته د لویو ژبو ماډلونو پراختیا او وده پیل کول اسانه کوي.

د تازه معلوماتو د کتلو لپاره دلته کلیک وکړئ

د ریډ هیټ انټرپرائز لینکس AI څه شی دی او دا څنګه کار کوي؟

• ریډ هیټ انټرپرائز لینکس AI د بنسټ ماډل پلیټ فارم دی چې تاسو سره د خلاصې سرچینې ګرانایټ AI ماډلونو پراختیا، ازموینې او چلولو کې مرسته کولو لپاره ډیزاین شوی. RHEL AI د خلاصې سرچینې انسټرکټ لیب پروژې پراساس دی او د IBM ریسرچ څخه د ګرانایټ لوی ژبې ماډلونه (LLM) د انسټرکټ لیب د ماډل سمون وسیلو سره یوځای کوي. د چیټ بوټس (LAB) میتودولوژي لپاره د لوی پیمانه سمون میتودولوژي پراساس، RHEL AI کولی شي د بوټ وړ RHEL عکس تولید کړي نو ستاسو د AI ځای پرځای کول د کانټینر یا مجازی ماشین بوټ کولو په څیر اسانه دي. د دې اصلي تمرکز دا دی چې کاروونکو ته وړتیا ورکړي چې د جنریشن AI ماډلونه رامینځته کړي، ازموینه وکړي او پرمخ بوځي ترڅو د تصدۍ غوښتنلیکونه په ډیر بې ساري ډول ځواکمن کړي.
• د ریډ هیټ انټرپرائز لینکس AI د هایبرډ کلاوډ چاپیریالونو کې د لیږد وړتیا ته اجازه ورکوي او دا ممکنه کوي چې بیا ستاسو د AI کاري جریان د ریډ هیټ اوپن شفټ® AI سره اندازه کړئ او د انټرپرائز AI پراختیا، ډیټا مدیریت، او ماډل حکومتدارۍ لپاره اضافي وړتیاو سره IBM watsonx.ai ته لاړ شئ.
• د شرایطو لپاره، د بنسټ ماډل د ماشین زده کړې (ML) ماډل یو ډول دی چې د یو لړ دندو ترسره کولو لپاره دمخه روزل شوی. تر دې وروستیو پورې، د مصنوعي استخباراتو (AI) سیسټمونه ځانګړي وسایل وو، پدې معنی چې د ML ماډل به د یو ځانګړي غوښتنلیک یا واحد کارونې قضیې لپاره روزل کیده. د بنسټ ماډل اصطلاح (د اساس ماډل په نوم هم پیژندل کیږي) زموږ په لغت کې هغه وخت داخله شوه کله چې متخصصینو د ماشین زده کړې په ساحه کې د 2 رجحاناتو یادونه پیل کړه:
  • د ژورو زده کړو لږ شمیر جوړښتونه د مختلفو دندو لپاره د پایلو ترلاسه کولو لپاره کارول کیدل.
  • نوي مفاهیم د مصنوعي استخباراتو (AI) ماډل څخه راپورته کیدی شي چې په اصل کې د هغې په روزنه کې نه وو ټاکل شوي.
• بنسټیز ماډلونه د نمونو، جوړښتونو او نمایندګیو د عمومي شرایطو پوهاوي سره د کار کولو لپاره پروګرام شوي دي. د اړیکو او نمونو پیژندلو څرنګوالي دا بنسټیز پوهاوی د پوهې یو اساس رامینځته کوي چې نور تعدیل کیدی شي، یا ښه تنظیم کیدی شي، ترڅو د هر صنعت لپاره د ډومین ځانګړي دندې ترسره کړي.
• د لینکس، کانټینرونو او اتوماتیک ټیکنالوژۍ بنسټ سره، د ریډ هیټ خلاص هایبرډ کلاوډ ستراتیژي او د مصنوعي ذهانت پورټ فولیو تاسو ته انعطاف درکوي چې خپل مصنوعي ذهانت غوښتنلیکونه هرچیرې چې ورته اړتیا لرئ پرمخ بوځي.
  
• د چیټ جی پي ټي پیل د تولیدي مصنوعي ذهانت په برخه کې خورا زیاته علاقه پیدا کړه، او له هغه وخت راهیسې د نوښت سرعت یوازې ګړندی شوی دی. تصدۍ د تولیدي مصنوعي ذهانت خدماتو له لومړنیو ارزونو څخه د مصنوعي ذهانت فعال شوي غوښتنلیکونو پراختیا ته لیږدول شوي دي. د خلاص ماډل انتخابونو په چټکۍ سره پراخیدونکي ایکوسیستم د مصنوعي ذهانت نور نوښت ته وده ورکړې، دا په ګوته کوي چې یو واحد غالب ماډل به نه وي. پیرودونکي به د ځانګړو اړتیاو پوره کولو لپاره د انتخابونو له متنوع لړۍ څخه ګټه پورته کړي، چې ټول به د نوښت لپاره د خلاصې طریقې لخوا نور هم ګړندي شي.
• که څه هم تولیدي مصنوعي ذهانت ډېر ظرفیت وړاندې کوي، د لویو ژبو ماډلونو (LLMs) د ترلاسه کولو، روزنې او ښه کولو اړوند لګښتونه خورا زیات کیدی شي، د ځینو مخکښو ماډلونو د پیل څخه مخکې د روزنې لپاره نږدې 200 ملیون ډالر لګښت لري. پدې کې د ماډل د ځانګړي سازمان اړتیاو یا معلوماتو سره د سمون لګښت شامل نه دی، کوم چې معمولا د معلوماتو ساینس پوهانو یا خورا متخصص پراختیا کونکو ته اړتیا لري. د غوره شوي ماډل په پام کې نیولو پرته، سمون اړین دی ترڅو دا د شرکت ځانګړي معلوماتو او پروسو سره تطابق کړي، چې د ریښتینې نړۍ تولید چاپیریال کې د مصنوعي ذهانت لپاره موثریت او چټکتیا خورا مهم کوي.
• ریډ هیټ وړاندوینه کوي چې په راتلونکې لسیزه کې، کوچني، ډیر اغیزمن، او هدفمند جوړ شوي AI ماډلونه به د کلاوډ اصلي غوښتنلیکونو سره یوځای د تصدۍ IT سټیک یوه مهمه برخه شي. په هرصورت، د دې ترلاسه کولو لپاره، تولیدي AI باید ډیر لاسرسی وړ او شتون ولري، د هغې لګښتونو څخه د هغې ونډه اخیستونکو ته د هایبرډ کلاوډ په اوږدو کې د هغې د ځای پرځای کولو ځایونو ته. د لسیزو راهیسې، د خلاصې سرچینې ټولنو د مختلفو کاروونکو ډلو د ونډو له لارې د پیچلو سافټویر ستونزو لپاره ورته ننګونو سره د مقابلې کې مرسته کړې. ورته چلند کولی شي د تولیدي AI په مؤثره توګه د منلو لپاره خنډونه کم کړي.
• جین AI د انقلابي بدلون لپاره یو کتلست دی، چې د سافټویر جوړولو څخه تر هغه چې موږ اړیکه نیسو هرڅه ګډوډوي. مګر ډیری وختونه، د جین AI لپاره کارول شوي LLMs په کلکه کنټرول کیږي، او د ځانګړو مهارتونو او لوړ لګښتونو پرته نشي ارزول کیدی یا ښه کیدی شي. راتلونکی باید د څو کسانو په لاس کې نه وي.
• د RHEL Al او د هغې د خلاصې سرچینې طریقې سره، تاسو کولی شئ د باور او شفافیت سره د نسل Al نوښت وهڅوئ، پداسې حال کې چې لګښتونه کم کړئ او د ننوتلو خنډونه لرې کړئ.
• د RHEL AI په کارولو سره، شرکتونه به وکولی شي د هایبرډ کلاوډ په اوږدو کې هرچیرې تولیدي AI وروزي او ځای په ځای کړي، هغه ځای ته نږدې چې د دوی معلومات پکې موقعیت لري. برسېره پردې، پلیټ فارم یو آن-آر چمتو کويamp د ریډ هټ د اوپن شفټ مصنوعي ذهانت پلیټ فارم ته د ورته وسیلو او مفاهیمو په کارولو سره د تولیدي مصنوعي ذهانت ماډلونو روزنې، ټونینګ او خدمت لپاره

د ژبې لوی ماډلونه څه دي او څنګه کار کوي؟

• LLMs د ژبې پوهه د یوې طریقې له لارې ترلاسه کوي چې د غیر څارل شوي زده کړې په نوم پیژندل کیږي. پدې پروسه کې د ماشین زده کړې ماډل چمتو کول شامل دي چې د کلمو او جملو پراخه ډیټاسیټونه لري، چې دا اجازه ورکوي چې د پخواني لخوا زده کړه وکړي.ample. دا بې څارنې مخکې له روزنې مرحله د GPT-3 او BERT په څیر د LLMs پراختیا لپاره بنسټیز دی.
• حتی د واضح انساني لارښوونې پرته، کمپیوټر کولی شي له معلوماتو څخه معلومات راوباسي، اړیکې رامینځته کړي، او د ژبې په اړه "زده کړه" وکړي. لکه څنګه چې ماډل هغه نمونې زده کوي چې د کلمو ترتیب اداره کوي، دا کولی شي وړاندوینه وکړي چې جملې باید د احتمال پراساس څنګه جوړښت شي. پایله یو ماډل دی چې د کلمو او جملو ترمنځ پیچلې اړیکې نیولی شي.
• LLMs د اړیکو موندلو لپاره د احتمالاتو د دوامداره محاسبې له امله د پام وړ محاسباتي سرچینو ته اړتیا لري. یو داسې سرچینه د ګرافیک پروسس کولو واحد (GPU) دی. GPU یو ځانګړی هارډویر برخه ده چې د پیچلو موازي پروسس کولو دندو لپاره ډیزاین شوې، دا د ماشین زده کړې او ژورې زده کړې ماډلونو لپاره مثالی کوي چې پراخه محاسبې ته اړتیا لري، لکه LLMs.
• GPUs د ټرانسفارمرونو د روزنې او عملیاتو ګړندي کولو لپاره خورا مهم دي، د سافټویر جوړښت یو ډول چې په ځانګړي ډول د طبیعي ژبې پروسس کولو (NLP) دندو لپاره ډیزاین شوی چې ډیری LLMs یې پلي کوي. ټرانسفارمرونه د مشهور LLM بنسټ ماډلونو لکه ChatGPT او BERT لپاره بنسټیز جوړښتونه دي.
• د ټرانسفارمر جوړښت د معلوماتو په ترتیب کې د عناصرو ترمنځ د شرایطو اړیکو او انحصارونو په اغیزمنه توګه نیولو سره د ماشین زده کړې ماډلونه لوړوي، لکه په جمله کې کلمې. دا د ځان پاملرنې میکانیزمونه (پیرامیټرونه) کاروي ترڅو د مختلفو عناصرو اهمیت وزن کړي، پوهه او فعالیت ښه کړي. پیرامیټرونه حدود تعریفوي، کوم چې د ژورې زده کړې الګوریتمونو لخوا پروسس شوي د معلوماتو لوی مقدار احساس کولو لپاره خورا مهم دي.
• د ټرانسفارمر جوړښت په ملیونونو یا ملیاردونو پیرامیټرې لري، چې دا اجازه ورکوي چې د ژبې پیچلي نمونې او باریکۍ ونیسي. په "لوی ژبې ماډل" کې "لوی" اصطلاح د LLM لپاره د اغیزمن کار کولو لپاره اړین پیرامیټرو د پام وړ شمیر ته اشاره کوي.
• عصري LLMs د ژبې د پوهیدو او کارولو لپاره بې ساري وړتیا ښیې، د هغه څه څخه چې دمخه د شخصي کمپیوټر څخه تصور کیده تیریږي. دا د ماشین زده کړې ماډلونه کولی شي متن تولید کړي، مینځپانګه لنډیز کړي، ژباړه وکړي، بیا ولیکي، طبقه بندي کړي، طبقه بندي کړي، تحلیل کړي، او نور ډیر څه.
• دا ځواکمن وسایل انسانان د دې توان ورکوي چې خپل تخلیقیت لوړ کړي، تولید لوړ کړي، او پیچلي ستونزې حل کړي. د سوداګرۍ په ترتیب کې د LLMs ځینې خورا عام غوښتنلیکونه پدې کې شامل دي:
  • اتومات کول او موثریت: LLMs کولی شي د ژبې پورې اړوند دندو لکه د پیرودونکو ملاتړ، د معلوماتو تحلیل، او د محتوا تولید بشپړولو یا په بشپړ ډول د رول په غاړه اخیستلو کې مرسته وکړي. دا اتومات کولی شي عملیاتي لګښتونه کم کړي پداسې حال کې چې د نورو ستراتیژیکو دندو لپاره بشري سرچینې خلاصوي.
  • د بصیرت رامینځته کول: LLMs کولی شي په چټکۍ سره د متن ډیټا لوی مقدار سکین کړي، سوداګرۍ ته دا توان ورکوي چې د ټولنیزو رسنیو په څیر سرچینو په سکریپ کولو سره د بازار رجحاناتو او پیرودونکو نظرونو ښه پوه شي، بیاviews، او څیړنیزې مقالې، کوم چې په پایله کې کولی شي د سوداګرۍ پریکړو په اړه معلومات ورکړي.
  • د پیرودونکو د غوره تجربې رامینځته کول: LLMs سوداګرۍ سره مرسته کوي چې خپلو پیرودونکو ته خورا شخصي مینځپانګې وړاندې کړي، ښکیلتیا رامینځته کړي او د کارونکي تجربه ښه کړي. دا ممکن د چیټ بوټ پلي کولو په څیر ښکاري چې د پیرودونکو لپاره د 24 ساعتونو ملاتړ چمتو کړي، د ځانګړو کاروونکو شخصیتونو ته د بازار موندنې پیغامونه تنظیم کړي، یا د ژبې ژباړې او کلتوري اړیکو اسانتیا برابر کړي.
• که څه هم ډیری احتمالي ګټې شتون لريtagد سوداګرۍ په ترتیب کې د LLM کارولو لپاره، احتمالي محدودیتونه هم شتون لري چې باید په پام کې ونیول شي:
  • لګښت: د LLMs پراختیا، روزنه او ځای پرځای کولو لپاره د پام وړ سرچینو ته اړتیا لري. له همدې امله ډیری LLMs د بنسټ ماډلونو څخه جوړ شوي، کوم چې د NLP وړتیاو سره دمخه روزل شوي او د ژبې یو اساسي پوهه چمتو کوي چې له هغې څخه ډیر پیچلي LLMs په سر کې جوړ کیدی شي. خلاص سرچینه او د خلاصې سرچینې جواز لرونکي LLMs د کارولو لپاره وړیا دي، دوی د هغو سازمانونو لپاره مثالي کوي چې په بل ډول به یې د LLM پراختیا توان ونلري.
  • محرمیت او امنیت: LLMs ډیرو معلوماتو ته لاسرسی ته اړتیا لري، او ځینې وختونه پدې کې د پیرودونکو معلومات یا د ملکیت سوداګرۍ معلومات شامل دي. دا هغه څه دي چې په ځانګړي ډول محتاط وي که چیرې ماډل د دریمې ډلې چمتو کونکو لخوا ځای په ځای شوی یا لاسرسی ولري.
  • دقت او تعصب: که چیرې د ژورې زده کړې ماډل د هغو معلوماتو په اړه روزل شوی وي چې احصایوي پلوه تعصب لري، یا د نفوس دقیق استازیتوب نه وړاندې کوي، نو پایله یې نیمګړتیا کیدی شي. له بده مرغه، موجوده انساني تعصب ډیری وختونه مصنوعي استخباراتو ته لیږدول کیږي، پدې توګه د تبعیض الګوریتمونو او تعصب پایلو لپاره خطر رامینځته کوي. لکه څنګه چې سازمانونه د ښه تولید او فعالیت لپاره د مصنوعي ذهانت څخه ګټه پورته کولو ته دوام ورکوي، دا خورا مهمه ده چې د تعصب کمولو لپاره ستراتیژۍ ځای په ځای شي. دا د جامع ډیزاین پروسو او د راټول شوي معلوماتو دننه د استازیتوب تنوع ډیر فکري غور سره پیل کیږي.

د IBM InstructLab او ګرانایټ ماډلونه د LLM روزنې کې انقلاب راولي

• IBM ګرانایټ د ډیکوډر-یوازې AI بنسټ ماډلونو لړۍ ده چې د IBM لخوا رامینځته شوې. په پیل کې د IBM کلاوډ پر بنسټ ډیټا او تولیدي AI پلیټ فارم واټسنکس کې د نورو ماډلونو سره د کارولو لپاره ټاکل شوې وه، IBM د ځینو کوډ ماډلونو سرچینه کوډ پرانست. د ګرانایټ ماډلونه د انټرنیټ، اکاډمیک خپرونو، کوډ ډیټاسیټونو، قانوني او مالي اسنادو څخه جوړ شوي ډیټاسیټونو کې روزل کیږي.
• لکه څنګه چې تولیدي مصنوعي ذهانت له تجربې څخه د ارزښت جوړولو ته بدلون مومي، د بنسټ ماډلونو لپاره د روزنې میتودونه هم وده کوي. د انسانانو د مهارتونو د زیاتوالي سره د اغیزمن زده کړې زده کولو ته ورته، د IBM څیړنې ټیمونو، د Red Hat همکارانو سره په همکارۍ، د تولیدي مصنوعي ذهانت ماډلونو د ډیر اغیزمن زده کړې کولو څرنګوالی پیل کړی دی. د دوی پدې وروستیو کې پیل شوی InstructLab د ځانګړو دندو لپاره د بنسټ ماډلونو دودیز کولو کې د پام وړ سرعت ښیې.
• انسټرکټ لیب یوه خلاصه سرچینه پروژه ده چې موخه یې د LLMs د ښه کولو لګښت کمول دي ترڅو د LLM کې د بدلونونو مدغم کولو وړتیا فعاله کړي پرته لدې چې د ټول بنسټ ماډل بشپړ بیا روزنه ورکړي.
• د ګرانایټ ماډلونو د خپلې وروستۍ خپرې شوې کورنۍ سره، د انسټرکټ لیب په کارولو سره، IBM وکولی شو چې د کوډ تولید 20٪ لوړ سکور وښيي او د هغه وخت کمښت سره چې د دې کیفیت ترلاسه کولو لپاره اخلي.
• د ګرانایټ ماډلونه د IBM د لویو ژبو ماډلونو (LLMs) کورنۍ ده چې د انساني پروګرام کونکو د تولید لوړولو لپاره ډیزاین شوي. دا LLMs د پیرامیټر اندازې کې توپیر لري او تولیدي AI په ډیری طریقو کې پلي کوي، پشمول د ژبې او کوډ. د ګرانایټ بنسټ ماډلونه د داسې معاونینو رامینځته کولو لپاره ښه تنظیم شوي چې د کوډ له میراثي ژبو څخه اوسني ژبو ته د ژباړې، کوډ ډیبګ کولو، او د ساده انګلیسي لارښوونو پراساس د نوي کوډ لیکلو کې مرسته کوي. د IBM تمرکز ته په پام سره چې د تصدۍ درجې تولیدي AI باندې دی، د ګرانایټ ماډلونه د ډیټاسیټونو په اړه روزل شوي چې نه یوازې د کوډ تولید بلکې د اکاډمیک، حقوقي او مالي چارو پورې اړوند دي.
• د نوي بنسټ ماډلونو په لویه کچه روزنه د پام وړ پرمختللې تولیدي AI او د انسانیت لپاره د هغې احتمالي غوښتنلیکونه لري. لکه څنګه چې د بنسټ ماډلونه د حقیقي نړۍ کارولو قضیو او غوښتنلیکونو کې پلي کیږي، په ځانګړي توګه په تصدیو کې، دا خورا مهمه ده چې د دې اغیزې په اړه جوړونه وشي. په هرصورت، د دې بنسټ ماډلونو لپاره دودیز روزنې میتودونه د پام وړ ډیټا سینټر سرچینو ته اړتیا لري، چې د پام وړ پانګې او عملیاتي لګښتونو لامل کیږي. د تولیدي AI ژمنې په بشپړ ډول درک کولو لپاره، شرکتونه باید د دوی د ماډل روزنې پروسو بیا غور وکړي. د پراخه AI ماډل ځای پرځای کولو لپاره، د ښه کولو تخنیکونو ته اړتیا ده چې په ټیټ لګښت کې د ډومین ځانګړي ډیټا شاملولو لپاره وده وکړي. تر دې دمه ښودل شوي پایلو پراساس، د IBM او Red Hat د InstructLab پروژه داسې ښکاري چې پدې لوري کې د پام وړ پرمختګ کوي.

د نسل AI لپاره د خلاصې سرچینې چلند

RHEL AI موخه لري چې تولیدي AI د هایبرډ کلاوډ په اوږدو کې د CIOs او تصدۍ IT سازمانونو لپاره ډیر لاسرسی وړ، اغیزمن او انعطاف منونکی کړي.
RHEL AI د دې په ترسره کولو کې مرسته کوي:

• د انټرپرایز-ګریډ، خلاصې سرچینې جواز لرونکي ګرانایټ ماډلونو سره د نسل مصنوعي ذهانت نوښت پیاوړتیا، او د نسل مصنوعي ذهانت کارولو پراخه قضیو سره سمون لري.
• د InstructLab وسیلو په مرسته د سوداګرۍ اړتیاو سره د نسل AI ماډلونو سمون ساده کول، د یوې ادارې دننه د ډومین متخصصینو او پراختیا کونکو لپاره دا ممکنه کوي چې حتی د پراخو معلوماتو ساینس مهارتونو پرته هم خپلو ماډلونو ته ځانګړي مهارتونه او پوهه ورکړي.
• د هایبرډ کلاوډ په اوږدو کې هرچیرې د نسل AI روزنه او ځای پرځای کول د تولید سرورونو لپاره د ماډلونو تنظیم او ځای پرځای کولو لپاره اړین ټول وسایل چمتو کولو سره چیرې چې اړونده معلومات ژوند کوي.

RHEL AI د چمتو شوي آن-آر هم چمتو کويamp د Red Hat OpenShift AI څخه مننه چې د ورته وسایلو او مفاهیمو په کارولو سره د دې ماډلونو روزنه، ټونینګ او په پراخه کچه خدمت وکړي.

د ریډ هټ انټرپرائز لینکس AI سره یوځای کوي:

د خلاص ګرانایټ کورنۍ ماډلونه

RHEL AI کې لوړ فعالیت لرونکی، د خلاصې سرچینې جواز لرونکی، په ګډه د انسټرکټ لیب ټولنې څخه د ګرانایټ ژبه او کوډ ماډلونه شامل دي، چې په بشپړ ډول د ریډ هټ لخوا ملاتړ شوي او تاوان شوي دي. دا ګرانایټ ماډلونه د اپاچي 2 جواز لرونکي دي او د معلوماتو سرچینو او ماډل وزنونو ته شفاف لاسرسی چمتو کوي. په راتلونکي کې، ریډ هټ انټرپرائز لینکس AI به د ګرینایټ کوډ ماډل کورنۍ په ګډون اضافي ګرانایټ ماډلونه هم شامل کړي.

د انسټرکټ لیب ماډل سمون وسیلې

• لابراتوار: د چیټ بوټس لپاره د لوی پیمانه سمون د لارښوونو سمون او د لویو ژبو ماډلونو د ښه کولو لپاره یوه نوې طریقه ده چې د ټیکونومي لخوا پرمخ وړل شوي طریقې سره د لوړ کیفیت مصنوعي معلوماتو تولید څخه ګټه پورته کوي. په ساده اصطلاحاتو کې، دا کاروونکو ته اجازه ورکوي چې د ډومین ځانګړي پوهې او مهارتونو سره LLM تنظیم کړي. InstructLab بیا د لوړ کیفیت مصنوعي معلومات تولیدوي چې د LLM روزنې لپاره کارول کیږي. د هیرولو مخنیوي لپاره د بیا غږولو بفر کارول کیږي.
• انسټرکټ لیب د لویو ژبو ماډلونو (LLMs) د لوړولو لپاره یوه خلاصه سرچینه پروژه ده چې د تولیدي مصنوعي استخباراتو (gen AI) غوښتنلیکونو کې کارول کیږي. د IBM او Red Hat لخوا رامینځته شوی، د انسټرکټ لیب ټولنې پروژه د LLMs د سمون ښه کولو لپاره د لګښت مؤثره حل چمتو کوي او د هغو کسانو لپاره دروازې پرانیزي چې د لږترلږه ماشین زده کړې تجربه لري د ونډې اخیستنې لپاره.
• LLMs کولی شي مختلف ګټور غوښتنلیکونه پرمخ بوځي، پشمول د چیټ بوټونو او کوډ کولو معاونینو. دا LLMs کولی شي ملکیت وي (لکه د OpenAI GPT ماډلونه او د انټروپیک کلاډ ماډلونه) یا د مخکې روزنې معلوماتو او کارولو محدودیتونو په اړه د خلاصون مختلف درجې وړاندې کوي (لکه د میټا لاما ماډلونه، د میسټرال AI میسټرال ماډلونه، او د IBM ګرانایټ ماډلونه).
• د مصنوعي ذهانت متخصصین اکثرا اړتیا لري چې د ځانګړو سوداګریزو اړتیاوو پوره کولو لپاره مخکې له مخکې روزل شوي LLM تطبیق کړي. په هرصورت، د LLM د تعدیل لپاره محدودیتونه شتون لري. انسټرکټ لیب یوه داسې طریقه کاروي چې دا محدودیتونه لرې کوي. دا کولی شي د دودیزو بیا روزنې میتودونو په پرتله د پام وړ لږ انساني تولید شوي معلوماتو او لږ کمپیوټري سرچینو په کارولو سره LLM ته وده ورکړي. سربیره پردې، دا د اپسټریم ونډو له لارې د دوامداره ماډل ښه والي ته اجازه ورکوي.
• د لابراتوار تخنیک څلور جلا مرحلې لري (شکل ۱):
  • د ټیکسونامي پر بنسټ مهارتونه او د پوهې استازیتوب
  • د ښوونکي ماډل سره مصنوعي معلومات تولید (SDG)
  • د نقاد ماډل سره د مصنوعي معلوماتو تایید.
  • د زده کونکو د ماډلونو په سر کې د مهارتونو او پوهې روزنه
    
• انسټرکټ لیب د هغه سافټویر نوم دی چې د LAB تخنیک پلي کوي. دا د کمانډ لاین انٹرفیس څخه جوړ دی چې د مهارتونو او پوهې د ځایی ګیټ ذخیره سره تعامل کوي، په شمول د نوي هغه چې کارونکي یې اضافه کړي دي، ترڅو مصنوعي معلومات تولید کړي، د LLM روزنه پرمخ بوځي، روزل شوي ماډل ته خدمت وکړي او ورسره خبرې وکړي.
• کاروونکي کولی شي د خپلو مهارتونو او پوهې سره د اساس ماډلونو په روزنه سره خپل دودیز LLM رامینځته کړي. دوی کولی شي غوره کړي چې روزل شوي ماډل او اضافه شوي مهارتونه او پوهه له ټولنې سره شریک کړي یا یې شخصي وساتي.

د ګرانایټ ماډلونو او انسټرکټ لیب لپاره غوره شوی بوټ ایبل ریډ هټ انټرپرائز لینکس

د ګرانایټ ماډلونه او انسټرکټ لیب ټولینګونه د AMD، Intel او NVIDIA په څیر د مشهور هارډویر سرعت کونکو لپاره د اصلاح شوي سافټویر سټیک سره د بوټ وړ RHEL عکس کې ډاونلوډ او ځای په ځای شوي دي. سربیره پردې، دا RHEL AI عکسونه به د ریډ هیټ تصدیق شوي ایکوسیستم په اوږدو کې بوټ او چلیږي پشمول د عامه کلاوډونو او د لینوو څخه د AI اصلاح شوي سرورونو.

د تشبث ملاتړ، د ژوند دوره او تاوان

په عمومي شتون (GA) کې، د ریډ هټ انټرپرائز لینکس AI ګډون کې به د تصدۍ ملاتړ، د ګرانایټ 7B ماډل او سافټویر سره پیل کېدونکي بشپړ محصول ژوند دوره، او د ریډ هټ لخوا د IP تاوان شامل وي.

RHEL AI کومې ستونزې حل کوي؟

د جنریټیو AI سره پیل کول ډیری وختونه خورا ننګونکي وي. د انسټرکټ لیب* او ګرانایټ ماډلونو سره، موږ د ژبې ماډل ته د پوهې او مهارتونو اضافه کولو وړتیا د هرچا لپاره د لاسرسي وړ کوو. دا شرکتونو ته اجازه ورکوي چې خپل ځانګړي پوهه او مهارتونه اضافه کړي ترڅو ماډل د دوی ځانګړي کارونې قضیې سره سمون ولري.

شرکتونه د لویو ژبو ماډلونو کارولو کې آرام نه دي ځکه چې د متن نامعلوم جواز شتون لري. RHEL AI کې تاوان ورکول شامل دي او ماډل پخپله د اپاچي-2.0 خلاصې سرچینې جواز لاندې جواز لري.

د جنریټیو AI سره پیل کول خورا ګران دي. RHEL AI او InstructLab خلکو ته یوه لاره برابروي چې په ارزانه توګه پیل وکړي او د اړتیا په وخت کې یې اندازه کړي.

لنډیز

• د چیټ جی پي ټي پیل د تولیدي مصنوعي ذهانت په برخه کې خورا زیاته علاقه پیدا کړه، او له هغه وخت راهیسې د نوښت سرعت یوازې ګړندی شوی دی. تصدۍ د تولیدي مصنوعي ذهانت خدماتو له لومړنیو ارزونو څخه د مصنوعي ذهانت فعال شوي غوښتنلیکونو پراختیا ته لیږدول شوي دي. د خلاص ماډل انتخابونو په چټکۍ سره پراخیدونکي ایکوسیستم د مصنوعي ذهانت نور نوښت ته وده ورکړې، دا په ګوته کوي چې یو واحد غالب ماډل به نه وي. پیرودونکي به د ځانګړو اړتیاو پوره کولو لپاره د انتخابونو له متنوع لړۍ څخه ګټه پورته کړي، چې ټول به د نوښت لپاره د خلاصې طریقې لخوا نور هم ګړندي شي.
• د مصنوعي ذهانت ستراتیژۍ پلي کول د ماډل غوره کولو څخه ډیر څه شامل دي؛ د ټیکنالوژۍ سازمانونه دې تخصص ته اړتیا لري ترڅو د دوی د کارونې قضیې سره سم یو ځانګړی ماډل تنظیم کړي او د مصنوعي ذهانت پلي کولو د پام وړ لګښتونو ته رسیدګي وکړي. د معلوماتو ساینس مهارتونو کمښت د پام وړ مالي اړتیاو سره ډیر شوی، په شمول د:
  • د مصنوعي ذهانت زیربنا ترلاسه کول یا د مصنوعي ذهانت خدماتو مصرف کول
  • د ځانګړو سوداګرۍ لپاره د مصنوعي ذهانت ماډلونو د تنظیم کولو پیچلې پروسه د تصدۍ غوښتنلیکونو کې د مصنوعي ذهانت مدغم کول اړین دي.
  • د غوښتنلیک او ماډل د ژوند دورې دواړو اداره کول.
• د مصنوعي ذهانت د نوښت لپاره د ننوتلو خنډونو د کمولو لپاره، تصدۍ باید د دې وړتیا ولري چې د هغو کسانو لیست پراخ کړي چې کولی شي په مصنوعي ذهانت نوښتونو کې کار وکړي پداسې حال کې چې دا لګښتونه په ورته وخت کې کنټرول کړي. د انسټرکټ لیب د سمون وسیلو، ګرانایټ ماډلونو او RHEL AI سره، ریډ هټ موخه لري چې د ریښتینې خلاصې سرچینې پروژو ګټې - په آزاده توګه د لاسرسي وړ او بیا کارونې وړ، شفاف او د ونډو لپاره خلاص - GenAI ته پلي کړي ترڅو دا خنډونه لرې کړي.

د محصول اړوند کورنۍ

د دې سند پورې اړوند د محصول کورنۍ په لاندې ډول دي:

د سره خولۍ اتحاد

خبرتیاوې

• Lenovo ممکن په ټولو هیوادونو کې په دې سند کې بحث شوي محصولات، خدمات، یا ځانګړتیاوې وړاندې نه کړي. د هغه محصولاتو او خدماتو په اړه چې اوس مهال ستاسو په سیمه کې شتون لري د معلوماتو لپاره د خپل ځایی Lenovo استازي سره مشوره وکړئ. د Lenovo محصول، برنامه، یا خدمت ته هر ډول حواله د دې لپاره نه ده چې بیان کړي یا دا ثابت کړي چې یوازې د لینووو محصول، برنامه، یا خدمت کارول کیدی شي. هر ډول فعاله مساوي محصول، برنامه، یا خدمت چې د Lenovo د فکري ملکیت حق نه سرغړونه کوي د دې پرځای کارول کیدی شي. په هرصورت، دا د کارونکي مسؤلیت دی چې د کوم بل محصول، پروګرام، یا خدمت عملیات ارزونه او تصدیق کړي. لینوو ممکن د پیټینټ یا پاتې پیټینټ غوښتنلیکونه ولري چې پدې سند کې بیان شوي موضوع پوښښ کوي. د دې سند چمتو کول تاسو ته دې پیټینټونو ته هیڅ جواز نه درکوي. تاسو کولی شئ د جواز پوښتنې په لیکلي ډول واستوئ:
  لینوو (متحده ایالات) ، Inc.
  8001 پرمختیایی ډرایو
  مورییسوییل ، ​​NC 27560
  USA
  پاملرنه: د لینوو د جواز ورکولو رییس
• لینوو دا خپرونه د هر ډول تضمین پرته "لکه څنګه ده" چمتو کوي، یا هم څرګند یا ضمیمه، په شمول، مګر محدود نه وي، د غیر سرغړونې تضمین شوي تضمین، ځانګړې موخه. ځینې ​​​​قضایاوې په ځینو معاملو کې د څرګند یا ضمیمه تضمین ردولو ته اجازه نه ورکوي، له همدې امله، دا بیان ممکن تاسو باندې تطبیق نشي.
• پدې معلوماتو کې تخنیکي غلطۍ یا ټایپوګرافیکي غلطۍ شاملې کیدی شي. دلته په معلوماتو کې په دوره توګه بدلونونه راځي؛ دا بدلونونه به د خپرونې په نویو نسخو کې شامل شي. لینوو ممکن هر وخت پرته له خبرتیا پرته په دې خپرونه کې تشریح شوي محصول (محصولاتو) او/یا برنامو کې اصلاحات او بدلونونه رامینځته کړي.
• په دې سند کې تشریح شوي محصولات د امپلانټیشن یا نورو ژوند مالتړ غوښتنلیکونو کې د کارولو لپاره ندي چیرې چې خرابوالی ممکن د افرادو ټپي کیدو یا مرګ لامل شي. پدې سند کې موجود معلومات د Lenovo محصول مشخصات یا تضمین اغیزه نه کوي یا بدلوي. په دې سند کې هیڅ شی باید د لینووو یا دریمې ډلې د فکري ملکیت حقونو لاندې د څرګند یا ضمیمه جواز یا جبران په توګه کار ونه کړي. په دې سند کې موجود ټول معلومات په ځانګړي چاپیریال کې ترلاسه شوي او د مثال په توګه وړاندې کیږي. په نورو عملیاتي چاپیریالونو کې ترلاسه شوي پایلې ممکن توپیر ولري. Lenovo ممکن هر هغه معلومات وکاروي یا توزیع کړي چې تاسو یې چمتو کوئ په هره طریقه چې دا مناسب باور لري پرته له دې چې تاسو ته کوم مسؤلیت درکړي.
• غیر لینووو ته پدې خپرونه کې کوم مراجع Web سایټونه یوازې د اسانتیا لپاره چمتو شوي او په هیڅ ډول د دوی د تایید په توګه کار نه کوي Web سایټونه. په هغو کې مواد Web سایټونه د دې لینوو محصول لپاره د موادو برخه نه دي، او د هغو کارول Web سایټونه ستاسو په خطر کې دي. دلته د فعالیت هرډول معلومات په کنټرول شوي چاپیریال کې ټاکل شوي. نو ځکه، په نورو عملیاتي چاپیریالونو کې ترلاسه شوي پایلې ممکن د پام وړ توپیر ولري. ځینې ​​​​پیمانې ممکن د پراختیا کچې سیسټمونو کې رامینځته شوي وي او هیڅ تضمین شتون نلري چې دا اندازه کول به په عمومي ډول موجود سیسټمونو کې ورته وي. سربیره پردې، ځینې اندازه کول ممکن د استخراج له لارې اټکل شوي وي. اصلي پایلې ممکن توپیر ولري. د دې سند کاروونکي باید د دوی ځانګړي چاپیریال لپاره د تطبیق وړ ډاټا تصدیق کړي.
• © Copyright Lenovo 2025. ټول حقونه خوندي دي.
• دا سند، LP2032، د سپتمبر په 19، 2024 کې جوړ یا تازه شوی.
• موږ ته خپل نظرونه په لاندې لارو کې واستوئ:
  • آنلاین وکاروئ موږ سره اړیکه ونیسئview فورمه دلته وموندل شوه: https://lenovopress.lenovo.com/LP2032
  • خپل نظرونه په بریښنالیک کې واستوئ: comments@lenovopress.com
• دا سند آنلاین شتون لري https://lenovopress.lenovo.com/LP2032.

سوداګریزې نښې

• Lenovo او Lenovo لوگو په متحده ایالاتو، نورو هیوادونو، یا دواړه کې د Lenovo سوداګریزې نښې یا راجستر شوي سوداګریزې نښې دي. د لینوو سوداګریزو نښو اوسنی لیست په کې شتون لري Web په https://www.lenovo.com/us/en/legal/copytrade/ کې.
• لاندې شرایط په متحده ایالاتو، نورو هیوادونو، یا دواړو کې د Lenovo سوداګریزې نښې دي: Lenovo®
• لاندې شرایط د نورو شرکتونو سوداګریزې نښې دي:
• AMD د پرمختللي مایکرو وسایلو سوداګریز نښه ده.
• Intel® د Intel Corporation یا د هغې د فرعي شرکتونو سوداګریز نښه ده.
• Linux® په متحده ایالاتو او نورو هیوادونو کې د لینس توروالډز سوداګریز نښه ده.
• د نورو شرکت، محصول، یا خدماتو نومونه کیدای شي د نورو سوداګریزې نښې یا د خدماتو نښه وي.

اسناد / سرچینې

لینوو RHEL AI [pdf] د کارونکي لارښود رایل آی، رایل، آی

حوالې

• IBM watsonx.ai
• RHEL AI: په اسانه لاره LLMs هڅه وکړئ | د ریډ هیټ پراختیا کونکی
• د کاپي حق او د سوداګریزې نښې معلومات | Lenovo US | Lenovo US
• د مصنوعي ذهانت لپاره د بنسټ ماډلونه څه دي؟
• انسټرکټ لیب څه شی دی؟
• د پیل کونکو لپاره YAML
• د کارن لارښود